Show simple item record

dc.contributor.advisorGonzález Veloza, José John Fredy
dc.contributor.authorMartínez Bernal, Margarita María
dc.date.accessioned2022-05-31T21:36:21Z
dc.date.available2022-05-31T21:36:21Z
dc.date.created2022
dc.identifier.urihttp://hdl.handle.net/11371/4657
dc.descriptionEn la industria del petróleo, al perforar un pozo de exploración, la incertidumbre es excesivamente alta ya que se quiere determinar las características del subsuelo y así las posibilidades de que exista petróleo o gas. Los métodos indirectos como la toma de registros eléctricos son los que proporcionan la base para los estudios de investigación geológica (facies sedimentarias, aguas subterráneas) lo cual es una actividad compleja que requiere tiempo pero que permiten al evaluador tomar decisiones. Mediante la aplicación de un modelo de aprendizaje automático se quiere reducir esta incertidumbre y minimizar el tiempo en el análisis de los registros eléctricos. En este estudio, se investiga la predicción de litología utilizando los registros eléctricos (Rayos Gamma, Neutrón, Densidad y Efecto fotoeléctrico (PEF)) tomados en la Fm. Otaraoa en Nueva Zelanda. Se realiza el entrenamiento de un modelo Supervisado en donde se abordan dos problemas: el primero de identificación de dos etiquetas (Arena y Arcilla) y el segundo de cuatro etiquetas (Arcilla arenosa, Arcilla arenosa calcárea, Arena arcillosa y Arena arcillosa calcárea). Se utiliza un pozo para entrenar un algoritmo para cada caso y luego dos pozos complementarios para probar su desempeño. Los resultados del modelo Extra Trees Classifier muestran que para el Problema 1 se obtuvo un Accuracy de 93%, superando las métricas del modelo basado en reglas (Accuracy del 87%), mientras que en el Problema 2 el Accuracy fue del 86%. El modelo en el Problema 1 logró aprender a reconocer la litología preestablecida por el experto humano y para el Problema 2 es importante seguir alimentando el entrenamiento del modelo con mayor cantidad de datos de otros pozos o con descripciones litológicas de núcleos.spa
dc.description.abstractIn the oil industry, when exploration well drilling, the uncertainty is excessively high since it is necessary to determine the characteristics of the subsurface and thus the possibilities that oil or gas exists. Indirect methods such as well logs are what provide the basis for geological investigation studies (sedimentary facies, groundwater) which is a complex activity that requires time but allows the evaluator to make decisions. By applying an automatic learning model, we want to reduce this uncertainty and minimize the time in the analysis of well logs. In this study, lithology prediction is investigated using electrical logs (Gamma Rays, Neutron, Density and Photoelectric Effect (PEF)) taken at the Fm. Otaraoa in New Zealand. The training of a Supervised model is carried out where two problems are addressed: the first of identification of two labels (Sand and Clay) and the second of four labels (Sandy Clay, Calcareous Sandy Clay, Clayey Sand and Calcareous Clayey Sand). One well is used to train an algorithm for each case and then two complementary wells are used to test its performance. The results of the Extra Trees Classifier model show that for Problem 1 an Accuracy of 93% was obtained, exceeding the metrics of the model based on rules (Accuracy of 87%), while in Problem 2 the Accuracy was 86%. The model in Problem 1 will learn to recognize the lithology pre-established by the human expert and for Problem 2 it is important to continue feeding the model training with more data from other wells or with core descriptions.spa
dc.formatPDFspa
dc.language.isospaspa
dc.publisherFundación Universitaria Los Libertadores. Sede Bogotá.spa
dc.titleClasificación litológica a partir de registros eléctricos utilizando machine learning: caso de estudio formación otaraoa, Nueva Zelanda.spa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
dc.creator.emailmmmartinezb@libertadores.edu.cospa
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accesoAbierto (Texto Completo)spa
dc.subject.subjectenglishEectrical recordsspa
dc.subject.subjectenglishSupervised learningspa
dc.subject.subjectenglishVisual inspectionspa
dc.subject.subjectenglishMachine learningspa
dc.subject.lembIndustria petroleraspa
dc.subject.lembClasificación litológicaspa
dc.subject.lembCurva de aprendizajespa
dc.subject.lembAprendizaje automáticospa
dc.subject.proposalRegistros eléctricosspa
dc.subject.proposalAprendizaje supervisadospa
dc.subject.proposalInspección visualspa
dc.subject.proposalAprendizaje automáticospa


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

BOGOTÁ: PBX: (60 1) 254 47 50 - 329 93 33 | Carrera 16 # 63 A - 68

CARTAGENA: Tels. (+57) (5) 656 85 34 - 656 08 92 | Calle 31 No. 19 - 51 Barrio Pie de la Popa

Infotegra S.A.S
Copyright © 2024 Fundación Universitaria Los Libertadores | Institución Universitaria | Vigilada Mineducación | Personería Jurídica Resolución 7542 de mayo de 1982 Acreditación Institucional en Alta Calidad Resolución 015638 del 5 de agosto de 2022, Ministerio de Educación Nacional.