Inferencias del factor fotoeléctrico (PEF) en registros de pozo con machine learning



Título del documento: Inferencias del factor fotoeléctrico (PEF) en registros de pozo con machine learning
Revista: Boletín de geología - Universidad Industrial de Santander
Base de datos: PERIÓDICA
Número de sistema: 000457089
ISSN: 0120-0283
Autores: 1
1
Instituciones: 1Universidad Nacional de Colombia, Departamento de Geociencias, Bogotá. Colombia
2Ecopetrol S.A., Bogotá. Colombia
Año:
Periodo: Ene-Abr
Volumen: 43
Número: 1
Paginación: 193-210
País: Colombia
Idioma: Español
Tipo de documento: Artículo
Enfoque: Analítico, descriptivo
Resumen en español Los registros de pozo convencionales son importantes para la realización de análisis petrofísicos, amarres sísmicos y correlación estratigráfica. El presente estudio propone una metodología para realizar predicciones en estos registros haciendo uso de machine learning (ML), una herramienta altamente aplicada en múltiples disciplinas. El software de entrenamiento utilizado fue WEKA (Waikato Environment for Knowledge Analysis), en el que se generó un modelo para la predicción del registro de Absorción Fotoeléctrica (PDPE o PEF), a partir de tres atributos, los registros de Rayos Gamma (GRGC), Densidad (DEN) y Corrección de Densidad (DCOR). Esta metodología fue aplicada a registros de pozo de la Formación San Fernando, cuya unidad equivalente sería la Formación Mirador, en el sector sur-occidental de los Llanos Orientales de Colombia. Fueron usados los registros de trece pozos para hacer el entrenamiento del modelo y otros seis pozos fueron usados para evaluar el desempeño de este. Los resultados confirman la posibilidad de correlacionar registros que miden características diferentes en las rocas y evidencian que las inferencias en registros de pozo con ML requieren un filtrado minucioso para tomar la tendencia de los datos, y una optimización clara para prevenir el sobreentrenamiento en el modelo
Resumen en inglés Conventional well logs are important for performing petrophysical analysis, seismic well ties and stratigraphic correlation. This study proposes a methodology to predict these types of logs using machine learning (ML), a tool highly applied in multiple disciplines. The training software used was WEKA (Waikato Environment for Knowledge Analysis), in which a model for the prediction of the Photoelectric Absorption log (PDPE) was generated, based on three attributes, the Gamma Ray log (GRGC), Density log (DEN) and Density Correction log (DCOR). This methodology was applied to well logs of San Fernando Formation, whose equivalent unit would be Mirador Formation, in the southwestern sector of the Llanos Basin, Colombia. Thirteen wells were used to train the model and six other wells were used to evaluate its performance. The results confirm the possibility of correlating logs that measure different characteristics in the rocks and show that inferences in well logs with ML require a detailed filtering to take the trend of the data, and a clear optimization to prevent overfitting in the model
Disciplinas: Geociencias,
Ingeniería
Palabras clave: Geología,
Ingeniería petrolera,
Fotoelectricidad,
Predicción,
Selección de atributos,
Grilla de búsqueda,
WEKA,
Sobreentrenamiento
Keyword: Geology,
Petroleum engineering,
Photoelectricity,
Graph prediction,
Attribute selection,
Grid search,
WEKA,
Overfitting
Texto completo: Texto completo (Ver HTML) Texto completo (Ver PDF)