{"id":5299,"date":"2026-08-25T00:32:46","date_gmt":"2026-08-24T22:32:46","guid":{"rendered":"https:\/\/ghetool.eu\/?post_type=course&#038;p=5299"},"modified":"2026-08-25T01:43:28","modified_gmt":"2026-08-24T23:43:28","slug":"calcular-el-tamano-y-la-profundidad-necesarios-del-campo-de-perforacion","status":"publish","type":"course","link":"https:\/\/ghetool.eu\/es_es\/curso\/calcular-el-tamano-y-la-profundidad-necesarios-del-campo-de-perforacion\/","title":{"rendered":"Calcular el tama\u00f1o y la profundidad necesarios del campo de perforaci\u00f3n"},"content":{"rendered":"<p class=\"wp-block-paragraph\">El dise\u00f1o de campos de perforaci\u00f3n geot\u00e9rmicos a poca profundidad siempre se basa, en cierta medida, en el m\u00e9todo de prueba y error, pero \u00bfy si no fuera as\u00ed? En este cap\u00edtulo, presentaremos el m\u00e9todo automatizado que permite calcular simult\u00e1neamente la profundidad y el tama\u00f1o necesarios del campo de perforaci\u00f3n.<\/p>\n\n\n\n\n\n\n\n<iframe title=\"Cap\u00edtulo 7.3: C\u00e1lculo del tama\u00f1o y la profundidad necesarios del campo de sondeos\" width=\"800\" height=\"450\" src=\"https:\/\/www.youtube.com\/embed\/t2aDt_DM4iU?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe>\n\n\n\n\n\n\n\n\n\n\n\n<h2 class=\"wp-block-heading\">Dise\u00f1o de campos de perforaci\u00f3n (enfoque tradicional)<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">1TP9El dise\u00f1o de campos de perforaci\u00f3n, sobre todo en sistemas de mayor tama\u00f1o, siempre implica un proceso de prueba y error, especialmente si se trabaja con configuraciones irregulares. Para facilitar un poco las cosas, existen m\u00e9todos para calcular la profundidad necesaria del campo de perforaci\u00f3n (como el que se explica en <a href=\"https:\/\/ghetool.eu\/es_es\/curso\/calcular-la-profundidad-de-perforacion-necesaria\/%e2%86%97\/\" data-type=\"link\" data-id=\"https:\/\/ghetool.eu\/course\/calculate-required-borehole-depth\/\u2197\">Parte 7.2<\/a>) existen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sin embargo, tal y como comentamos en el cap\u00edtulo anterior, estos m\u00e9todos a veces no ofrecen ninguna soluci\u00f3n, especialmente cuando el campo de perforaciones est\u00e1 limitado por la temperatura m\u00e1xima del fluido. La soluci\u00f3n principal a este error de gradiente consist\u00eda en aumentar el n\u00famero de pozos del sistema hasta que el algoritmo convergiera, lo que puede llevar bastante tiempo en el caso de sistemas m\u00e1s grandes. Aqu\u00ed es donde entra en juego el m\u00e9todo para calcular tanto el tama\u00f1o como la profundidad necesarios del campo de pozos.<\/p>\n\n\n\n<div class=\"note\">Aunque hoy en d\u00eda existen algoritmos automatizados de dimensionamiento que tienen en cuenta tanto el tama\u00f1o del campo de perforaci\u00f3n como la profundidad del pozo, sigue siendo \u00fatil realizar este proceso manualmente para no perder de vista cu\u00e1l es la soluci\u00f3n ideal, en lugar de confiar ciegamente en un algoritmo de \u00abcaja negra\u00bb.<\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Para comprender c\u00f3mo funciona este algoritmo, es importante entender la naturaleza del problema y c\u00f3mo se puede utilizar la optimizaci\u00f3n bayesiana para resolverlo.<\/p>\n\n\n\n<div class=\"note\">Dependiendo del proyecto en cuesti\u00f3n, la definici\u00f3n de \u2018configuraci\u00f3n \u00f3ptima\u2019 puede variar. En algunos proyectos, la configuraci\u00f3n \u00f3ptima es aquella en la que se minimiza la longitud total del pozo, ya que el coste de perforaci\u00f3n es bastante proporcional a dicha longitud. Sin embargo, en otros proyectos con una superficie limitada, puede resultar \u00f3ptimo contar con menos pozos (pero m\u00e1s profundos).<p>Por eso, en GHEtool Cloud tienes la opci\u00f3n de trabajar bien con la longitud total m\u00ednima de los pozos, bien con el n\u00famero m\u00ednimo de pozos.<\/p><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Optimizaci\u00f3n bayesiana<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">A la hora de determinar el tama\u00f1o, la configuraci\u00f3n y la profundidad \u00f3ptimos del campo de perforaciones, hay una serie de par\u00e1metros que pueden variarse. Entre ellos se incluyen la forma de la configuraci\u00f3n \u2014por ejemplo, en forma de U, de L, de caja, rectangular o densa\u2014, el n\u00famero de perforaciones en las direcciones longitudinal y transversal, la separaci\u00f3n entre ellas en esas mismas direcciones, as\u00ed como la profundidad de las perforaciones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En el mundo de la optimizaci\u00f3n, cada uno de estos par\u00e1metros que requiere ajuste se denomina hiperpar\u00e1metro, y existen diferentes estrategias para resolver este tipo de problemas, como se muestra a continuaci\u00f3n.<\/p>\n\n\n\n<div class=\"note\"><p>El algoritmo de GHEtool solo tiene en cuenta lo que se denomina \u2018configuraciones regulares\u2019, en las que los pozos se sit\u00faan en una cuadr\u00edcula ortogonal regular. Podr\u00eda decirse que esta es tambi\u00e9n la m\u00e1s habitual en la pr\u00e1ctica, ya que se trata de las configuraciones m\u00e1s sencillas de perforar.<\/p><p>Sin embargo, es posible que un campo de perforaci\u00f3n en el que los pozos est\u00e9n completamente dispersos resulte a\u00fan m\u00e1s id\u00f3neo (tal y como se explica en <a href=\"https:\/\/ghetool.eu\/es_es\/curso\/trabajar-con-coordenadas-de-sondeos\/\">Parte 5.3<\/a>). Sin embargo, un algoritmo de b\u00fasqueda de este tipo ser\u00eda considerablemente m\u00e1s lento (entre 30 minutos y un par de horas) y, por lo tanto, no se ha implementado por el momento.<\/div>\n\n\n\n<figure class=\"wp-block-image size-full\"><img fetchpriority=\"high\" decoding=\"async\" width=\"988\" height=\"349\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2.jpg\" alt=\"Diferentes algoritmos de b\u00fasqueda para la optimizaci\u00f3n. (Fuente: https:\/\/www.sciencedirect.com\/topics\/mathematics\/grid-search)\" class=\"wp-image-4382\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2.jpg 988w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2-300x106.jpg 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2-768x271.jpg 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2-18x6.jpg 18w\" sizes=\"(max-width: 988px) 100vw, 988px\" \/><figcaption class=\"wp-element-caption\">Diferentes algoritmos de b\u00fasqueda para la optimizaci\u00f3n. (Fuente: https:\/\/www.sciencedirect.com\/topics\/mathematics\/grid-search)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Una primera soluci\u00f3n posible consiste en realizar una b\u00fasqueda por cuadr\u00edcula tradicional. En este enfoque, se definen los intervalos que se desean explorar \u2014por ejemplo, el n\u00famero de perforaciones en la direcci\u00f3n longitudinal, que puede ser [1, 2, 3, 4, 5]\u2014 y se combinan todos los valores posibles. A continuaci\u00f3n, se calcula la profundidad necesaria de cada perforaci\u00f3n para cada combinaci\u00f3n, y el mejor resultado se convierte en la respuesta final. Este m\u00e9todo, como es l\u00f3gico, requiere mucho tiempo, sobre todo en sistemas m\u00e1s grandes, en los que f\u00e1cilmente habr\u00eda que comprobar m\u00e1s de 2.000 combinaciones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Otro enfoque, menos estructurado, consiste en utilizar una cuadr\u00edcula aleatoria. En este caso, las opciones de b\u00fasqueda no forman una estructura de cuadr\u00edcula, ya que los par\u00e1metros de entrada se seleccionan al azar. Tras una serie de b\u00fasquedas e intentos, se presenta la mejor soluci\u00f3n encontrada. Este m\u00e9todo tambi\u00e9n requiere bastante tiempo y ofrece poca certeza de que se identifique una buena soluci\u00f3n, debido a su car\u00e1cter aleatorio.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La \u00faltima opci\u00f3n, que es el m\u00e9todo implementado en GHEtool Cloud, consiste en utilizar la optimizaci\u00f3n bayesiana. La idea consiste en partir de algunas combinaciones aleatorias de par\u00e1metros de entrada para el dise\u00f1o del campo de perforaci\u00f3n y calcular la profundidad de perforaci\u00f3n necesaria para cada configuraci\u00f3n. A partir de esas simulaciones iniciales, el algoritmo construye una funci\u00f3n de incertidumbre que indica d\u00f3nde es m\u00e1s probable encontrar la mejor soluci\u00f3n y, a continuaci\u00f3n, realiza iteraciones estad\u00edsticas para acercarse a ella. Este proceso tambi\u00e9n se ilustra en la figura siguiente.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" width=\"1024\" height=\"998\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-1024x998.png\" alt=\"Representaci\u00f3n gr\u00e1fica del m\u00e9todo de optimizaci\u00f3n bayesiano. (Fuente: Olson, Randal y Moore, Jason. (2019). TPOT: A Tree-Based Pipeline Optimization Tool for Automating Machine Learning).\" class=\"wp-image-4381\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-1024x998.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-300x292.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-768x749.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-12x12.png 12w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1.png 1111w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Representaci\u00f3n gr\u00e1fica del m\u00e9todo de optimizaci\u00f3n bayesiano. (Fuente: Olson, Randal y Moore, Jason. (2019). TPOT: A Tree-Based Pipeline Optimization Tool for Automating Machine Learning).<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">La imagen anterior muestra diferentes iteraciones del algoritmo de optimizaci\u00f3n. En la imagen superior ya se han realizado dos c\u00e1lculos, por lo que en estos dos puntos sabemos exactamente cu\u00e1l es el valor; en nuestro caso, la longitud total del pozo y\/o el n\u00famero total de pozos. Cuanto m\u00e1s nos alejamos de estas simulaciones, mayor es la incertidumbre.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En la siguiente iteraci\u00f3n, la n\u00famero 3, queremos probar otra configuraci\u00f3n de perforaci\u00f3n con la mayor probabilidad de darnos una longitud total de perforaci\u00f3n a\u00fan menor. Por lo tanto, buscamos el punto m\u00e1s bajo dentro de nuestros l\u00edmites de incertidumbre mostrados en azul y calculamos un nuevo punto. Repitiendo este proceso, los l\u00edmites de incertidumbre se hacen m\u00e1s peque\u00f1os y convergemos hacia un \u00f3ptimo.<\/p>\n\n\n\n<div class=\"advanced\">El problema matem\u00e1tico subyacente para hallar el tama\u00f1o y la profundidad \u00f3ptimos necesarios es altamente no convexo. Esto implica que no existe ninguna garant\u00eda matem\u00e1tica de que la soluci\u00f3n proporcionada por el algoritmo sea realmente la \u00f3ptima. Sin embargo, con el enfoque bayesiano, siempre tenemos un alto grado de certeza de que, como m\u00ednimo, estamos cerca de la soluci\u00f3n \u00f3ptima.<\/div>\n\n\n\n<div class=\"advanced\">Aunque la optimizaci\u00f3n bayesiana es bastante r\u00e1pida, el m\u00e9todo sigue teniendo que calcular, por defecto, 100 configuraciones, lo que puede llevar bastante tiempo. Por eso, un <strong>Red neuronal artificial (RNA)<\/strong> (v\u00e9ase tambi\u00e9n <a href=\"https:\/\/ghetool.eu\/es_es\/curso\/muoviellipse\/\">Parte 6.2<\/a>) se utiliza para acelerar el c\u00e1lculo.<p>La red neuronal artificial (RNA) se utiliza para simplificar el c\u00e1lculo de la funci\u00f3n g de todas las configuraciones posibles y se ha entrenado con m\u00e1s de 6 millones de funciones g diferentes. Por lo tanto, la precisi\u00f3n del modelo se sit\u00faa dentro de 5%, lo que supone un equilibrio satisfactorio entre precisi\u00f3n y velocidad.<\/p>\n<p>Es importante se\u00f1alar que la red neuronal artificial (RNA) solo se utiliza para acelerar la b\u00fasqueda de la configuraci\u00f3n real, no para el c\u00e1lculo del perfil de temperatura final. Esto siempre se realiza con las funciones g precisas.<\/p><p>Dado que ambas pueden variar ligeramente, puede ocurrir que la temperatura sea ligeramente (&lt;0,05 \u00b0C) por debajo o por encima del umbral de temperatura permitido. Cuando esto no sea deseable, el usuario tiene la opci\u00f3n de seleccionar el c\u00e1lculo preciso de la configuraci\u00f3n \u00f3ptima, con el fin de garantizar que la profundidad requerida se ajuste exactamente a los l\u00edmites de temperatura.<\/p><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Calcular el tama\u00f1o y la profundidad necesarios en GHEtool Cloud<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Si quieres utilizar este m\u00e9todo en GHEtool Cloud, solo tienes que seleccionar la opci\u00f3n \u2018calcular el tama\u00f1o y la profundidad necesarios\u2019 en la pesta\u00f1a \u2018General\u2019. A continuaci\u00f3n, la pesta\u00f1a \u2018Campo de perforaci\u00f3n\u2019 pasar\u00e1 de ser un selector de configuraci\u00f3n a un espacio en el que podr\u00e1s introducir tanto los datos del campo de perforaci\u00f3n como algunos par\u00e1metros de optimizaci\u00f3n. Ambos se tratar\u00e1n a continuaci\u00f3n.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">L\u00edmites de entrada del campo de perforaci\u00f3n<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">En la captura de pantalla que aparece a continuaci\u00f3n se indican los l\u00edmites de entrada del campo de perforaci\u00f3n.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" width=\"809\" height=\"650\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Borefield-inputs.png\" alt=\"Captura de pantalla de los l\u00edmites de entrada del campo de perforaci\u00f3n.\" class=\"wp-image-5300\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Borefield-inputs.png 809w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Borefield-inputs-300x241.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Borefield-inputs-768x617.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Borefield-inputs-15x12.png 15w\" sizes=\"(max-width: 809px) 100vw, 809px\" \/><figcaption class=\"wp-element-caption\">Captura de pantalla de los l\u00edmites de entrada del campo de perforaci\u00f3n.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Como ya se ha dicho, el m\u00e9todo para calcular el tama\u00f1o y la profundidad necesarios del campo de perforaci\u00f3n solo busca configuraciones regulares, cuyos l\u00edmites se pueden establecer aqu\u00ed. (La profundidad de enterramiento y el di\u00e1metro del pozo se dan como constantes y no forman parte de la optimizaci\u00f3n propiamente dicha.)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los par\u00e1metros que puedes ajustar son:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>La profundidad m\u00ednima y m\u00e1xima permitida de un pozo. Mientras que el m\u00e9todo del cap\u00edtulo anterior no pod\u00eda tener en cuenta ninguna profundidad m\u00e1xima de perforaci\u00f3n por motivos legales y\/o geol\u00f3gicos, esta metodolog\u00eda s\u00ed puede hacerlo.<\/li>\n\n\n\n<li>La distancia m\u00ednima y m\u00e1xima permitida entre un pozo y otro.<\/li>\n\n\n\n<li>La ca\u00edda de presi\u00f3n m\u00e1xima permitida por pozo, con el fin de garantizar que la bomba de circulaci\u00f3n instalada pueda soportar la ca\u00edda de presi\u00f3n del sistema optimizado.<\/li>\n<\/ul>\n\n\n\n<div class=\"note\">Dado que este m\u00e9todo utiliza una red neuronal artificial (RNA) en el back-end para acelerar la b\u00fasqueda de la configuraci\u00f3n \u00f3ptima, existen ciertos l\u00edmites en cuanto a la profundidad m\u00ednima y m\u00e1xima de los pozos, la profundidad de enterramiento y la separaci\u00f3n entre ellos. <\/div>\n\n\n\n<h3 class=\"wp-block-heading\">Configuraci\u00f3n de Optimisation<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">A continuaci\u00f3n se muestran los par\u00e1metros de optimizaci\u00f3n.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"806\" height=\"597\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Optimisation-settings.png\" alt=\"Captura de pantalla de los ajustes de optimizaci\u00f3n.\" class=\"wp-image-5301\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Optimisation-settings.png 806w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Optimisation-settings-300x222.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Optimisation-settings-768x569.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Optimisation-settings-16x12.png 16w\" sizes=\"(max-width: 806px) 100vw, 806px\" \/><figcaption class=\"wp-element-caption\">Captura de pantalla de los ajustes de optimizaci\u00f3n.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">En lo que respecta a los par\u00e1metros de optimizaci\u00f3n, se puede optar por optimizar en funci\u00f3n de la longitud m\u00ednima de los orificios o del n\u00famero m\u00ednimo de orificios, ya que, dependiendo de tu proyecto, cualquiera de las dos opciones puede ser la m\u00e1s adecuada. El espacio disponible en sentido longitudinal y transversal determina el n\u00famero m\u00e1ximo de orificios en cada direcci\u00f3n, junto con el tama\u00f1o del paso para el espaciado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El n\u00famero m\u00ednimo y m\u00e1ximo de pozos no es un requisito estricto, pero puede ayudar a acelerar el algoritmo. Si, por ejemplo, tienes un proyecto muy peque\u00f1o, no tiene sentido dejar que el algoritmo bayesiano busque yacimientos con 100 pozos, y reducir el espacio de b\u00fasqueda de esta manera puede hacer que el algoritmo sea m\u00e1s r\u00e1pido.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Por \u00faltimo, el n\u00famero de b\u00fasquedas determina el n\u00famero de iteraciones que realizar\u00e1 la b\u00fasqueda bayesiana. Cuanto mayor sea este n\u00famero, mayor ser\u00e1 la probabilidad de haber encontrado la soluci\u00f3n \u00f3ptima. Por lo general, un n\u00famero de entre 50 y 100 suele ser suficiente para alcanzar este objetivo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ejemplo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Para demostrar la eficacia de este m\u00e9todo, volvamos al ejemplo de <a href=\"https:\/\/ghetool.eu\/es_es\/curso\/calcular-la-profundidad-de-perforacion-necesaria\/%e2%86%97\/\">Parte 7.2<\/a>, en el que se analiz\u00f3 un proyecto con una demanda de 22 MWh\/a\u00f1o y una potencia m\u00e1xima de 15 kW en calefacci\u00f3n, y otro con una demanda de 7,6 MWh\/a\u00f1o y una potencia m\u00e1xima de 10 kW. El caso presenta un tubo en U doble, modelo 25 v\/v% de MPG, y un caudal variable con una diferencia de temperatura constante de 3 \u00b0C.<\/p>\n\n\n\n<div class=\"caution\">Al utilizar el m\u00e9todo de c\u00e1lculo del tama\u00f1o y la profundidad necesarios, es recomendable emplear un caudal especificado para todo el campo de perforaciones, ya sea un caudal constante para dicho campo o, como ocurre en este caso, un caudal basado en una diferencia de temperatura constante.<p>Dado que el n\u00famero de pozos puede variar de una configuraci\u00f3n a otra, definir un caudal por pozo dar\u00eda lugar a un caudal diferente en todo el campo de pozos para cada caso concreto, lo cual no se ajusta a la realidad.<\/p><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Al calcular el di\u00e1metro y la profundidad necesarios con la longitud total m\u00ednima del pozo, se obtiene un campo de perforaci\u00f3n con 9 pozos de 53,04 m de profundidad, lo que suma un total de 468 m. A continuaci\u00f3n se muestra el perfil de temperatura.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"361\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-1-1024x361.png\" alt=\"Perfil de temperatura para la configuraci\u00f3n del campo de perforaci\u00f3n con la longitud total m\u00ednima del pozo.\" class=\"wp-image-5311\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-1-1024x361.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-1-300x106.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-1-768x270.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-1-18x6.png 18w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-1.png 1420w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Perfil de temperatura para la configuraci\u00f3n del campo de perforaci\u00f3n con la longitud total m\u00ednima del pozo.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">En el perfil de temperatura anterior, queda claro que este campo de perforaci\u00f3n (como ya qued\u00f3 claro en el cap\u00edtulo anterior) est\u00e1 limitado por la temperatura m\u00e1xima del fluido. Por eso, teniendo en cuenta el error de gradiente, se obtuvo un campo de perforaci\u00f3n bastante superficial. De hecho, si observamos la tabla con todas las soluciones encontradas, las diez primeras presentan profundidades de perforaci\u00f3n bastante superficiales.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"669\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/List-potential-configurations-1-1024x669.png\" alt=\"Lista de posibles soluciones encontradas por el algoritmo bayesiano.\" class=\"wp-image-5312\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/List-potential-configurations-1-1024x669.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/List-potential-configurations-1-300x196.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/List-potential-configurations-1-768x502.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/List-potential-configurations-1-18x12.png 18w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/List-potential-configurations-1.png 1466w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Lista de posibles soluciones encontradas por el algoritmo bayesiano.<\/figcaption><\/figure>\n\n\n\n<div class=\"hint\">Si quieres seguir trabajando a partir de una configuraci\u00f3n concreta, puedes hacer doble clic en la l\u00ednea y se crear\u00e1 un nuevo escenario con esa configuraci\u00f3n espec\u00edfica.<\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Por el contrario, al ejecutar ahora la misma optimizaci\u00f3n con el objetivo de minimizar el n\u00famero de pozos, se obtiene un resultado con 5 pozos de 116 m, lo que da una longitud total de los pozos de 575 m (m\u00e1s de 100 m que en el caso anterior). Esto ilustra claramente la importancia de seleccionar el objetivo de optimizaci\u00f3n adecuado, ya que el resultado puede variar significativamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Como otro ejemplo, se considera un caso con 8 MWh\/a\u00f1o de agua caliente sanitaria, 25 kW en calefacci\u00f3n con una demanda energ\u00e9tica de 45 MWh\/a\u00f1o y sin refrigeraci\u00f3n. Dado que el campo de perforaci\u00f3n est\u00e1 ahora claramente dominado por la extracci\u00f3n, aumentemos la profundidad m\u00e1xima de los pozos a 300 m, pero limitemos la ca\u00edda de presi\u00f3n aceptable a 50 kPa. A continuaci\u00f3n se muestra el resultado con la longitud total m\u00ednima de los pozos, que consta de 4 pozos de 175 m de profundidad, para un total de 696 m. A continuaci\u00f3n se muestra el perfil de temperatura.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"361\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-1-1024x361.png\" alt=\"Perfil de temperatura para la configuraci\u00f3n del campo de perforaci\u00f3n con la longitud total m\u00ednima del pozo.\" class=\"wp-image-5307\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-1-1024x361.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-1-300x106.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-1-768x270.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-1-18x6.png 18w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-1.png 1420w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Perfil de temperatura para la configuraci\u00f3n del campo de perforaci\u00f3n con la longitud total m\u00ednima del pozo.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">En el perfil anterior, queda claro que el l\u00edmite m\u00ednimo es ahora el criterio de dise\u00f1o para el campo de perforaci\u00f3n. Obs\u00e9rvese tambi\u00e9n que el resultado correspondiente a la longitud total m\u00ednima de los pozos y al n\u00famero m\u00ednimo de pozos es, m\u00e1s o menos, id\u00e9ntico.<\/p>\n\n\n\n<div class=\"note\">Dado que las observaciones iniciales para la optimizaci\u00f3n bayesiana son aleatorias, es posible que tus resultados difieran ligeramente de los que se comentan aqu\u00ed.<\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Cuando la ca\u00edda de presi\u00f3n m\u00e1xima aceptable se incrementa a 150 kPa, la soluci\u00f3n cambia. Ahora, la soluci\u00f3n ideal consiste en 3 perforaciones de 199 m de profundidad (lo que suma un total de 595 m). Esta opci\u00f3n no era viable anteriormente, ya que la ca\u00edda de presi\u00f3n era ligeramente superior a 100 kPa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para mejorar a\u00fan m\u00e1s el dise\u00f1o, cambiemos a un sistema doble de DN40 en lugar de DN32 para reducir la ca\u00edda de presi\u00f3n. Al hacerlo, el tama\u00f1o necesario del campo de perforaci\u00f3n se reduce a 2 pozos de 251 m de profundidad, con una longitud total de 499 m. A continuaci\u00f3n se muestra el perfil de temperatura correspondiente.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"361\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-DN40-1024x361.png\" alt=\"Perfil de temperatura para la configuraci\u00f3n del campo de pozos con la longitud total m\u00ednima de los pozos y un doble DN40.\" class=\"wp-image-5308\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-DN40-1024x361.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-DN40-300x106.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-DN40-768x270.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-DN40-18x6.png 18w, https:\/\/ghetool.eu\/wp-content\/uploads\/2026\/08\/Temp-req-size-min-limit-DN40.png 1420w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Perfil de temperatura para la configuraci\u00f3n del campo de pozos con la longitud total m\u00ednima de los pozos y un doble DN40.<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusi\u00f3n<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">El m\u00e9todo de c\u00e1lculo del tama\u00f1o y la profundidad necesarios permite un proceso totalmente automatizado de dimensionamiento del campo de perforaciones. Con la ayuda de la optimizaci\u00f3n bayesiana, el algoritmo busca la configuraci\u00f3n ideal y la profundidad correspondiente del campo de perforaciones, superando el error de gradiente. En dos ejemplos de GHEtool se ha puesto de manifiesto la eficacia de este m\u00e9todo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Referencias<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Olson, R. S., Moore, J. H. (2019). TPOT: una herramienta de optimizaci\u00f3n de procesos basada en \u00e1rboles para automatizar el aprendizaje autom\u00e1tico. En: Hutter, F., Kotthoff, L., Vanschoren, J. (eds.) Automated Machine Learning. Serie Springer sobre retos en el aprendizaje autom\u00e1tico. Springer, Cham. <a href=\"https:\/\/doi.org\/10.1007\/978-3-030-05318-5_8\" target=\"_blank\" rel=\"noopener\">https:\/\/doi.org\/10.1007\/978-3-030-05318-5_8<\/a><\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Preguntas<\/h2>\n\n\n\n<div class=\"question\" data-chapter=\"3\">\u00bfPodr\u00edas explicar por qu\u00e9, en el primer ejemplo, la optimizaci\u00f3n con el n\u00famero m\u00ednimo de perforaciones y la longitud total m\u00ednima de las mismas dio el mismo resultado?<\/div>\n\n\n\n<div class=\"question\" data-chapter=\"3\">\u00bfC\u00f3mo cambiar\u00edan los resultados si la simulaci\u00f3n se realizara con la temperatura real del fluido en la entrada, en lugar de la temperatura media?<\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Descargas<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Descargar la simulaci\u00f3n GHEtool de este cap\u00edtulo <a href=\"https:\/\/ghetool.eu\/wp-content\/uploads\/course\/resources\/Course%207.3\/Course%207.3.pdf\">aqu\u00ed<\/a>.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>","protected":false},"excerpt":{"rendered":"<p>El dise\u00f1o de campos de perforaci\u00f3n geot\u00e9rmicos a poca profundidad siempre se basa, en cierta medida, en el m\u00e9todo de prueba y error, pero \u00bfy si no fuera as\u00ed? En este cap\u00edtulo, presentaremos el m\u00e9todo automatizado que permite calcular simult\u00e1neamente la profundidad y el tama\u00f1o necesarios del campo de perforaci\u00f3n.<\/p>","protected":false},"template":"","section":[124],"chapter":[144],"authors":[39],"class_list":["post-5299","course","type-course","status-publish","hentry","section-chapter-3","chapter-part-7","authors-wouter-peere"],"_links":{"self":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/course\/5299","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/course"}],"about":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/types\/course"}],"wp:attachment":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/media?parent=5299"}],"wp:term":[{"taxonomy":"section","embeddable":true,"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/section?post=5299"},{"taxonomy":"chapter","embeddable":true,"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/chapter?post=5299"},{"taxonomy":"authors","embeddable":true,"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/authors?post=5299"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}