Mi Portafolio

Detección de derrames de tanques por medio de vision computarizada y transferencia de aprendizaje

Ultralytics (YOLOv8n/s, RT-DETR), PyTorch, OpenCV, Pillow, Python, NumPy, pandas, Matplotlib, Seaborn, scikit-learn, ONNX, FastAPI, Uvicorn, Streamlit, Docker

Detectar derrames en tanques de almacenamiento de petróleo no automatizados a partir de un dataset conformado por imágenes y etiquetas. Seleccionar el modelo con mejor desempeño según sus métricas. Clasificar los tanques según la presencia o ausencia de eventos.

Los derrames de petróleo, frecuentemente causados por errores humanos, exigen mejores controles para mitigar riesgos ambientales. La implementación de visión computarizada ofrece un monitoreo continuo en segundos, superando las limitaciones del seguimiento manual. El levantamiento de alertas tempranas permite una respuesta operativa rápida. Para clasificar estos eventos, el modelo específico importa menos que su desempeño, siendo vital el uso de datos representativos de alta calidad. Dado el alto costo de omitir un derrame real frente a una falsa alarma, la evaluación del modelo debe priorizar estrictamente la maximización de la métrica de recall sobre la especificidad.

BFW-9000

Python, SQLite, django

Predecir el tiempo de irrupción bajo desplazamiento inmiscible en un patrón areal heterogéneo. Acoplar la solución de flujo fraccional al flujo de caja para establecer el límite económico. Mostrar por medio de gráficos interactivos el movimiento del frente inundado. Documentar el proceso teórico del simulador.

BFW-9000 es una aplicación web para el análisis de proyectos de inyección de agua mediante el método de Buckley-Leverett. Su aporte principal es extender la solución unidimensional a un patrón areal heterogéneo: el caudal de cada inyector se reparte entre azimuts con una densidad angular ponderada por la transmisibilidad de cada canal.
El comportamiento posterior a la irrupción se resuelve con la segunda parte de la construcción de Welge y alimenta directamente un modelo mensual de OPEX, de modo que el corte de agua que encarece el barril procede de la teoría de desplazamiento y no de una curva ajustada. El precio del crudo se consulta en línea por API REST, con caché y respaldo local.

Implementación: Django sobre SQLite, con un modelo relacional de seis tablas donde el enlace inyector-productor es de cardinalidad muchos a muchos, cada canal con su permeabilidad direccional. El núcleo numérico es Python puro, sin dependencias científicas, y los gráficos son SVG generados a mano. Resultados deterministas y reproducibles entre arquitecturas, con despliegue en contenedor y lanzadores de escritorio.

Caso de Estudio: Culebra 21 — El manejo emergente de 16000 BFPD

Investigación y escritura científica

Gestionar de manera eficiente el incremento de producción de fluidos (16,000 BFPD) asi como su respectiva deshidratación Tratar eficazmente un crudo pesado (16-18° API) caracterizado por una emulsión compleja y un tamaño de gota de 20 a 80 micrones Comparar las facilidades de superficie emergentes frente a las permanentes, demostrando que este enfoque modular permite una monetización más rápida de la producción y un mejor retorno de inversión bajo diversos escenarios de precios del crudo.

El proyecto Culebra 21, ubicado en el campo Auca, Ecuador, ejemplifica el uso exitoso de facilidades tempranas para la gestión de un incremento de producción de 16,000 barriles diarios de fluido neto. Ante la complejidad de una emulsión de crudo pesado y un tamaño de gota particularmente pequeño, se implementó una solución estratégica basada en tres pilares: temperatura, tiempo de residencia y química. La instalación de trenes de lavado en paralelo optimizó el tiempo de contacto a pesar del uso de tanques de 500 barriles y solo 7.4 metros de altura, permitiendo reducir el contenido de agua (BS&W) a menos del 1%. Este enfoque modular demostró mayor eficiencia en el retorno de inversión comparado con facilidades permanentes tradicionales para la posterior construccion de una facilidad permanente en casos de proyectos de larga duración.

Doom Petrolero

.web, python, redes sociales

Difundir conceptos técnicos y teóricos sobre la industria petrolera. Explicar de manera simple y didactiva los diferentes equipos y procesos de la industria petrolera. Contactar profesionales entre sí para una retroalimentación y evolución de la industria petrolera.

El proyecto Doom petrolero es una excusa para la investigación y exploración de nuevas tecnologías de una forma condensada para la difusión del funcionamiento de equipos y procesos en la industria petrolera. Material especialmente digirido en el Upstream y midstream. Asi mismo, estableciendo un desafio en cuento a mis habilidades como programador.

HPS-DOOM

React 19, TypeScript 5.8, TanStack Start (Router y Query), Vite 8, Nitro, Tailwind CSS 4, shadcn/ui sobre Radix UI, Recharts, Lucide, Zod, React Hook Form, ESLint y Prettier,

Digitalizar las curvas de fábrica de las bombas horizontales de superficie e integrarlas en un sistema interactivo que sustituya la consulta manual de las fichas técnicas en PDF. Evaluar el punto de operación real de cada unidad contra su curva de fábrica y determinar si trabaja dentro de rango para una operación apropiada. Entender el funcionamiento del equipo y la operación.

HPS-DOOM es una aplicación web para el monitoreo y análisis de bombas horizontales de superficie de campo. El sistema digitaliza las curvas de fábrica de catorce unidades y las convierte en gráficas interactivas. A partir de una única curva base de 60 Hz por bomba, genera mediante leyes de afinidad la curva de cualquier frecuencia entre 20 y 60 Hz. Con las lecturas de campo de presión, caudal y frecuencia, evalúa si el punto de operación se encuentra dentro de la curva y reporta desviación, eficiencia, potencia y distancia al punto de mejor eficiencia.