| Journal: | Ingeniería petrolera |
| Database: | PERIÓDICA |
| System number: | 000448920 |
| ISSN: | 0185-3899 |
| Authors: | López Aguirre, Daniel1 García Benítez, Silvia Raquel1 Nicolás López, Rubén2 |
| Institutions: | 1Universidad Nacional Autónoma de México, Ciudad de México. México 2Instituto Mexicano del Petróleo, Ciudad de México. México |
| Year: | 2020 |
| Season: | Mar-Abr |
| Volumen: | 60 |
| Number: | 2 |
| Pages: | 119-138 |
| Country: | México |
| Language: | Español |
| Document type: | Artículo |
| Approach: | Aplicado, descriptivo |
| Spanish abstract | La velocidad de ondas de corte o cizalla y los parámetros elásticos como el módulo de Young (E), relación de Poisson (v), módulo volumétrico (k), módulo de corte (μ) y parámetro de Lamé (λ) son insumos útiles y necesarios en el análisis de geomecánica del subsuelo, ya que con esta información se generan diversas posibilidades de análisis del subsuelo y se logra robustecer el espectro de decisiones durante las etapas de perforación y terminación de pozos petroleros. No obstante, la importancia de esta información en muchas ocasiones no se tiene disponible. Para resolver esta problemática, se han seleccionado y emulado de la literatura, varias correlaciones que aproximan el comportamiento de la velocidad de corte y los parámetros elásticos en el subsuelo. Sin embargo, no en todos los casos se logra tener una aproximación aceptable con estas correlaciones. Con la aplicación de esta metodología, fue posible generar los productos necesarios para la construcción de un modelo dinámico de geomecánica profunda, a partir de insumos comunes para la mayoría de los pozos estudiados, como son curvas de registros convencionales de rayos gamma, resistividad verdadera, tiempo de tránsito y densidad volumétrica; esta información se introdujo en un simulador de inteligencia artificial, que resolvió con las redes neuronales entrenando primeramente con valores conocidos, y posteriormente aplicando esta lógica a los casos objetivo. Con base en esta metodología, se discretizó la velocidad de corte y los parámetros elásticos que forman parte del modelo geomecánico, optimizando con esto, los costos de consumo de horas/equipo generadas con adquisición de registros especializados como el sónico dipolar; además de que se puede ampliar para la obtención de otros parámetros de resistencia del medio roca-fluido, haciendo rentable la metodología en muchos aspectos |
| English abstract | Shear wave velocity and elastic parameters called Young’s modulus (E), Poisson’s ratio (v), bulk modulus (k), shear modulus (μ) and Lamé parameter (λ) are useful and mandatory data for geomechanical analysis. Once this information is obtained, various choices of analysis are generated, and then we are also able to strengthen the variety of decisions on oil-well drilling and completion. Unfortunately, this well information is often not available. To solve this drawback, several published correlations approximate the behavior of the shear velocity and the elastic parameters at depth; here they have been selected and emulated from the literature. However, for all cases, a proper accuracy cannot be attainable by using these correlations. From the application of this methodology, we were able to estimate the parameters to develop a dynamic model for deep geomechanics from well-known data of the wells, such as curves of conventional logs: gamma ray, true resistivity, transit time and bulk density. An artificial intelligence simulator was fed up with this information, which was solved by applying neural networks. First, they were trained from known values, and after applying this logic process on the case study. On the basis of this methodology, shear velocity and elastic parameters, that are part of the geomechanical model, were discretized. The results were the optimization of the consumption costs of hours / equipment generated with the acquisition of specialized records such as dipole sonic. In addition, it can be extended to obtain other strength parameters of the rock-fluid media, making the methodology profitable in many aspects |
| Disciplines: | Ingeniería |
| Keyword: | Ingeniería petrolera, Perforación de pozos, Velocidad de corte, Parámetros elásticos, Geomecánica profunda, Inteligencia artificial |
| Keyword: | Petroleum engineering, Wells perforation, Shear wave velocity, Elastic parameters, Deep geomechanics, Artificial intelligence |
| Full text: | https://biblat.unam.mx/hevila/Ingenieriapetrolera/2020/vol60/no2/3.pdf |
