Monitor de Vaca Muerta
Parte 3 del proyecto Balance Energético de Argentina
(Parte 2 en GitHub): una app que muestra
la producción de Vaca Muerta pozo por pozo y se actualiza sola cada mes, más (próximamente) un modelo de
Machine Learning que estima la producción de un pozo según cómo se lo fracturó.
👉 App online: https://monitor-vaca-muerta.streamlit.app/
Estado
| Etapa | Estado |
|---|
| 0. Sumar el Balance 2025 a la Parte 2 | ✅ Hecho |
| 1. Descargar y explorar producción y fracturas | ✅ Hecho (notebooks/01_exploracion.ipynb) |
| 2. Limpieza y archivos Parquet | ✅ Hecho (scripts/procesar.py, notebooks/02_limpieza.ipynb) |
| 3. App v1 en Streamlit | ✅ Hecho (app/) |
| 4. Actualización automática (GitHub Actions) | ✅ Hecho (.github/workflows/actualizar_datos.yml) |
| 5. Modelo de ML | Pendiente |
| 6. Simulador en la app | Pendiente |
Cómo descargar los datos
Desde esta carpeta, en la terminal:
python scripts/descargar.py
Baja dos archivos del portal de la Secretaría de Energía a datos/crudos/:
produccion_no_convencional.csv: producción mensual de cada pozo no convencional (~150 MB).fracturas.csv: cómo se fracturó cada pozo.
Cómo procesar los datos
Después de descargar, desde esta carpeta:
pip install -r requirements.txt
python scripts/procesar.py
Limpia los CSV y genera en datos/procesados/ los archivos Parquet que usa la app (~4 MB en total).
Cada decisión de limpieza está explicada en notebooks/02_limpieza.ipynb.
Cómo abrir la app
Desde esta carpeta:
streamlit run app/Inicio.py
Se abre en el navegador (http://localhost:8501) con 4 páginas:
| Página | Qué muestra |
|---|
| Inicio | Producción del último mes, variación contra el mes y el año anterior, los últimos 24 meses y las conclusiones principales |
| Evolución | Petróleo y gas mes a mes desde 2013, con filtro por empresa y por años |
| Empresas | Ranking de empresas por petróleo o gas, y la evolución de las 5 principales |
| Mapa | Mapa interactivo de pozos, coloreados por producción acumulada |
La app lee los archivos de datos/procesados/. Para actualizarla con datos nuevos: descargar.py → procesar.py → volver a abrirla.
Versión web (Next.js, para Vercel)
La carpeta web/ tiene la misma app hecha con Next.js (React), lista para publicar en Vercel.
No usa Python: lee los JSON que procesar.py deja en datos/procesados/web/ (los genera scripts/exportar_web.py).
Cada vez que se suben datos nuevos a GitHub (con actualizar.bat o GitHub Actions), Vercel vuelve a armar la web sola.
Para verla en tu PC (necesita Node.js 20 o más nuevo):
cd web
npm install
npm run dev
y abrir http://localhost:3000.
Está hecha con Tailwind CSS (estilos), Recharts (gráficos) y react-map-gl + MapLibre (mapa, sin token).
Diseño "terminal": fondo negro, sin tarjetas (las secciones se separan con líneas finas), un solo color de acento
(naranja) y tres fuentes: Playfair Display (títulos), DM Sans (textos) e IBM Plex Mono (todos los números).
El botón "Claro" del menú pasa a un modo claro editorial (fondo tiza y azul petróleo).
| Archivo | Qué hace |
|---|
web/app/layout.tsx + web/components/layout/ | Esqueleto: menú superior con las pestañas y botón de tema |
web/app/page.tsx | Panel general (KPIs, evolución, market share, hallazgos) |
web/app/evolucion/, empresas/, mapa/, predicciones/ | Las pestañas (los filtros están en los archivos ...Cliente.tsx) |
web/components/DashboardKPIs.tsx | Tarjetas de KPIs |
web/components/ProductionChart.tsx | Gráfico de áreas de producción (con tooltip de datos extra) |
web/components/MainChart.tsx | Gráfico principal: total o la empresa elegida, con hitos tecnológicos |
web/components/MarketShareRanking.tsx | Ranking de market share: pasar el mouse o tocar una empresa la elige |
web/components/SmallMultiplesSync.tsx | Gráficos chicos por empresa con tooltip sincronizado |
web/lib/store.ts | Estado compartido (Zustand): qué empresa está elegida |
web/components/WellMap.tsx | Mapa de pozos |
web/components/MLPredictionPanel.tsx, WellYieldPredictor.tsx | Pestaña Predicciones ML |
web/components/ui/ | Piezas chicas reutilizables (secciones, etiquetas, slider...) |
web/lib/config.ts | Interruptores, como el que muestra u oculta la pestaña de ML |
web/lib/datos.ts | Lee los JSON |
web/lib/indicadores.ts | Cálculo de KPIs y market share |
web/lib/ml.ts | Contrato con la API del modelo (qué se manda y qué se recibe) |
web/app/api/ml-predictions/route.ts | API de ejemplo: hoy devuelve un resultado simulado |
web/app/globals.css | Colores del modo oscuro y claro |
Predicciones ML (preparado para el modelo)
Está oculta hasta que el modelo esté listo: no aparece en el menú y /predicciones da "página no encontrada".
Para mostrarla: en Vercel → Settings → Environment Variables, crear NEXT_PUBLIC_MOSTRAR_ML = true y hacer
Redeploy. En la PC: crear web/.env.local con la línea NEXT_PUBLIC_MOSTRAR_ML=true.
La pestaña ya funciona, pero el número que muestra sale de una fórmula simple, no de un modelo.
Cuando el modelo esté entrenado en Python, hay que hacer una API (por ejemplo con FastAPI) que reciba
POST {"rama_m": 2500, "etapas": 40} y devuelva los campos de RespuestaPrediccion en web/lib/ml.ts,
y en Vercel cargar la variable NEXT_PUBLIC_ML_API_URL con la dirección de esa API. La web no cambia.
Actualización automática
Todos los lunes, GitHub Actions corre descargar.py y procesar.py en los servidores de GitHub.
Si el Gobierno publicó datos nuevos, guarda los Parquet actualizados en el repo y la app online se actualiza sola.
También se puede correr a mano desde la pestaña Actions → Actualizar datos → Run workflow.
Desde el 19/10/2026 el portal de la Secretaría de Energía no responde a los servidores de GitHub. Si pasa eso,
la tarea termina con una advertencia y la app sigue mostrando los datos anteriores. Para actualizar desde una PC
en Argentina: actualizar.bat (descarga, procesa y sube los datos nuevos al repo).
Fuentes
