Operadora upstream en Chubut

Bombeo inteligente de baterías a planta de tratamiento

Un modelo de balance volumétrico de la red, predicción de caudales y niveles y un optimizador que recomienda qué baterías bombear y a qué caudal. El operador decide.

Estado: En pruebas previas a ensayos con operadoresTecnologías: PI Web API, PI Asset Framework, PI Vision, LightGBM, Optimización MILP, Docker, FastAPI, MLflow
Upstream / Bombeo de baterías a planta de tratamientoPantalla ilustrativa
B1B2B3B4B5B6, por gravedadB7ColectorPlanta de tratamiento
Caudal de ingreso
B7: nivel cerca del máximo
Caudal de ingreso a la planta
Franja gris: banda alrededor del setpointCian: proyección con la recomendación
Recomendación del optimizador

Bombear desde B7 antes de que llegue al máximo

Calculada sobre el balance volumétrico de la red y la predicción de niveles y caudales. Respeta la capacidad de la planta y los límites de cada tanque.

AplicarDescartar
El operador ejecuta. Cada recomendación y su respuesta quedan registradas.

Qué encontramos

Una planta de tratamiento recibe crudo y agua de siete baterías y un colector. Una de las baterías opera por gravedad, sin bomba.

El bombeo desde cada batería se decidía a mano o con reglas fijas. Eso generaba fluctuaciones de caudal al ingreso de la planta, tanques que se desbordaban o se vaciaban, y arranques y paradas de bombas que aumentan el consumo por barril tratado.

Qué hicimos

Un modelo de balance volumétrico de la red (tanques, ductos y bombas) funciona como esqueleto físico. Sobre él, modelos de machine learning predicen caudales y niveles y calibran parámetros como el tiempo de tránsito entre una batería y la planta.

Un optimizador recomienda qué baterías bombear y a qué caudal, respetando la capacidad de la planta y los límites de cada tanque. Algunas baterías quedan como ancla, sin cambios de setpoint, y otras reciben la recomendación.

El sistema lee y escribe en PI System, muestra las recomendaciones en PI Vision y corre dentro de la red del cliente. No escribe setpoints ni órdenes de arranque o parada en PLC o DCS: las acciones las ejecutan los operadores.

Qué no funcionó

El balance de masas cerraba en 0,91: cerca del 9% del caudal a planta quedaba sin explicar, por una batería sin caudalímetro activo.

Faltaban setpoints y restricciones operativas del cliente, y eso frenó el optimizador hasta conseguirlos. Una batería mostró una dinámica anómala y se evaluó usarla como ancla.

Qué medimos y contra qué

En simulación contrafactual sobre una semana real de operación, en un día típico, recomendar sobre una sola batería redujo 13% el desvío del caudal a planta respecto de lo que pasó en la realidad.

Es una simulación, no un resultado en operación. El impacto real se va a medir contra la línea base en modo sombra y en operación asistida.

Qué sigue

Pruebas con los operadores y modo sombra antes de pasar a operación asistida.

Agendá 30 min

Del dato a la decisión

por Mariano Chicatun, Pilot X

1 mail por mes. Ideas y datos medidos de operaciones industriales.

Siguiente caso: Migración del reporte de completación de T-SQL a PI Asset Framework