BIENVENIDO AL CURSO VIRTUAL EN MODALIDAD ASÍNCRONA
Embedded Files
- Presentación del curso:
En la industria petrolera actual, la toma de decisiones basada en datos se ha convertido en un diferenciador competitivo fundamental. Cada día, los campos de Exploración y Producción (E&P) generan enormes volúmenes de información: tasas de producción, presiones de yacimiento, datos de pozos, registros de operaciones, y un largo etcétera. Sin embargo, gran parte de este valioso activo informativo permanece subutilizado por falta de herramientas y conocimientos para su análisis sistemático.
Este curso de Ciencia de Datos Aplicada a la Exploración y Producción de Petróleo y Gas está diseñado específicamente para profesionales del sector petrolero que desean aprovechar el poder del análisis de datos para optimizar operaciones, identificar oportunidades de mejora y fundamentar decisiones técnicas con evidencia cuantitativa.
A lo largo de 20 horas de formación periodica, los participantes desarrollarán competencias prácticas en el manejo de datos de producción petrolera, desde su extracción y limpieza hasta su visualización y análisis predictivo básico, utilizando las herramientas más demandadas en la industria: Python, Pandas, Matplotlib y Seaborn.
2. ¿Por qué estudiar Ciencia de Datos en E&P?
2. ¿Por qué estudiar Ciencia de Datos en E&P?
La industria de Oil & Gas enfrenta desafíos crecientes: campos maduros con declinación natural, necesidad de optimizar costos operativos, presión por mejorar la eficiencia en la extracción, y la urgencia de tomar decisiones más rápidas y precisas. La ciencia de datos ofrece soluciones concretas a estos retos, permitiendo:
✅Identificar patrones ocultos en datos históricos de producción
✅Detectar anomalías y comportamientos atípicos en pozos
✅Predecir tendencias de producción y comportamiento de yacimientos
✅Optimizar estrategias de completación y levantamiento artificial
✅Reducir la incertidumbre en la estimación de reservas
Sin embargo, para aprovechar estas oportunidades, es necesario contar con profesionales que comprendan tanto los fundamentos de la ingeniería petrolera como las técnicas modernas de análisis de datos. Este curso cierra esa brecha, proporcionando una base sólida y práctica para incursionar en el mundo de la ciencia de datos aplicada al sector upstream.
3. Objetivo:
3. Objetivo:
Objetivo general: Desarrollar en los participantes las competencias básicas necesarias para aplicar técnicas de ciencia de datos en el análisis de información de Exploración y Producción de petróleo y gas, utilizando Python y sus principales librerías de análisis, visualización y modelado predictivo.
Objetivos especificos:
Al finalizar el curso, los participantes serán capaces de:
✅Comprender el ecosistema de datos en operaciones de E&P y su relevancia para la toma de decisiones técnicas.
✅Manipular datos de producción petrolera con Python y la librería Pandas, realizar operaciones de carga, limpieza, transformación y combinación de información proveniente de múltiples fuentes.
✅Analizar estadísticamente el comportamiento de pozos y campos, identificando tendencias, patrones y valores atípicos mediante técnicas de estadística descriptiva.
✅Visualizar datos de producción de manera efectiva y profesional utilizando Matplotlib y Seaborn, generando gráficos técnicos que faciliten la interpretación y comunicación de resultados.
✅Construir modelos predictivos básicos utilizando regresión lineal para estimar variables de producción a partir de datos históricos.
✅Desarrollar un proyecto integrador que aplique de manera completa el flujo de trabajo de ciencia de datos a un caso real de la industria petrolera.
4. Publico dirigido:
4. Publico dirigido:
Este curso está especialmente diseñado para:
✅Ingenieros de Petróleo que desean incorporar herramientas de análisis de datos en su práctica profesional diaria
✅Ingenieros de Yacimientos, Producción y Perforación interesados en optimizar sus procesos mediante el análisis sistemático de datos.
✅Geólogos y Geofísicos que trabajan con grandes volúmenes de datos de subsuelo y buscan herramientas para su análisis.
✅Analistas de Producción responsables del seguimiento y optimización del comportamiento de campos y pozos.
✅Profesionales del sector energético con formación técnica que desean actualizarse en las nuevas tendencias de digitalización y análisis de datos.
✅Estudiantes de últimos semestres de ingeniería de petróleo o carreras afines que buscan adquirir competencias prácticas en ciencia de datos aplicada
Requisitos previos:
✅Conocimientos básicos de computación e informática
✅Familiaridad con hojas de cálculo (Excel o similar)
✅Comprensión básica de conceptos de ingeniería de petróleo (deseable pero no indispensable)
✅No se requiere experiencia previa en programación
5. Modalidad, Duración, Fechas y horarios:
5. Modalidad, Duración, Fechas y horarios:
✅ Virtual asíncrono en plataforma classroom de CENCIP
✅ Son 10 sesiones (8 grabadas y 2 en vivo)
✅ Las sesiones en vivo son para desarrollo de ejercicios y presentación del proyecto de curso
✅ Inicio: 10 de agosto 2026
✅ Duración: 20 horas
✅ Periodo de inscripción: 10 al 28 de agosto.
✅ Horario: flexible a su ritmo. Las sesiones en vivo se comunicará luego.
✅ Fechas de cierre de curso: 31 de octubre (presentación de proyecto)
6. Conoce al Instructor:
6. Conoce al Instructor:
Ingeniero Petroquímico e Ingeniero de Sistemas, con sólida trayectoria en el diseño, optimización y ejecución de proyectos industriales vinculados al sector Oil & Gas. Posee formación especializada en ingeniería de procesos, diseño de sistemas de tuberías, recipientes a presión, perforación de pozos y operación de plantas, lo que le ha permitido liderar iniciativas estratégicas en entornos técnicos complejos.
Se ha desempeñado como especialista en procesos petroquímicos y asesor técnico, combinando simulación avanzada con Aspen HYSYS, automatización industrial, redes IP, IoT y herramientas como Python, MATLAB y Power BI. Ha trabajado en campo optimizando procesos de separación de GLP, mejorando la eficiencia y reduciendo costos mediante soluciones integradas. A lo largo de su carrera, ha dirigido proyectos de infraestructura tecnológica e industrial en empresas como British Telecom Latinoamérica, Networklink y Pequiven, logrando mejoras de eficiencia del 25% y reducciones de costos operativos del 20%. Ha liderado equipos técnicos, gestionado migraciones tecnológicas y ejecutado soluciones de seguridad industrial.
Kelvin Cabrera cuenta con formación técnica en refinación del petróleo, plantas industriales, tanques de almacenamiento y ciclos combinados, respaldada por certificaciones como CCNA, CCDA, VMware y Ethical Hacking, y cursos internacionales impartidos por Structuralia. Ha participado como docente, ponente técnico y autor de artículos sobre transición energética, GNL, tecnologías CCUS y nanomateriales aplicados, tecnologías emergentes en el sector upstream, midstream, downstream consolidándose como un facilitador ideal para cursos enfocados a la ciencia y tecnología energética(Oil&Gas), con un enfoque práctico, actualizado y alineado a estándares internacionales.
7. Temario detallado:
7. Temario detallado:
Módulo 1: Introducción a la Ciencia de Datos en el Sector Upstream
Módulo 1: Introducción a la Ciencia de Datos en el Sector Upstream
Objetivo: Comprender qué es la ciencia de datos y cómo se aplica en la industria petrolera, identificando los tipos de datos más comunes en exploración y producción.
Temario:
✅¿Qué es la Ciencia de Datos? Conceptos básicos y aplicaciones generales
✅Tipos de datos en E&P (Exploración y Producción):
Datos de producción (tasas de petróleo, agua, gas, presiones)
Datos de pozos (profundidad, ubicación, completaciones)
Datos de yacimiento (propiedades de roca y fluidos)
✅Casos de uso reales: ¿Para qué sirve analizar estos datos?
✅Herramientas que usaremos: Python, Pandas, Matplotlib, Seaborn
Caso Práctico: Revisión de ejemplos visuales de análisis de datos en campos petroleros venezolanos.
Módulo 2: Fundamentos de Programación en Python para E&P
Módulo 2: Fundamentos de Programación en Python para E&P
Objetivo: Aprender los conceptos básicos de programación en Python necesarios para manipular datos de producción.
Temario:
✅ Variables y tipos de datos (números, texto, fechas)
✅ Listas y diccionarios: cómo guardar datos de pozos
✅ Operaciones matemáticas básicas: conversiones de unidades (bbl a m³, psi a kPa)
✅ Funciones simples: crear fórmulas reutilizables (ej. calcular volumen)
✅ Introducción a NumPy: operaciones con arreglos de números
✅ Jupyter Notebooks: tu entorno de trabajo
Caso Práctico: Crear un script simple que convierta tasas de producción de barriles diarios a metros cúbicos y calcule promedios.
Módulo 3: Aplicación de Pandas para la Carga, Inspección y Limpieza
Módulo 3: Aplicación de Pandas para la Carga, Inspección y Limpieza
Objetivo: Aprender a cargar datos de producción desde archivos y limpiarlos para poder analizarlos correctamente.
Temario:
Carga de datos:
✅pd.read_csv(): cargar archivos CSV de producción diaria
✅pd.read_excel(): cargar reportes de Excel
✅Exploración inicial del DataFrame
Inspección y Exploración:
✅head(), tail(): ver las primeras y últimas filas
✅info(): conocer los tipos de datos y valores nulos
✅describe(): estadísticas básicas de las columnas numéricas
✅shape, columns: dimensiones y nombres de columnas
Limpieza de datos:
✅dropna(): eliminar filas con datos faltantes
✅fillna(): rellenar valores nulos (promedio, cero, interpolación)
✅drop_duplicates(): eliminar registros duplicados
✅astype(): convertir tipos de datos (ej. texto a fecha)
Caso Práctico: Cargar un archivo de producción de 1 año de un pozo, identificar datos faltantes y limpiar el dataset.
Módulo 4: Transformación, Combinación y Exportación con Pandas
Módulo 4: Transformación, Combinación y Exportación con Pandas
Objetivo: Aprender a crear nuevas variables útiles y combinar información de diferentes fuentes.
Temario:
Transformación y Manipulación:
✅Crear nuevas columnas: calcular Water Cut, GOR, BOE
✅apply(): aplicar funciones a columnas
✅map(): reemplazar valores (ej. cambiar códigos de estado por nombres)
✅Operaciones entre columnas: restar, sumar, dividir tasas
Combinación y Agregación:
✅merge(): unir dos tablas (ej. producción + datos de pozos)
✅groupby(): agrupar por pozo, campo o mes y calcular sumas/promedios
✅Filtrado de datos: seleccionar pozos específicos o períodos de tiempo
Exportación y Visualización Rápida:
✅to_csv(): guardar datos limpios
✅plot(): gráficos rápidos directamente desde Pandas
✅Validación de resultados antes de análisis avanzado
Caso Práctico: Combinar datos de producción diaria con información de cabecera de pozos, calcular el Water Cut promedio mensual por pozo y exportar el resultado.
Módulo 5: Utilización de Matplotlib para la Transformación de Datos a Gráficos
Módulo 5: Utilización de Matplotlib para la Transformación de Datos a Gráficos
Objetivo: Crear visualizaciones técnicas claras para presentar el comportamiento de pozos y campos.
Temario:
✅Conceptos básicos de Matplotlib: Figure, Axes, líneas, marcadores
✅Gráficos de líneas: producción histórica (tasa vs tiempo)
✅Gráficos de dispersión (scatter): relaciones entre variables (ej. presión vs tasa)
✅Subplots: múltiples gráficos en una sola figura
✅Personalización: títulos, etiquetas, leyendas, colores
✅Guardar gráficos: savefig() para reportes
Caso Práctico: Crear un dashboard de 4 gráficos mostrando el comportamiento histórico de un pozo (petróleo, agua, gas y presión).
Módulo 6: Manejo de Seaborn para Gráficos Estadísticos
Módulo 6: Manejo de Seaborn para Gráficos Estadísticos
Objetivo: Utilizar Seaborn para crear gráficos estadísticos más atractivos y fáciles de interpretar.
Temario:
✅Diferencias entre Matplotlib y Seaborn
✅Boxplots: identificar variabilidad y valores atípicos en producción
✅Histogramas: distribución de tasas de producción
✅Heatmaps: matrices de correlación entre variables
✅Pairplots: explorar relaciones múltiples de un vistazo
✅Estilos y paletas de colores: hacer gráficos más profesionales
Caso Práctico: Analizar la distribución de producción de 50 pozos, identificar cuáles son atípicos y ver qué variables están correlacionadas.
Módulo 7: Introducción a Modelos Predictivos con Regresión Lineal
Módulo 7: Introducción a Modelos Predictivos con Regresión Lineal
Objetivo: Comprender cómo crear modelos simples para predecir variables de producción.
Temario:
✅¿Qué es un modelo predictivo? Conceptos básicos
✅Correlación vs Causalidad: entender relaciones entre variables
✅Regresión Lineal Simple: predecir una variable a partir de otra
Ejemplo: predecir tasa de producción basándose en presión
✅Regresión Lineal Múltiple: usar varias variables para predecir
Ejemplo: predecir producción usando presión, porosidad y espesor
✅Evaluación del modelo: R² (¿qué tan bueno es mi modelo?)
✅Librería scikit-learn: implementación básica
Caso Práctico: Crear un modelo que prediga la producción de petróleo basándose en la presión de fondo, usando datos de 20 pozos.
Módulo 8: Estadística Descriptiva Aplicada a Datos de Producción
Módulo 8: Estadística Descriptiva Aplicada a Datos de Producción
Objetivo: Aprender a usar estadísticas básicas para entender el comportamiento de pozos y campos petroleros.
Temario:
✅ Medidas de tendencia central:
Media: producción promedio del campo
Mediana: valor central (útil cuando hay pozos atípicos)
Moda: valor más frecuente
✅ Medidas de dispersión:
Desviación estándar: ¿qué tan variable es la producción?
Rango: diferencia entre máximo y mínimo
✅ Percentiles y cuartiles:
Identificar el top 25% de pozos productores
Comparar rendimiento entre diferentes formaciones
✅ Detección de valores atípicos (outliers):
Identificar pozos con comportamiento anómalo
Uso de boxplots para visualización
Caso Práctico: Análisis estadístico de la producción de 50 pozos para identificar cuáles están produciendo por debajo de lo esperado y cuáles son los mejores performers.
Módulo 9: Proyecto Guiado - Análisis Exploratorio Completo
Módulo 9: Proyecto Guiado - Análisis Exploratorio Completo
Objetivo: Aplicar todas las herramientas aprendidas en un análisis paso a paso con guía del instructor.
Temario:
✅Paso 1: Carga y exploración inicial del dataset
✅Paso 2: Limpieza de datos (manejo de nulos, duplicados, tipos)
✅Paso 3: Creación de variables derivadas (Water Cut, GOR, BOE)
✅Paso 4: Análisis estadístico descriptivo
✅Paso 5: Visualización con Matplotlib y Seaborn
✅Paso 6: Identificación de patrones y tendencias
✅Paso 7: Creación de un modelo predictivo simple
✅Paso 8: Interpretación de resultados
Caso Práctico: Análisis completo de un campo petrolero con 10 pozos durante 1 año, siguiendo paso a paso cada etapa del análisis.
Módulo 10: Proyecto Final - Análisis Independiente de un Campo Petrolero
Módulo 10: Proyecto Final - Análisis Independiente de un Campo Petrolero
Objetivo: Demostrar las competencias adquiridas realizando un análisis completo de forma independiente.
Temario:
✅Presentación del dataset final (campo petrolero con múltiples pozos)
✅Trabajo independiente:
Carga y limpieza de datos
Transformación y creación de variables
Análisis estadístico
Visualización completa
Modelo predictivo básico
Conclusiones y recomendaciones
✅Presentación de resultados (10 minutos por estudiante/grupo)
✅Retroalimentación y resolución de dudas finales
✅Próximos pasos: ¿cómo seguir aprendiendo?
Caso Práctico: Cada estudiante (o grupo) analiza un campo petrolero diferente y presenta sus hallazgos, gráficos y modelo predictivo.
8. Herramientas y Metodología:
8. Herramientas y Metodología:
El curso sigue una metodología práctica y aplicada, con un enfoque de "aprender haciendo". La distribución del tiempo es aproximadamente:
80% Práctico: Ejercicios de codificación, análisis de datasets reales, desarrollo de proyectos
20% Teórico: Conceptos fundamentales, explicaciones técnicas, discusión de casos de uso
Cada módulo combina:
✅Explicación conceptual breve y enfocada en la aplicación práctica
✅Demostraciones en vivo del instructor con datos reales del sector petrolero
✅Ejercicios guiados donde los participantes replican y adaptan los ejemplos
✅Retroalimentación continua para resolver dudas y consolidar el aprendizaje
Los participantes trabajarán con datasets reales de producción petrolera, incluyendo:
✅Tasas de producción diaria (petróleo, agua, gas)
✅Presiones de yacimiento y fondo de pozo
✅Datos de cabecera de pozos (well headers)
✅Información de completaciones y levantamiento artificial
✅Propiedades petrofísicas básicas
Herramientas Tecnológicas
Los participantes trabajarán con el stack tecnológico más utilizado en ciencia de datos:
✅Lenguaje: Python 3.x
✅Entorno de desarrollo: Jupyter Notebooks / Google Colab (accesible desde cualquier navegador)
✅Librerías principales:
Pandas: manipulación y análisis de datos
NumPy: computación numérica y operaciones matriciales
Matplotlib: visualización de datos técnica
Seaborn: visualización estadística
Scikit-learn: modelos de machine learning básicos
Todas las herramientas son gratuitas y de código abierto, lo que permite a los participantes continuar practicando una vez finalizado el curso sin costos adicionales.
9. Certificación:
9. Certificación:
Requisitos
Requisitos
✅Completar la entrega de las tareas prácticas
✅Presentar el proyecto de curso en la fecha señalada
10. Inversión y facilidades de pago:
10. Inversión y facilidades de pago:
ÚNICA CUOTA:
✅ 120 USD (dolares americanos) + IVA
✅ IVA solo aplica para Perú 18%
DOS CUOTAS:
✅ PRIMERA CUOTA 60 USD | SEGUNDA CUOTA 70 USD. Segundo cuota a mitad del desarrollo del curso
✅ IVA solo aplica para Perú 18%
11. Medios de pago:
11. Medios de pago:
✅ Desde PERÚ:
Banco Interbank:
cuenta corriente en dolares: N° 200-3007315845 (CCI 003-200-003007315845-30)
Cuenta corriente en soles: N° 200-3007315838 (CCI 003-200-003007315838-35)
Banco BBVA:
Cuenta ahorros en dolares: N° 0011-0387 0200493538 (CCI 011-387-000200493538-89)
Cuenta ahorros en soles: N° 0011-0387-0200493511 (CCI 011-387-000200493511-86)
✅Desde otros paises LATAM:
Link de pago por PayPal, Wester Unión y OpenPay. Si desea pagar con tarjeta de crédito o debido solicite su link de pago entrando en contacto con nosotros. Si quiere pagar con paypal existe una recarga de 5 USD por comisiones de la plataforma. Haga click en el boton abajo.
12. Inscripción:
12. Inscripción:
Para realizar su inscripción en el curso realice el pago correspondiente, luego haga click en el boton abajo "inscripción" llenando los datos solicitados y listo.
13. Conoce más del curso:
13. Conoce más del curso:
Visita nuestro canal de Youtube @CENCIP-ingenieria de procesos para ver nuestros webinar y clases magistrales de ciencia de datos.
CIENCIA DE DATOS EN LA INDUSTRIA OIL&GAS (Ing. KELVIN CABRERA).pptxINTRODUCCIÓN
INTRODUCCIÓN
Conoce un poco más sobre el curso en este presentación: CIENCIA DE DATOS APLICADO A LA INDUSTRIA OIL&GAS del 06 de septiembre 2025.
FREE MASTER CLASS
FREE MASTER CLASS
Conoce un poco más sobre el curso en esta MASTER CLASS: CIENCIA DE DATOS APLICADO A LA INDUSTRIA OIL&GAS del 25 de octubre 2025.
14. Conoce a nuestros egresados:
14. Conoce a nuestros egresados:
Te presentamos a tres de nuestros egresados que se certificaron en el curso de Ciencia de Datos en la primera edición y los proyectos que pudieron desarrollar como trabajo final del curso.
Gustavo Inoquio (Perú)
Gustavo Inoquio (Perú)
Proyecto: Análisis de Telemetría de Tanques
Proyecto: Análisis de Telemetría de Tanques
Gustavo presentó un caso de estudio donde, utilizando técnicas de análisis de datos, identificó variabilidades en la temperatura debido a la manipulación de trabajadores. Se detectaron anomalías fuera de 3 σ, con temperaturas promedio de 62.6 °C y desviación estándar de 5.6 °C. Tras ajustar el set point a 60 °C, se observó una mejora significativa en la estabilidad. La implementación de estos cambios evitó discos de rotura, que cuestan aproximadamente $5000 cada uno. Se destacó la importancia de la limpieza de datos y el uso de herramientas como Python y ChatGPT.
Analí Alejo (Perú)
Analí Alejo (Perú)
Proyecto: Detección Temprana de perdidas en un sistema de recuperación de LNG
Proyecto: Detección Temprana de perdidas en un sistema de recuperación de LNG
Analí presentó un caso detección temprana de pérdidas de recuperación de líquidos de gas natural (NGL), asociadas al desempeño del turboexpander, mediante el desarrollo de un modelo predictivo, identificando desviaciones operativas antes de que impacten significativamente la producción. Se generó un conjunto de datos sintéticos representativo de 90 días de operación continua (2,160 registros horarios), simulando condiciones reales de una planta criogénica con turboexpander.
Angel García (México)
Angel García (México)
Proyecto: Desarrollo de un Soft-Sensor basado en PINN para la Predicción de Eficiencia de Combustión
Proyecto: Desarrollo de un Soft-Sensor basado en PINN para la Predicción de Eficiencia de Combustión
El proyecto de Angel consistió en desarrollar un soft-sensor predictivo capaz de estimar la eficiencia de combustión (DRE) y el methane slip en un sistema de flare industrial, utilizando una red neuronal feed-forward con restricciones físicas básicas e integrándolo en un dashboard interactivo. Se evalúa el desempeño del proyecto mediante métricas estadísticas (R2, RMSE). Su sistema permitió el análisis operativo y exploración de escenarios sin requerir sensores físicos adicionales costosos.
Síguenos en nuestras redes:
Copyright © 2026 CENCIP - All rights reserved.
Page updated
Google Sites
Report abuse