Clasificación litológica a partir de registros eléctricos utilizando machine learning: caso de estudio formación otaraoa, Nueva Zelanda.
Cargando...
Fecha
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Fundación Universitaria Los Libertadores. Sede Bogotá.
Resumen
In 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.
Descripción
En 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.