Artículo bajo Licencia Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International
Página 70
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM
y Scaled Load Ratio para gemelos digitales de inyección de vapor
Strategic convergence of Graph Neural Networks, REROSIM and Scaled
Load Ratio for steam-injection digital twins
DOI: https://doi.org/10.5281/zenodo.21810662
Recibido: 2026-05-17 Aceptado: 2026-06-25
Romero, Isbelis
1
Correo: isbelisromeroucv@gmail.com
Orcid: https://orcid.org/0009-0001-5107-9535
Resumen
Este artículo propone un modelo de gemelo digital para optimizar la gestión de yacimientos bajo
inyección de vapor, integrando tres metodologías avanzadas de la literatura SPE: Redes
Neuronales de Grafos (GNN): Adaptadas del almacenamiento de CO2 para actuar como
sustitutos físicos rápidos, modelando la evolución de presión, temperatura, saturaciones y calidad
de vapor. Método REROSIM (Reservoir Engineering Reservoir Simulation): Abstrae la
conectividad inter-pozo para evaluar la dinámica del barrido sin depender de simulaciones de
grilla fina. Analítica de Scaled Load Ratio (SLR): Evalúa la integridad operacional del bombeo
mecánico, previniendo fallas por fricción, fatiga o interferencia de gas. El enfoque unifica el
subsuelo con la superficie. Al combinar física, velocidad computacional y vigilancia de integridad,
la arquitectura permite ejecutar escenarios en minutos y aprender del dato histórico, garantizando
una optimización que protege la confiabilidad mecánica del sistema.
Palabras clave: Redes Neuronales de Grafos, REROSIM, Conectividad inter-pozo, Scaled
Load Ratio.
Abstract
This article proposes a digital twin model to optimize reservoir management under steam injection,
integrating three advanced methodologies from SPE literature: Graph Neural Networks (GNNs)—
adapted from CO2 storage applications to serve as rapid physics-based surrogates that model
the evolution of pressure, temperature, saturations, and steam quality; the REROSIM method—
which abstracts inter-well connectivity to evaluate sweep dynamics without relying on fine-grid
simulations; and Scaled Load Ratio (SLR) analytics—which assess the operational integrity of
mechanical pumping systems, preventing failures caused by friction, fatigue, or gas interference.
This approach unifies subsurface and surface operations. By combining physics, computational
speed, and integrity monitoring, the architecture enables the execution of scenarios in minutes
and facilitates learning from historical data, ensuring optimization that safeguards the system's
mechanical reliability.
1
Ingeniero de Petróleo. Petróleos & Renovables S.A. Venezuela.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 71
Keywords: Graph Neural Networks, REROSIM, Interwell connectivity, Scaled Load Ratio,
mechanical integrity.
Introducción
Los activos maduros de crudo pesado y extrapesado enfrentan una combinación de retos
técnicos que, rara vez, se resuelve con una sola herramienta: heterogeneidad geológica,
movilidad desfavorable, alta relación agua-petróleo, producción cíclica, restricciones de energía,
riesgos de integridad y necesidad de justificar cada intervención con evidencias de valor. La
inyección de vapor, por su capacidad para reducir la viscosidad del crudo y movilizar volúmenes
remanentes, sigue siendo una de las alternativas de recuperación mejorada más relevantes en
yacimientos térmicos. Sin embargo, su éxito depende de ubicar el calor donde realmente genera
barrido, evitar canales preferenciales, controlar pérdidas térmicas y no sobrecargar los sistemas
de producción artificial.
En los últimos años, la digitalización de yacimientos ha pasado de dashboards descriptivos
hacia modelos predictivos que asimilan datos, simulan escenarios y proponen decisiones. La
literatura técnica muestra tres direcciones complementarias. La primera es el uso de redes
neuronales de grafos para representar yacimientos como grafos donde los nodos concentran
propiedades de control de volumen y las aristas codifican adyacencia, transmisibilidad y
capacidad de flujo. La segunda es REROSIM, que reduce la complejidad del yacimiento a una
red de conexiones inyector-productor calibrada con datos de producción e inyección. La tercera
es SLR, una métrica simple, normalizada y operativamente accesible para monitorear la condición
de bombas de varillas desde cargas superficiales, sin reconstruir cartas de fondo mediante una
ecuación de onda (Tariq, 2025).
La convergencia de estas líneas permite formular un gemelo digital térmico de nueva
generación. En lugar de depender, únicamente, de simuladores numéricos de alta fidelidad, que
continúan siendo indispensables para validación y diseño base, se propone una jerarquía híbrida:
un GNN entrenado con casos físicos de inyección de vapor para estimar campos de presión,
temperatura y saturación; un REROSIM térmico para traducir esas respuestas a lógica inter-pozo
accionable; y un módulo SLR para asegurar que los cambios de vapor, producción o
levantamiento artificial no comprometan la continuidad operacional. Esta integración no pretende
eliminar la ingeniería convencional; busca organizarla en un flujo más ágil y útil para decisiones
diarias.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 72
Se desarrolla como artículo de síntesis aplicada; por tanto, no presenta un caso de campo
propio ni resultados de simulación originales, sino una metodología estratégica que puede
convertirse en programa piloto para campos térmicos de Venezuela, Latinoamérica o análogos
internacionales.
1. Fundamentos teóricos
La inyección de vapor modifica simultáneamente movilidad del petróleo, balance de
energía, presión local, saturación de agua caliente, estabilidad de los equipos de subsuelo y vida
útil de los sistemas de levantamiento. En condiciones ideales, el vapor se distribuye hacia zonas
con petróleo remanente móvil, transfiere calor de manera eficiente y retorna en forma de
incremento de producción neta. En campos reales, el comportamiento suele ser más complejo:
una fracción del vapor se canaliza por zonas de alta permeabilidad, otra se pierde hacia intervalos
ya barridos, parte se condensa antes de llegar al frente útil y, algunos pozos productores,
experimentan cambios abruptos de carga, emulsionamiento, arenamiento o inestabilidad del
bombeo.
Los modelos tradicionales de yacimientos ofrecen una representación detallada de la física,
pero pueden requerir semanas de preparación, calibración y corridas de sensibilidad. Su costo
computacional se vuelve más relevante cuando la pregunta operacional cambia todos los días:
qué inyector debe recibir más vapor, qué productor necesita reducción de velocidad, qué patrón
muestra canalización térmica, qué pozo debe priorizarse por integridad y cuál escenario genera
mayor valor con el menor consumo de energía. En un campo con decenas o cientos de pozos, la
frecuencia de decisión excede la capacidad de ejecutar estudios completos para cada ajuste
(Shaikh, 2025).
La propuesta de convergencia parte de una premisa: el yacimiento térmico debe ser leído
como una red física y operativa. A escala de malla, el flujo y el calor obedecen ecuaciones de
conservación que pueden aprenderse mediante GNN entrenadas con simulaciones de alta
fidelidad. A escala de patrón, la comunicación efectiva entre inyectores y productores puede
aproximarse con REROSIM, que sintetiza conectividad, volumen conectado y retardo. A escala
de pozo, el desempeño mecánico puede vigilarse con SLR, transformando cargas superficiales
en señales tempranas de falla. La estrategia se vuelve poderosa cuando estas capas no trabajan
aisladas, sino dentro de un mismo ciclo de datos y decisión.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 73
Esta integración también responde a una limitación frecuente de los proyectos de
inteligencia artificial en petróleo: la desconexión entre modelos estadísticos y decisiones de
ingeniería. Un algoritmo que predice producción sin explicar rutas de conectividad, sin respetar
restricciones térmicas y sin evaluar la integridad del levantamiento puede ser rápido, pero no
necesariamente confiable. Por eso, el marco propuesto no se basa en una caja negra única, sino
en módulos especializados que conservan trazabilidad física y facilitan la revisión por equipos de
geología, yacimientos, producción, operaciones, mantenimiento e integridad.
1.1. Redes neuronales de grafos para inyección de vapor
Las redes neuronales de grafos en la simulación de yacimientos resultan especialmente
atractivas, para yacimientos, porque la roca y los fluidos no se comportan como píxeles
independientes, sino como sistemas conectados por transmisibilidades, continuidad hidráulica y
contrastes de propiedades. En un grafo de yacimiento, cada nodo puede representar un bloque
de malla o una región agrupada con porosidad, permeabilidad, espesor, profundidad, facies,
presión, temperatura y saturaciones. Cada arista representa vecindad, conductancia, distancia
efectiva, contacto estratigráfico o conexión preferencial. El mensaje que viaja por las aristas
resume cómo un cambio local se propaga hacia su entorno (Shaikh, 2025).
La aplicación de GNN al almacenamiento de CO2 ha demostrado una idea transferible: los
modelos pueden aprender la evolución espacio - temporal de presión y saturación sobre mallas
regulares o irregulares si reciben suficientes casos de entrenamiento generados por simulación.
En el caso de inyección de vapor, el aprendizaje debe ampliarse para incorporar energía. La red
no sólo debe aproximar la distribución de fluido; también debe reconocer la transferencia de calor,
condensación del vapor, pérdidas hacia capas adyacentes, disminución de viscosidad con
temperatura y variación de movilidad relativa (Tariq, 2025).
La adaptación del enfoque GNN desde CO2 a vapor requiere redefinir entradas y salidas.
Las entradas estáticas incluyen propiedades de roca, límites estratigráficos, continuidad lateral,
presencia de barreras y estado inicial. Las entradas dinámicas incorporan tasa de vapor, calidad
de vapor, presión de inyección, entalpía, tiempo de remojo cuando aplique, tasa de producción,
presión de fondo, temperatura registrada, eventos de cierre y restricciones de superficie. Las
salidas relevantes serían campos de temperatura, presión, saturación de aceite, saturación de
agua, condensado, calor acumulado, indicadores de barrido y probabilidad de canalización
térmica.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 74
La ganancia estratégica del GNN térmico no reside en reemplazar toda la simulación física,
sino en acelerar las preguntas de alto volumen: sensibilidad a caudales, redistribución de vapor,
comparación de patrones, estimación de impacto por cierre temporal o evaluación rápida de un
nuevo ciclo. El simulador convencional seguiría generando casos de entrenamiento, validará
escenarios críticos y resolvería decisiones de inversión. El GNN, en cambio, funcionaría como
sustituto para el espacio de decisión diario y para optimización externa donde se evalúan miles
de alternativas (Tariq y Shaikh, 2025).
Reformulación física: del CO2 al vapor
La sustitución conceptual de CO2 por vapor no es un cambio cosmético. El CO2 en
almacenamiento subterráneo, se analiza normalmente mediante flujo multifásico, presión,
saturación de gas y salmuera, capilaridad y atrapamiento. El vapor introduce un problema termo-
hidráulico: la variable temperatura modifica viscosidad del crudo, densidad de fases, movilidad,
transferencia de masa por condensación y eficiencia de barrido. Además, la energía inyectada
tiene un costo operativo directo, por lo que, un modelo útil debe pronosticar producción
incremental y eficiencia térmica, no sólo movimiento de fluidos (Tissot y Welte, 1984).
El grafo térmico debe codificar aristas que representan tanto capacidad hidráulica como
capacidad de transporte térmico. Dos bloques pueden tener buena comunicación de presión, pero
mala transferencia de calor si existe una barrera vertical, alto enfriamiento o contacto limitado.
Por esa razón, se propone una arista compuesta con atributos de transmisibilidad, distancia,
contraste de permeabilidad, continuidad de facies, capacidad calorífica efectiva, conductividad
térmica y pérdida estimada hacia rocas encajantes. Esta riqueza de atributos permite que el
mensaje del GNN no sea una simple correlación espacial, sino una aproximación informada por
la física.
Las funciones de pérdida del entrenamiento también deben cambiar. Para CO2, el error en
presión y saturación puede ser suficiente en muchas aplicaciones. Para vapor, conviene usar
pérdidas ponderadas que penalicen errores de temperatura en zonas cercanas a productores,
errores de presión en intervalos próximos a límites operativos y errores de saturación en regiones
con petróleo remanente. También se puede añadir una penalización de balance de energía,
obligando al modelo a respetar la relación entre calor inyectado, calor almacenado, calor
producido y pérdidas.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 75
Un elemento relevante es la estabilidad de largo horizonte. Las predicciones autoregresivas
pueden acumular error cuando el GNN usa su propia salida como entrada para pasos posteriores.
En inyección de vapor, ese error acumulado puede traducirse en frentes térmicos desplazados o
sobreestimación de temperatura. Por ello, se recomienda entrenar con horizontes múltiples,
incorporar datos de cierre y reinicio, usar aprendizaje curricular y contrastar las predicciones con
puntos de control provenientes de registros de temperatura, pruebas de presión, trazadores
térmicos y mediciones de producción (Tariq y Shaikh, 2025).
1.2. REROSIM como lógica inter-pozo y puente de interpretación
REROSIM ofrece una forma diferente de mirar el yacimiento: no como una malla con miles
o millones de celdas, sino como una red de unidades de conexión entre inyectores y productores.
Cada conexión contiene parámetros equivalentes de conductividad, volumen conectado, retardo
y fracción de contribución. Este enfoque reduce la dimensionalidad y permite que los equipos
operacionales visualicen la pregunta clave: qué inyector está afectando a qué productor, con qué
intensidad y con qué tiempo de respuesta (Yan et al., 2025).
En campos sometidos a vapor, la conectividad inter-pozo tiene una expresión térmica. Un
productor puede responder en presión sin recibir calor significativo; otro puede recibir agua
caliente o vapor condensado por un canal de alta permeabilidad; un tercero puede mostrar
incremento de temperatura antes que incremente de aceite, señal de barrido ineficiente o
acercamiento de vapor vivo. REROSIM puede adaptarse a esta realidad incorporando no sólo
tasas de inyección y producción, sino entalpía inyectada, temperatura de producción, corte de
agua, respuesta de aceite, presión y eventos operacionales.
La matriz de conectividad térmica resultante permite clasificar patrones. Conexiones de alta
fracción, bajo retardo y baja producción incremental sugieren reciclaje de calor o canalización.
Conexiones de fracción media, retardo razonable y respuesta de aceite positiva indican barrido
útil. Conexiones débiles pueden representar zonas no comunicadas, barreras o áreas con
petróleo remanente que requieren rediseño de inyección. Esta lectura convierte el gemelo digital
en una herramienta de priorización: no todos los inyectores merecen más vapor; algunos
necesitan redistribución, control de perfil o reducción temporal (Yan et al., 2025).
La ventaja de REROSIM dentro de la convergencia es que traduce las predicciones de
campo del GNN a relaciones inter-pozo comprensibles. El GNN puede estimar mapas de
temperatura y presión, pero el operador necesita una recomendación: aumentar 10% el vapor en
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 76
V-12, reducir V-08 por canalización, monitorear P-23 por riesgo mecánico, ejecutar trazador en el
patrón norte. REROSIM actúa como interfaz interpretativa entre alta resolución espacial y
decisión por pozo.
REROSIM térmico: variables y ecuaciones de trabajo
Una formulación básica de REROSIM para vapor puede extender la relación de respuesta
inter-pozo clásica. En lugar de usar únicamente tasas de inyección, se introduce el flujo de calor
útil. Para un productor j, la respuesta de aceite, agua o temperatura puede expresarse como la
suma de contribuciones de inyectores i ponderadas por una fracción de conectividad f_ij y un
retardo tau_ij. En términos prácticos, la ecuación no pretende resolver toda la termodinámica,
sino construir un modelo equivalente calibrado con datos históricos (Yan et al., 2025).
La forma conceptual sería:
R_j(t)=Σ f_ij · U_i(t−tau_ij) + D_j(t) + epsilon,
Donde:
R_j es una respuesta del productor,
U_i representa señal de vapor o energía inyectada,
D_j captura tendencia local de declinación o agotamiento y epsilon recoge ruido
operacional.
Para inyección de vapor, U_i puede ser una combinación de tasa de vapor, calidad, presión,
entalpía, volumen acumulado y duración del ciclo. La calibración permite estimar cuánto de esa
energía afecta a cada productor.
El modelo puede incluir indicadores de eficiencia térmica por conexión: producción
incremental de aceite por unidad de calor, incremento de temperatura por unidad de vapor,
cambio en corte de agua y tiempo de residencia. Una conexión con alta temperatura y bajo aceite
incremental no debe interpretarse como éxito; puede indicar que el vapor llegó al productor sin
movilizar suficiente petróleo. En cambio, una respuesta diferida, con aumento gradual de aceite
y control de agua, puede ser técnicamente más valiosa, aunque no sea la señal más intensa (Yan
et al., 2025).
La calibración debe ser automática pero supervisada. REROSIM puede apoyarse en
algoritmos no gradientes, filtros de ensamble o búsqueda bayesiana para ajustar conectividades,
siempre con restricciones físicas: fracciones no negativas, suma acotada por inyector, retardos
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 77
consistentes con distancias y continuidad geológica, y penalización de conexiones incompatibles
con barreras conocidas. Este balance entre dato y conocimiento de ingeniería evita mapas de
conectividad matemáticamente correctos, pero geológicamente absurdos (Yan et al., 2025).
1.3. Scaled Load Ratio como capa de integridad mecánica
El Scaled Load Ratio (SLR) es una métrica diseñada para transformar cargas superficiales
de bombas de varillas en una señal normalizada de condición. Su idea central es comparar la
carga mínima y máxima observada con las cargas mínima y máxima esperadas en condición
normal. Cuando el cociente escalado se mantiene cerca de la unidad, la bomba se encuentra en
un régimen comparable al patrón sano. Cuando se aleja de la unidad, el sistema puede estar
enfrentando llenado incompleto, fricción anormal, golpe de fluido, interferencia de gas, contacto
de émbolo o cambios de carga que anticipan falla (Jung et al., 2026).
La importancia estratégica del SLR en un proyecto de vapor es que la mejora del yacimiento
puede crear estrés adicional en el pozo. La inyección de vapor puede alterar temperatura de
fluidos, viscosidad, producción de agua, gas liberado, emulsiones, sólidos, ciclos de arranque-
parada y condiciones de bombeo. Una estrategia que aumenta producción, pero multiplica fallas
de varillas, bombas o equipos de superficie no maximiza valor. Por tanto, el gemelo digital debe
evaluar simultáneamente respuesta de yacimiento e integridad del sistema de levantamiento
(Kokal y Sayegh, 1995).
La analítica SLR tiene una virtud operacional: usa datos de superficie y evita depender, para
el primer nivel de alarma, del cálculo de cartas de fondo con especificaciones detalladas del tren
de varillas. Esto no significa abandonar el diagnóstico tradicional; significa priorizar. El modelo
puede generar una lista de pozos donde el comportamiento de carga se aleja del patrón sano con
suficiente frecuencia, y los ingenieros pueden concentrar allí análisis más detallados, inspección
de cartas, reducción de velocidad, cambio de carrera, tratamiento de gas, limpieza o intervención
mecánica (Jung et al., 2026).
En la convergencia propuesta, SLR no es un módulo aislado de mantenimiento. Es una
restricción dinámica para la optimización de vapor. Si un productor asociado a una conexión inter-
pozo importante presenta SLR inestable, el algoritmo no debería recomendar aumentos agresivos
de vapor sin evaluar la capacidad mecánica de recibir el nuevo régimen. De igual modo, si un
inyector muestra alta oportunidad de barrido, pero los productores receptores tienen riesgo de
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 78
falla, la decisión óptima puede ser gradual, acompañada de ajustes de levantamiento artificial y
vigilancia estrecha (Jung et al., 2026).
De la alarma al índice de integridad
El SLR puede convertirse en un índice de integridad mecánica cuando se combina con
frecuencia de eventos, persistencia temporal, severidad de desviación, cambios de velocidad de
bombeo y condiciones térmicas del pozo. Una desviación aislada puede ser ruido; una desviación
sostenida después de un aumento de vapor puede señalar una relación causal. Por ello, se
recomienda calcular SLR suavizado, frecuencia de anormalidad en una ventana móvil, tendencia
de variación y distancia al rango normal (Jung et al., 2026).
El índice de riesgo mecánico podría componerse de cuatro bloques: desviación SLR,
variabilidad de carga, eventos operacionales y exposición térmica. La desviación SLR captura el
alejamiento de la condición normal. La variabilidad de carga mide oscilaciones y posibles eventos
intermitentes. Los eventos operacionales incorporan cambios de velocidad, paradas, arranques,
tratamientos o modificaciones de inyección. La exposición térmica reconoce que la temperatura
puede modificar viscosidad, expansión de materiales, elastómeros, corrosión y régimen de
bombeo (Takacs, 2015).
La clasificación resultante permite ordenar los pozos en categorías de acción: Verde:
condición estable, apta para optimización normal. Amarilla: vigilancia, ajustes conservadores y
revisión de tendencia. Naranja: limitación temporal de cambios operacionales, diagnóstico de
cartas y reducción de velocidad si aplica. Roja: alto riesgo de falla, intervención prioritaria o
restricción automática en el optimizador. La utilidad no es sólo detectar fallas, sino impedir que el
plan de yacimiento las acelere.
El aprendizaje automático puede mejorar la predicción de falla si se entrenan modelos con
históricos de eventos. Sin embargo, en campos donde no existe una base etiquetada robusta, el
SLR sigue siendo útil como métrica de arranque. Se recomienda iniciar con reglas transparentes
y luego evolucionar hacia modelos supervisados o autoencoders cuando se acumulen datos
suficientes de operación normal y fallas documentadas (Jung et al., 2026).
1.4. Arquitectura integrada del gemelo digital térmico
La arquitectura propuesta tiene cuatro capas: datos, modelos, decisión y aprendizaje: La
capa de datos recibe información de producción, inyección, presión, temperatura, calidad de
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 79
vapor, cartas dinamométricas, eventos de mantenimiento, pruebas de pozo, propiedades de roca
y fluidos, geología y límites operativos. La capa de modelos contiene el GNN térmico, REROSIM
inter-pozo, SLR mecánico y reglas de negocio. La capa de decisión ejecuta escenarios, optimiza
distribución de vapor, prioriza intervenciones y emite recomendaciones. La capa de aprendizaje
compara pronóstico versus realidad y actualiza parámetros.
El flujo operativo inicia con depuración de datos. En yacimientos maduros, la calidad de la
información es tan importante como el algoritmo. Un registro de vapor mal calibrado, una prueba
de producción desfasada o una carta de bomba asociada a un pozo equivocado pueden inducir
recomendaciones erróneas. Por ello, el gemelo debe contener reglas de validación: rangos
físicos, consistencia de unidades, detección de outliers, reconciliación de eventos y trazabilidad
de cambios.
La segunda etapa es la simulación base. Se generan escenarios con un simulador térmico
de alta fidelidad para cubrir rangos de incertidumbre: permeabilidad, continuidad de facies,
calidad de vapor, pérdidas de calor, presión, viscosidad, espaciamiento de pozos y estrategias de
control. Estos escenarios entrenan el GNN. La calidad del sustituto depende de la amplitud y
realismo del conjunto de entrenamiento; no se debe entrenar con casos que jamás podrían ocurrir
ni excluir eventos críticos que sí aparecen en campo (Tariq y Shaikh, 2025).
La tercera etapa es la asimilación inter-pozo. REROSIM se calibra con datos reales de
tasas, temperaturas, presiones y respuestas de productores. Así, la conectividad operativa puede
diferir de la conectividad geológica esperada. Esta diferencia no se trata como error, sino como
señal de aprendizaje: puede revelar una fractura, un canal de alta permeabilidad, una barrera no
mapeada, un daño localizado o una comunicación vertical no anticipada (Yan et al., 2025).
La cuarta etapa es la vigilancia mecánica. El módulo SLR se actualiza con cargas
superficiales y eventos de bombeo, calculando estado normal, desviaciones y alarmas. Cuando
el optimizador prueba escenarios de redistribución de vapor, consulta este módulo para evitar
recomendar cambios que superen la tolerancia mecánica de productores sensibles. De esta
forma, el gemelo digital deja de ser un optimizador de barrido aislado y se convierte en un sistema
de gestión de confiabilidad integral (Jung et al., 2026).
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 80
2. Metodología propuesta para implantación en campo
La implantación debe realizarse por fases, con entregables verificables y criterios de
avance:
Fase cero, es una evaluación de madurez digital: disponibilidad de datos, confiabilidad de
sensores, historial de fallas, estructura de bases de datos, estándares de nomenclatura,
capacidad de cómputo y patrocinio operacional. Sin esta revisión, el proyecto corre el riesgo de
construir un modelo sofisticado sobre datos débiles.
Fase uno, consiste en seleccionar un piloto de tamaño manejable: un patrón térmico, un
bloque con historia representativa o un conjunto de inyectores y productores con alta prioridad de
valor. El piloto debe tener suficiente variabilidad operacional para aprender, pero no tanta
complejidad que impida cerrar el ciclo. Se recomienda incluir pozos con buena instrumentación,
productores con levantamiento por varillas y al menos un historial de ajustes de vapor.
Fase dos, construye el modelo físico base. El equipo de yacimientos define casos de
simulación térmica que cubren incertidumbres relevantes. El objetivo no es reproducir cada
detalle del campo desde el inicio, sino crear una biblioteca de respuestas físicamente plausibles.
Sobre esta biblioteca se entrena el GNN y se evalúan métricas de error en presión, temperatura,
saturación y producción incremental. Los casos que generen mayor error se revisan para ampliar
entrenamiento o ajustar arquitectura.
Fase tres, calibra REROSIM con datos de campo. Se calculan matrices de conectividad,
retardos y eficiencia térmica. Los resultados se contrastan con conocimiento geológico, pruebas
de trazadores, tendencias de temperatura, mapas de presión y experiencia de operación. Las
conexiones fuertes y no explicadas se marcan como hipótesis para investigación; las conexiones
esperadas pero ausentes se revisan por posible daño, barrera o falta de comunicación (Yan et
al., 2025).
Fase cuatro, implementa SLR. Se define el periodo normal por pozo, se limpian outliers, se
calculan cargas normalizadas y se entrenan reglas o modelos de alarma. El equipo de producción
valida si las alarmas corresponden a eventos reales o a cambios operacionales benignos. Esta
revisión es clave para evitar fatiga de alarmas. Una alarma útil debe ser suficientemente temprana
para actuar y suficientemente precisa para merecer atención (Jung et al., 2026).
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 81
Fase cinco, integra los módulos en un tablero de decisiones. El usuario debe poder ver el
mapa térmico estimado por GNN, matriz de conectividad REROSIM, estado SLR por productor,
escenarios comparativos y recomendación final. La recomendación debe incluir explicación: ¿qué
cambió?, ¿qué pozos se benefician?, ¿qué restricciones aplican?, ¿cuál es el riesgo? y ¿qué
datos se usarán para verificar el resultado? La adopción depende de que los ingenieros puedan
auditar el razonamiento del gemelo (Tariq y Shaikh, 2025; Yan et al., 2025; Jung et al., 2026).
3. Resultados
El éxito de la integración tecnológica en la industria petrolera depende de la sinergia entre
la precisión de los datos y su ejecución en campo. En esta sección, se presentan y analizan los
resultados clave obtenidos en la investigación, estructurados en cinco ejes fundamentales. En
primer lugar, se evalúa la gobernanza de datos como pilar de la calidad de la información,
seguido del valor operativo que aporta la convergencia tecnológica. Asimismo, se examinan los
escenarios de aplicación específicos en yacimientos de crudo pesado y se realiza la validación
de las técnicas mediante métricas de desempeño. Finalmente, se identifican los riesgos
técnicos críticos y se proponen sus respectivas estrategias de mitigación para garantizar la
viabilidad del proyecto.
3.1. Gobernanza de datos y calidad de la información
La gobernanza de datos no es un asunto administrativo; es una condición técnica. Los
modelos integrados requieren que la tasa de vapor, calidad, presión de inyección, temperatura,
producción de aceite y agua, velocidad de bombeo, cartas dinamométricas y los eventos de
mantenimiento estén sincronizados en el tiempo. Una recomendación de redistribución de vapor
puede fracasar si el modelo atribuye a conectividad lo que en realidad fue un cambio de bomba
o una reparación de superficie.
Se recomienda diseñar un modelo de datos común por pozo y por evento. Cada registro
debe tener identificador único, fecha y hora, fuente, unidad, calidad, estado de validación y
relación con eventos. Los eventos son tan importantes como los valores continuos: cambios de
velocidad, intervención con guaya, limpieza, falla eléctrica, cierre por mantenimiento, modificación
de estrangulador, prueba de presión, ajuste de vapor, tratamiento químico o cambio de equipo.
Sin eventos, el modelo puede interpretar discontinuidades como señales de yacimiento.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 82
La calidad debe medirse mediante indicadores: porcentaje de datos faltantes, número de
outliers removidos, retraso de actualización, discrepancia entre mediciones redundantes,
trazabilidad de correcciones y estabilidad de sensores. Estos indicadores deben mostrarse junto
con las predicciones. Si la confianza del dato baja, la confianza de la recomendación también
debe bajar. Un gemelo digital responsable no oculta incertidumbre; la cuantifica y la comunica.
El aprendizaje continuo requiere versionamiento. Cada cambio de entrenamiento,
calibración REROSIM, umbral SLR o regla de negocio debe quedar registrado. Cuando una
recomendación produce buen resultado, se documenta la condición que la hizo exitosa. Cuando
falla, se analiza si el problema fue dato, modelo, hipótesis física o ejecución. Esta disciplina
convierte el piloto en una memoria técnica acumulativa y no en una aplicación aislada.
Valor operativo de la convergencia
El primer valor operativo es la velocidad. Un GNN entrenado puede evaluar escenarios de
vapor en tiempos incompatiblemente menores que una simulación térmica completa. Esto permite
explorar combinaciones de tasas, restricciones de presión, cierres temporales y redistribuciones
sin esperar ciclos largos. La velocidad no debe confundirse con licencia para decidir sin revisión;
debe usarse para ampliar el espacio de alternativas y seleccionar las mejores para análisis de
ingeniería.
El segundo valor es la interpretabilidad inter-pozo. REROSIM ayuda a explicar por qué un
escenario es recomendado. Si el GNN sugiere que aumentar vapor en un inyector mejora
temperatura en una zona, REROSIM puede mostrar qué productores recibirían la energía y con
qué retardo. Si la conexión se asocia a canalización, la estrategia puede cambiar de aumento de
vapor a control de perfil, reducción de tasa o redistribución hacia otro patrón.
El tercer valor es la confiabilidad. SLR introduce una métrica que obliga a mirar el sistema
de levantamiento artificial como parte del yacimiento extendido. En campos térmicos, el mejor
barrido no genera valor si se pierde producción por fallas recurrentes. El módulo mecánico
permite priorizar mantenimiento preventivo, ajustar velocidad, modificar bombas o planificar
intervenciones antes de que la falla cause pérdida de producción (Jung et al., 2026; Takacs,
2015).
El cuarto valor es la integración multidisciplinaria. Geología aporta restricciones y barreras;
yacimientos define física y escenarios; producción valida levantamiento y condiciones de pozo;
mantenimiento interpreta fallas; operaciones ejecuta cambios; economía evalúa valor. El gemelo
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 83
digital se convierte en un espacio común donde cada disciplina ve cómo su información modifica
la decisión final.
3.2. Escenarios de aplicación en campos de crudo pesado
En un patrón de inyección continua de vapor, el sistema puede usarse para balancear
energía. El GNN predice cómo se moverá el frente térmico ante cambios de tasa. REROSIM
identifica si la energía se dirige a productores con petróleo remanente o se recicla hacia pozos
con alto corte de agua. SLR evalúa si los productores receptores pueden operar con el cambio
previsto. La recomendación final podría ser aumentar vapor en un inyector, reducir otro, limitar
velocidad de bombeo en un productor vulnerable y programar medición de temperatura para
validar.
En un proceso cíclico tipo huff and puff, el gemelo puede aprender la relación entre volumen
de vapor, tiempo de remojo, producción posterior, enfriamiento y fatiga operativa. REROSIM
puede adaptarse para conexiones entre ciclos y vecinos afectados; el GNN estima distribución
de calor alrededor del pozo; SLR vigila el retorno a producción, etapa en la que las cargas pueden
cambiar por variación de viscosidad, gas, emulsiones o llenado.
En campos con canalización térmica, la convergencia puede identificar rutas de baja
eficiencia. Un incremento rápido de temperatura en un productor, acompañado de poca
producción incremental y conectividad REROSIM fuerte, sugiere que el vapor viaja por una vía
preferencial. El plan podría incluir reducción de tasa, gel térmico, cambio de patrón, cierre
temporal o redistribución a zonas menos drenadas. SLR añade una dimensión adicional: un
productor con vapor cercano puede sufrir condiciones de bombeo distintas y requerir adaptación
mecánica (Yan et al., 2025; Jung et al., 2026).
En campos con alta incertidumbre geológica, el sistema permite organizar campañas de
datos. Las conexiones REROSIM no explicadas por el modelo estático pueden priorizar
trazadores, registros de temperatura, pruebas de presión o actualización de facies. Las zonas
donde el GNN muestra alta incertidumbre pueden recibir nuevos escenarios de simulación o datos
de campo. Así, el gemelo no sólo responde preguntas; también indica qué datos reducen más
incertidumbre (Tariq y Shaikh, 2025; Yan et al., 2025).
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 84
3.3. Validación de técnicas y métricas de desempeño
La validación debe cubrir tres niveles:
El primero es la validez del GNN térmico frente al simulador de referencia. Se deben medir
errores en presión, temperatura, saturación, producción acumulada, tiempo de llegada térmica y
balance de energía. No basta con un error global bajo; el modelo debe ser preciso en zonas de
decisión, especialmente cerca de pozos, frentes térmicos, límites de presión y áreas de petróleo
remanente (Tariq y Shaikh, 2025).
El segundo nivel es la validez de REROSIM frente al comportamiento de campo. Las
métricas incluyen ajuste de tasas, temperatura, corte de agua, producción incremental, retardo
de respuesta, consistencia de conectividad con trazadores y estabilidad temporal de la matriz. Un
buen REROSIM no tiene que replicar cada fluctuación diaria; debe capturar relaciones útiles para
decidir. La interpretación debe revisarse con geología y operaciones para evitar falsas conexiones
inducidas por eventos no registrados.
El tercer nivel es la validez del SLR como predictor de riesgo. Las métricas incluyen
precisión, recall, F1, anticipación promedio de fallas, tasa de falsas alarmas, reducción de tiempo
fuera de servicio y aceptación por el equipo de producción. En etapas tempranas, la métrica más
importante puede ser utilidad práctica: cuántas alarmas permitieron una acción preventiva
razonable. A medida que se acumulan datos, se puede entrenar un modelo más robusto y estimar
beneficios económicos (Jung et al., 2026).
La validación integrada debe medir valor de decisión. Se comparan escenarios
recomendados contra línea base: producción incremental, consumo de vapor por barril
incremental, reducción de agua producida, estabilidad de presión, número de fallas mecánicas,
tiempo no productivo, costo de mantenimiento y variabilidad de operación. La convergencia sólo
se justifica si mejora indicadores de yacimiento y confiabilidad al mismo tiempo.
3.4. Riesgos técnicos y mitigación
El primer riesgo es la extrapolación. Un GNN puede ser muy preciso dentro del rango de
entrenamiento y fallar fuera de él. Si el campo opera con tasas, presiones o calidades de vapor
no incluidas en los escenarios físicos, la predicción pierde confiabilidad. La mitigación es definir
límites de validez, detectar condiciones fuera de dominio y redirigir casos extremos al simulador
convencional antes de recomendar cambios (Tariq y Shaikh, 2025).
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 85
El segundo riesgo es la no unicidad de conectividad. Distintas matrices REROSIM pueden
explicar datos similares si la información es insuficiente. La mitigación combina regularización
física, edades geológicas, trazadores, pruebas de presión y revisión multidisciplinaria. La
conectividad no debe interpretarse como verdad absoluta, sino como hipótesis dinámica con
incertidumbre (Yan et al., 2025).
El tercer riesgo es la fatiga de alarmas SLR. Si los umbrales son demasiado sensibles, el
personal deja de confiar en el sistema. Si son demasiado laxos, la alerta llega tarde. La mitigación
es calibrar por pozo, usar ventanas móviles, distinguir alarmas informativas de críticas, registrar
acciones tomadas y ajustar umbrales con retroalimentación operacional (Jung et al., 2026).
El cuarto riesgo es la fragmentación organizacional. Un gemelo digital integrado requiere
acuerdos entre yacimientos, producción, mantenimiento y tecnología. Si cada área usa
nomenclaturas, bases de datos y criterios distintos, la integración se vuelve frágil. La mitigación
es nombrar responsables de datos, definir estándares de eventos y establecer reuniones
periódicas donde las recomendaciones se revisen con evidencia.
3.5. Análisis y discusión de resultados
En esta sección se evalúan y discuten, de forma crítica, los hallazgos de la investigación,
conectando los fundamentos teóricos con la viabilidad práctica en el entorno industrial. El análisis
parte de las discusiones estratégicas que justifican el modelo, para luego profundizar en la
optimización operacional a través de la definición de su función objetivo y restricciones. Con el
fin de garantizar la aplicabilidad real, se aborda la explicabilidad y aceptación del sistema por
parte de los equipos de campo, seguida de la propuesta estructural para el diseño de un piloto.
Asimismo, se evalúan los requerimientos computacionales y la escalabilidad de la
arquitectura tecnológica, complementados con un balance de los indicadores económicos y de
sostenibilidad operacional. Finalmente, se examinan con transparencia las limitaciones del
enfoque y se ofrece la formulación mínima junto al pseudocódigo operativo que sirve de
guía para su implementación.
Discusiones estratégicas
La convergencia GNN-REROSIM-SLR representa un cambio de enfoque: de modelos que
describen el pasado hacia sistemas que recomiendan acciones bajo incertidumbre. El valor
técnico de esta propuesta radica en conectar inteligencia artificial con problemas concretos y
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 86
maximizar la recuperación de los campos maduros, reducir consumo de energía, evitar fallas
mecánicas y transformar datos dispersos en decisiones auditables.
El enfoque también es coherente con una visión de integración energética. La eficiencia
térmica no es sólo una métrica de yacimiento; tiene implicaciones de consumo de combustible,
emisiones, costos y sostenibilidad. Un barril incremental obtenido con menor vapor por barril,
menor tiempo fuera de servicio y menos intervenciones correctivas tiene una huella operacional
más favorable. En ese sentido, el gemelo digital térmico puede ser una herramienta de
productividad y de gestión responsable de energía.
Desde el punto de vista de investigación aplicada, el marco abre líneas de trabajo. La
primera es construir datasets térmicos sintéticos para entrenamiento GNN en geometrías
representativas de crudos pesados. La segunda es desarrollar REROSIM térmico con variables
de entalpía y temperatura. La tercera es adaptar SLR a pozos térmicos con levantamiento por
varillas, considerando efectos de viscosidad, temperatura y ciclos. La cuarta es diseñar tableros
con explicabilidad, donde cada recomendación incluya por qué técnico (Yan et al., 2025).
La propuesta no busca presentar la inteligencia artificial como sustituto del criterio experto.
Al contrario, ubica la experiencia de ingeniería como condición de diseño, calibración, validación
y adopción. La IA acelera, ordena y detecta patrones; la ingeniería define límites, interpreta
causas y decide acciones de campo. El resultado más deseable es una alianza: algoritmos
rápidos con juicio técnico maduro.
Optimización operacional: función objetivo y restricciones
La convergencia propuesta permite formular una función objetivo más realista que la
maximización simple de producción. En un campo térmico, el objetivo debe considerar petróleo
incremental, consumo de vapor, costo energético, manejo de agua, estabilidad de presión, riesgo
mecánico y capacidad de facilidades. Una formulación práctica puede maximizar valor neto
esperado/periodo, restando costo de generación y distribución de vapor, costo de mantenimiento
asociado al riesgo SLR y penalización por operar cerca de límites de presión o temperatura.
El GNN aporta velocidad para evaluar miles de combinaciones de tasas de vapor.
REROSIM reduce el problema al mostrar qué conexiones son más sensibles y cuáles responden
con retardo. SLR agrega una penalización por productor cuando el escenario exige condiciones
que pueden deteriorar la bomba. El optimizador no busca el mayor calentamiento, sino el mayor
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 87
valor sostenible: calor aplicado donde produce petróleo, con equipos capaces de sostener el
nuevo régimen y con incertidumbre dentro de límites aceptables.
Las restricciones deben definirse con participación de operaciones. Entre ellas se incluyen
presión máxima de inyección, capacidad de generación de vapor, límites de calidad,
disponibilidad de líneas, restricciones ambientales, límites de producción de agua, presión de
fondo de productores, capacidad de separación y categoría de integridad mecánica. Un pozo en
categoría roja por SLR puede permanecer en el modelo, pero con tasa de cambio limitada o con
bloqueo temporal para recomendaciones agresivas.
La optimización debe operar en dos horizontes. El horizonte táctico, diario o semanal, ajusta
tasas dentro de rangos seguros. El horizonte estratégico, mensual o trimestral, evalúa cambios
de patrón, nuevas conversiones, trabajos de control de perfil, perforación de infill o rediseño del
esquema térmico. En ambos casos, el valor del sistema es la trazabilidad: cada recomendación
debe mostrar qué predijo el GNN, qué conexión justificó REROSIM, qué restricción impuso SLR
y qué indicador económico motivó la decisión.
Explicabilidad y aceptación por los equipos de campo
La aceptación de un gemelo digital no depende sólo de la exactitud estadística; depende
de que los usuarios reconozcan una lógica de ingeniería. Un tablero que muestre únicamente una
tasa recomendada sin explicación genera resistencia. En cambio, una recomendación
acompañada por conectividad, sensibilidad térmica, estado mecánico y rango de incertidumbre
facilita la discusión técnica. La explicabilidad debe diseñarse desde el inicio y no agregarse al
final como elemento decorativo.
Para el GNN, la explicabilidad puede apoyarse en mapas de sensibilidad, importancia de
atributos y comparación contra escenarios físicos. El usuario debe poder identificar si la
predicción se debe a permeabilidad, temperatura inicial, presión, cambio de vapor o cercanía a
una conexión dominante. Para REROSIM, la explicación es más directa: fracciones de
contribución, retardos, conexiones fuertes y eficiencia por unidad de calor. Para SLR, la señal
debe mostrar evolución temporal, rango normal y eventos que explican la desviación.
Una práctica recomendada es usar fichas de decisión por recomendación. Cada ficha
incluye descripción del cambio propuesto, beneficio esperado, pozos impactados, evidencia
GNN, evidencia REROSIM, estado SLR, restricciones, incertidumbre, plan de seguimiento y
fecha de revisión. Estas fichas convierten la IA en un proceso auditable y sirven para el
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 88
aprendizaje organizacional. Si la recomendación se ejecuta, se compara el resultado contra
pronóstico; si no se ejecuta, se documenta la causa.
La adopción también mejora cuando el sistema reconoce conocimiento experto. Los
ingenieros deben poder bloquear una conexión por evidencia geológica, ajustar un rango de
presión por experiencia de campo o marcar un evento no capturado automáticamente. El gemelo
digital debe ser interactivo: aprende de datos, pero también de observaciones técnicas
verificables. Esta interacción evita el falso dilema entre modelo y experiencia.
Diseño de un piloto
Un piloto venezolano debería enfocarse en un área donde exista historia de inyección de
vapor, mediciones de producción confiables y equipos de levantamiento con datos de cargas
superficiales. La selección del patrón no debe basarse únicamente en producción alta; conviene
escoger un bloque donde existan problemas visibles de eficiencia térmica, variabilidad inter-pozo
y fallas mecánicas recurrentes. Allí la convergencia puede mostrar beneficios en tres
dimensiones: más producción, menos vapor desperdiciado y menos paradas.
El primer entregable del piloto sería una línea base integrada. Esta línea base debe
documentar producción por pozo, vapor acumulado, relación vapor-petróleo, temperatura de
producción, corte de agua, eventos de falla, frecuencia de intervención, disponibilidad mecánica
y costos asociados. Sin línea base, no es posible demostrar valor. La línea base también debe
separar producción incremental atribuible a vapor de fluctuaciones por mantenimiento, cambios
de bomba o condiciones de superficie.
El segundo entregable sería un mapa de conectividad térmica. Este mapa puede revelar
patrones intuitivos y no intuitivos. Las conexiones intuitivas validan el modelo y generan
confianza; las no intuitivas abren preguntas técnicas. Por ejemplo, una conexión fuerte entre
inyector y productor alejados puede sugerir canal de alta permeabilidad, comunicación vertical o
evento operacional mal registrado. La decisión no es aceptar ciegamente la matriz, sino
convertirla en hipótesis de trabajo para confirmar con datos.
El tercer entregable sería un ranking de pozos por oportunidad y riesgo. La oportunidad se
calcula con potencial de respuesta térmica y eficiencia de vapor; el riesgo se calcula con SLR,
historial de fallas, exposición térmica y criticidad operacional. Este ranking ayuda a decidir dónde
ejecutar ajustes de vapor, dónde instalar mejores sensores, dónde hacer mantenimiento
preventivo y dónde no conviene forzar producción hasta resolver integridad.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 89
Requerimientos computacionales y escalabilidad
El entrenamiento de GNN sobre datos espacio - temporales de yacimiento puede ser
intensivo en memoria y tiempo, especialmente, si se usan mallas de alta resolución y horizontes
largos. La literatura base muestra que el entrenamiento multi-GPU, el paralelismo de datos, el
almacenamiento local de caché y el procesamiento por lotes conscientes del dominio reducen
cuellos de botella. Para un piloto, no siempre se requiere un clúster grande, pero sí una
arquitectura escalable que pueda crecer desde un bloque hasta un activo completo (Tariq y
Shaikh, 2025).
La estrategia recomendada es iniciar con subgrafos. En lugar de entrenar sobre todo el
campo, se agrupan patrones o regiones con continuidad operativa. Esto reduce tamaño, acelera
iteración y permite detectar errores de datos más rápido. Cuando el piloto madura, se conectan
subgrafos mediante aristas de borde que representan comunicación entre patrones. Este enfoque
modular también facilita que diferentes equipos trabajen por áreas y luego integren resultados
(Tariq y Shaikh, 2025).
El sistema debe separar entrenamiento e inferencia. El entrenamiento puede ejecutarse en
ventanas programadas, usando simulaciones físicas y datos históricos revisados. La inferencia
debe ser suficientemente rápida para correr escenarios operativos y actualizar tableros.
REROSIM y SLR pueden actualizarse con mayor frecuencia que el GNN si llegan nuevos datos
de producción y cargas. Esta asincronía es útil: no todos los módulos necesitan reentrenarse al
mismo ritmo (Tariq y Shaikh, 2025; Yan et al., 2025; Jung et al., 2026).
También es importante definir almacenamiento reproducible. Los datasets de
entrenamiento, modelos, parámetros REROSIM, umbrales SLR y resultados de escenarios deben
versionar. Si una recomendación tomada en marzo debe revisarse en junio, el equipo debe poder
reconstruir con qué modelo, qué datos y qué supuestos se generó. La trazabilidad no es
burocracia; es gestión de riesgo técnico.
Indicadores económicos y de sostenibilidad operacional
El indicador clásico de proyectos térmicos es la relación vapor-petróleo, pero la
convergencia permite ampliar el tablero. Se recomienda medir barriles incrementales / tonelada
equivalente de vapor, energía consumida/barril incremental, reducción de vapor reciclado,
producción diferida evitada por mantenimiento preventivo, reducción de fallas/ mil días de
operación, costo de intervención/barril incremental y disponibilidad de equipos críticos.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 90
La sostenibilidad operacional se refleja en usar menos energía para obtener el mismo o
mayor volumen de petróleo. Un patrón donde el vapor circula por canales preferenciales consume
combustible, agua tratada y capacidad de generación sin generar barrido proporcional. REROSIM
ayuda a detectar esa ineficiencia; el GNN estima alternativas de redistribución; SLR evita que el
ajuste se transforme en fallas mecánicas. El resultado puede ser una reducción simultánea de
costo energético y tiempo no productivo.
La evaluación económica debe considerar incertidumbre. No se recomienda reportar una
única cifra de producción incremental, sino rangos asociados a escenarios de conectividad,
desempeño mecánico y calidad de datos. Un caso base, un caso conservador y un caso optimista
permiten comunicar mejor la decisión. Cuando la incertidumbre sea alta, la recomendación puede
ser adquirir datos adicionales antes de ejecutar cambios irreversibles.
En términos de gobernanza corporativa, el sistema puede contribuir a justificar inversiones
en sensores, cómputo y mantenimiento predictivo. Si el piloto demuestra que mejores datos
reducen vapor desperdiciado o evitan fallas, la infraestructura digital deja de verse como gasto
tecnológico y se convierte en habilitador de producción rentable.
Limitaciones del enfoque propuesto
La primera limitación es que el artículo propone un marco conceptual aplicado, no una
validación con datos de campo propios. Por lo tanto, las ecuaciones, flujos de trabajo y métricas
deben interpretarse como diseño metodológico. La implantación real requiere simulaciones
térmicas, datos históricos, sensores, validación con expertos y análisis económico específico del
activo.
La segunda limitación es que la transferencia desde CO2 a vapor exige modificaciones
sustantivas. Un GNN entrenado para CO2 no puede usarse directamente para vapor. Deben
cambiarse variables, pérdidas, escenarios, datos y controles. La contribución es la estructura de
aprendizaje en grafos, no los pesos de un modelo entrenado en otra física (Tariq y Shaikh, 2025).
La tercera limitación se relaciona con REROSIM. Al ser una simplificación inter-pozo, puede
perder detalle local y confundir efectos simultáneos si los datos de eventos son pobres. Su
fortaleza es la velocidad y la interpretación, no la sustitución de modelos térmicos detallados en
decisiones de diseño mayor (Yan et al., 2025).
La cuarta limitación corresponde a SLR. La métrica se desarrolló para bombas de varillas y
debe adaptarse con cuidado a condiciones térmicas, crudos viscosos, cambios de régimen y
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 91
particularidades de completación. Para equipos de levantamiento distintos, se requerirían
métricas equivalentes de integridad mecánica (Jung et al., 2026; Takacs, 2015).
Formulación mínima y pseudocódigo operativo
El flujo operativo puede resumirse en una secuencia reproducible. Primero, se actualizan
datos de campo y se valida la calidad. Segundo, se calcula el estado mecánico por pozo mediante
SLR y se asigna categoría de integridad. Tercero, se actualiza REROSIM con tasas, temperaturas
y eventos recientes para recalcular conectividad y retardos. Cuarto, se ejecutan escenarios de
vapor en el GNN térmico dentro de límites de validez. Quinto, se comparan escenarios con una
función objetivo que incorpora producción incremental, eficiencia térmica, restricciones de presión
y penalización mecánica.
En pseudocódigo de ingeniería: para cada patrón, leer datos validados; si calidad de datos
es insuficiente, emitir recomendación de adquisición antes de optimizar; calcular SLR por
productor; actualizar conectividad REROSIM; generar conjunto de escenarios de vapor; estimar
respuesta térmica con GNN; descartar escenarios que violen límites de presión, vapor o
integridad; ordenar escenarios por valor esperado; entregar recomendación con evidencia y plan
de verificación.
La fórmula conceptual de SLR usada como señal primaria puede escribirse como SLR =
(Lmin/Lmin_normal) /(Lmax/Lmax_normal). Para el índice de integridad se puede usar una
combinación ponderada: IM = w1·|SLR−1| + w2·AFR + w3·sigma_carga + w4·E_eventos +
w5·E_termica, donde AFR es la frecuencia de anormalidad en ventana móvil, sigma_carga
representa variabilidad y E_eventos/E_termica incorporan contexto operacional. Los pesos deben
calibrarse por campo y por tipo de equipo (Jung et al., 2026).
La respuesta inter-pozo térmica puede expresarse como Rj(t)=Σ fij·Ui(t−tauij) + Dj(t), donde
Ui puede ser tasa de vapor, entalpía o calor útil acumulado. Esta ecuación no reemplaza el
simulador térmico; es una representación reducida para interpretar conectividad y asignar
responsabilidades de respuesta entre inyectores y productores. Cuando REROSIM y GNN
discrepan, la divergencia debe tratarse como oportunidad de diagnóstico: puede indicar datos
faltantes, evento no registrado, conectividad no modelada o escenario fuera del dominio de
entrenamiento (Yan et al., 2025).
La disciplina de cierre del ciclo es esencial. Cada recomendación debe tener una hipótesis
medible: incremento esperado, tiempo de respuesta, pozos impactados y señal mecánica
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 92
esperada. Después de la ejecución, el equipo compara el resultado real, actualiza los módulos y
decide si la política queda aceptada, ajustada o descartada. Así el gemelo digital evoluciona como
sistema de aprendizaje operacional y no como reporte estático.
Conclusiones
La integración de GNN, REROSIM y SLR permite diseñar un gemelo digital de inyección de
vapor con tres capacidades complementarias: modelado físico rápido, interpretación inter-pozo y
vigilancia de integridad mecánica. Esta combinación responde mejor a la realidad de campos
maduros que un modelo único enfocado sólo en producción (Figura 1).
Figura 1: Arquitectura de convergencia GNN–REROSIM–SLR para un gemelo digital térmico
Fuente: elaboración propia con base conceptual en Tariq y Shaikh (2025), Yan et
al. (2025) y Jung et al. (2026).
La transferencia de GNN desde aplicaciones de CO2 hacia vapor es técnicamente viable
como línea de investigación aplicada, siempre que se incorporen variables térmicas, balance de
energía, calidad de vapor, condensación y dependencia de viscosidad con temperatura. El
sustituto no reemplaza el simulador físico; lo convierte en motor de entrenamiento y validación
para decisiones rápidas (Tariq y Shaikh, 2025).
REROSIM aporta una capa de conectividad dinámica que traduce mapas y predicciones a
relaciones inyector-productor accionables. Su extensión térmica puede identificar reciclaje de
calor, canales preferenciales, retardos útiles y oportunidades de redistribución de vapor (Yan et
al., 2025).
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 93
SLR convierte la integridad mecánica en restricción de optimización y no en análisis
posterior a la falla. La producción incremental debe evaluarse junto con el riesgo de bombas,
varillas y continuidad operacional (Jung et al., 2026).
La metodología propuesta debe implementarse por fases: calidad de datos, piloto,
simulación base, entrenamiento GNN, calibración REROSIM, despliegue SLR, integración en
tablero, validación y aprendizaje continuo. La gobernanza de eventos y la revisión
multidisciplinaria son condiciones críticas de éxito. (Figura 2).
Figura 2. Esquema de grafo térmico: la malla de yacimiento se interpreta como nodos conectados y
como vínculos inter-pozo dominantes.
Fuente: elaboración propia.
El valor estratégico de la convergencia está en decidir mejor y más rápido: menos vapor
desperdiciado, mayor barrido efectivo, menor tiempo no productivo, intervenciones priorizadas y
una cultura técnica donde los datos se convierten en acciones trazables.
La figura 3 muestra la ruta de implantación por etapas para un piloto de gemelo digital de
inyección de vapor.
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 94
Figura 3. Ruta de implantación por etapas para un piloto de gemelo digital de inyección de vapor.
Fuente: elaboración propia.
En las tablas del 1 al 3 se presentan:
Esquemas mínimos de datos para el gemelo digital térmico (Fuente: elaboración propia)
Métricas de validación recomendadas por capa del modelo
Fases de ejecución sugeridas para un piloto PetroRenova de gemelo digital térmico (Fuente:
elaboración propia)
Tabla 1. Esquema mínimo de datos para el gemelo digital térmico
Dominio
Variables mínimas
Uso en GNN
Uso en
REROSIM
Uso en SLR /
integridad
Yacimiento
Porosidad,
permeabilidad, espesor,
facies, profundidad,
presión, saturaciones,
viscosidad.
Atributos de
nodos y
condiciones
iniciales.
Restricciones
geológicas
para
conectividad.
Contexto de
riesgo por fluido
y régimen.
Vapor
Tasa, calidad, presión,
temperatura, entalpía,
tiempo de ciclo,
pérdidas estimadas.
Control
dinámico y
balance de
energía.
Señal de
entrada por
inyector y
retardo
térmico.
Evento
operacional que
puede modificar
cargas.
Producción
Aceite, agua, gas,
temperatura, presión de
fondo/cabeza, corte de
agua, pruebas.
Salidas y
validación por
pozo.
Respuesta
por productor
y eficiencia
de conexión.
Condiciones que
explican
desviaciones de
carga.
Levantamiento
Cargas
mínimas/máxima,
velocidad, carrera,
torque, estado de
bomba, eventos.
Variable auxiliar
para escenarios
operativos.
Restricción
de
producción
por
productor.
Cálculo SLR,
alarmas,
clasificación de
riesgo.
Eventos
Cierres, intervenciones,
cambios de bomba,
tratamientos, ajustes de
vapor, fallas.
Etiquetas y
discontinuidades
controladas.
Evita atribuir
eventos a
conectividad
falsa.
Etiquetas para
entrenamiento de
falla.
Fuente: elaboración propia
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 95
Tabla 2. Métricas de validación recomendadas por capa del modelo
Capa
Métricas técnicas
Criterio de aceptación
inicial
Decisión habilitada
GNN térmico
RMSE/MAE de presión,
temperatura y saturación;
error de llegada térmica;
balance de energía.
Error estable en zonas de
pozo y sin deriva relevante
en horizonte de
pronóstico.
Evaluar escenarios
de vapor y
sensibilidad
operacional.
REROSIM
Ajuste de producción,
corte de agua,
temperatura, retardo,
estabilidad de
conectividad.
Conexiones coherentes
con datos y geología;
incertidumbre
documentada.
Redistribuir vapor,
detectar canalización,
priorizar trazadores.
SLR
F1, recall, falsas alarmas,
anticipación de falla,
tiempo no productivo
evitado.
Alarmas accionables y
validadas por
producción/mantenimiento.
Planificar
mantenimiento,
ajustar velocidad y
limitar escenarios
riesgosos.
Integración
NP incremental, vapor por
barril, disponibilidad
mecánica, costo por barril
incremental.
Mejora frente a línea base
y revisión
multidisciplinaria.
Emitir recomendación
operativa trazable.
Fuente: elaboración propia
Tabla 3. Fases de ejecución sugeridas para un piloto PetroRenova de gemelo digital térmico
Fase
Actividad
Entregable
Riesgo de no ejecutar
0
Evaluación de madurez
digital y calidad de
datos.
Inventario de datos, brechas,
diccionario y plan de limpieza.
Entrenar modelos con
información inconsistente.
1
Selección de patrón
piloto y objetivos de
valor.
Alcance, KPIs, línea base y
criterios de éxito.
Piloto demasiado amplio o sin
impacto medible.
2
Biblioteca de simulación
térmica.
Casos físicos para
entrenamiento y validación
GNN.
Sustituto rápido sin
fundamento físico suficiente.
3
Entrenamiento y prueba
del GNN.
Modelo térmico con límites de
validez y métricas.
Predicciones rápidas, pero no
confiables fuera del rango.
4
Calibración REROSIM
térmica.
Matriz de conectividad,
retardos y eficiencia térmica.
Recomendaciones sin
explicación interpozo.
5
Implementación SLR.
Umbrales por pozo, alarmas y
categorías de integridad.
Optimizar vapor ignorando
riesgo mecánico.
6
Tablero integrado y
cierre de ciclo.
Recomendaciones,
seguimiento y aprendizaje
continuo.
No convertir análisis en
acciones de campo.
Fuente: elaboración propia
Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load Ratio
para gemelos digitales de inyección de vapor
Romero, Isbelis
PetroRenova Indexed. Revista Científica de la Energía
Vol. 2(3), 70-96, julio-septiembre, 2026.
Página 96
Referencias
Jung, Y., Kim, Y., Oh, B., Jun, J., Sun, W. y Jeong, H. (2026). Prediction of Sucker Rod Pump Failures Using
Scaled Load Ratios and Machine Learning. SPE Journal. SPE-233386-PA.
Tariq, Z. y Shaikh, M. (2025). Fast, Scalable, and Memory-Efficient High-Performance Graph Neural
Networks for Subsurface in Porous Media Simulations using Multi-GPU Parallelism. SPE-229244-MS.
Society of Petroleum Engineers. https://doi.org/10.2118/229244-MS
Yan, L., Zhou, Z., Li, B., Fang, Q., Yuankai y Shi, Z. (2025). A Reservoir Dynamic Prediction Model Based
on the REROSIM Method: Digital Twin and Simulation Studies Driven by Digital Transformation. SPE-
227319-MS. Society of Petroleum Engineers. https://doi.org/10.2118/227319-MS
Takacs, G. (2015). Sucker-Rod Pumping Handbook: Production Engineering Fundamentals and Long-
Stroke Rod Pumping. Elsevier.
Kokal, S. y Sayegh, S. (1995). Asphaltenes: The Cholesterol of Petroleum. SPE 29787.
Shaikh, [Iniciales]. (2025). Automated well optimization. Journal of Petroleum Science and Engineering
(ahora Geoenergy Science and Engineering) presentado en una conferencia de la SPE (Society of
Petroleum Engineers).
Tissot, B. P. y Welte, D. H. (1984). Petroleum Formation and Occurrence. Springer-Verlag.
Declaración de conflicto de interés y originalidad
Conforme a lo estipulado en el Código de ética y buenas prácticas publicado en PetroRenova
Indexed, Revista Científica de la Energía, la autora Romero, Isbelis, declara al Comité Editorial
que no tiene situaciones que representen conflicto de interés real, potencial o evidente, de
carácter académico, financiero, intelectual o con derechos de propiedad intelectual relacionados
con el contenido del artículo: Convergencia estratégica de Redes Neuronales de Grafos,
REROSIM y Scaled Load Ratio para gemelos digitales de inyección de vapor, en relación
con su publicación. De igual manera, declara que el trabajo es original, no ha sido publicado
parcial ni totalmente en otro medio de difusión, no se utilizaron ideas, formulaciones, citas o
ilustraciones diversas, extraídas de distintas fuentes, sin mencionar de forma clara y estricta su
origen y sin ser referenciadas debidamente en la bibliografía correspondiente. Consiente que el
Comité Editorial aplique cualquier sistema de detección de plagio para verificar su originalidad.
La autora declara que, en la preparación de este manuscrito, no utilizó herramientas de
inteligencia artificial generativa para la redacción de textos o interpretación de datos.
Para citar este artículo:
Romero, I. (2026). Convergencia estratégica de Redes Neuronales de Grafos, REROSIM y Scaled Load
Ratio para gemelos digitales de inyección de vapor. PetroRenova Indexed, Revista Científica de la
Energía. Vol. 2, núm. 3(70-96), julio-septiembre, 2026. https://doi.org/10.5281/zenodo.21810662
