| Revista: | Ingeniería petrolera |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000448907 |
| ISSN: | 0185-3899 |
| Autores: | Montilla, Gioconda J1 Charles, Rubén1 Galicia, Cintya1 Escamilla, Abelardo2 Lavariega, Felipe2 |
| Instituciones: | 1Emerson, Ciudad de México. México 2Petróleos Mexicanos, Exploración y Producción, Chicontepec, Veracruz. México |
| Año: | 2020 |
| Periodo: | Sep-Oct |
| Volumen: | 60 |
| Número: | 5 |
| Paginación: | 321-330 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | Las interpretaciones sísmicas son, por definición, subjetivas y a menudo requieren un tiempo significativo y una amplia experiencia del intérprete. Las técnicas de aprendizaje automático o inteligencia artificial pueden ayudar, ya que abordan los problemas de tiempo y precisión realizando análisis sísmicos de facies de una manera rigurosa y repetible. El tratar de entender el comportamiento de yacimientos complejos de baja porosidad y baja permeabilidad como es el caso de Chicontepec, convierte a la inteligencia artificial en una tecnología clave y poderosa en la integración de la información de pozos y el dato sísmico. Las metodologías usadas basadas en algoritmos de redes neuronales se enfocan en crear una relación directa entre las facies determinadas en un grupo de pozos y los atributos sísmicos, nos proporciona una herramienta para generar modelos probabilísticos que incorporan los pozos y la sísmica. El flujo de trabajo usado considera la descripción de 4 facies 1) Lutitas y limolitas, 2) Areniscas de baja porosidad y alto contenido de calcita, 3) Areniscas con moderado contenido de calcita, 4) Areniscas con altas porosidades y bajos contenidos de calcita. en los pozos. Los resultados se validaron a través de las propiedades petrofísicas y el contenido mineralógico en los intervalos evaluados, relacionándose a las rocas productivas y con los intervalos disparados de los pozos con mayor producción acumulada. Por medio de redes neuronales entrenadas usando los productos de la inversión sísmica, permiten jerarquizar las áreas con las facies asociadas a la mejor calidad de roca almacén en la formación Chicontepec, las cuales podrán usarse para proponer nuevas localizaciones, (avanzadas) |
| Resumen en inglés | Seismic interpretations are, by definition, subjective and often require significant time and extensive experience from the interpreter. Machine learning or artificial intelligence techniques can help overcome time and precision issues by performing seismic facies analyzes in a rigorous and repeatable manner. Trying to understand the behavior of complex low porosity and low permeability reservoirs such as Chicontepec, makes artificial intelligence a key and powerful technology in the integration of well information and seismic data. The methodologies used based on neural network algorithms focus on creating a direct relationship between the facies determined in a group of wells and the seismic attributes, providing us with a tool to generate probabilistic models that incorporate wells and seismic. The workflow used considers the description of 4 facies 1) Shales and Siltstones, 2) Low porosity sandstones and high calcite content, 3) Sandstones with moderate calcite content, 4) Sandstones with high porosities and low calcite content in the wells. The results were validated through the petrophysical properties and the mineralogical content in the evaluated intervals, relating to the productive rocks and with the drilled intervals of the wells with the highest accumulated production. By means of neural networks trained using the products of seismic inversion, they allow ranking the areas with the facies associated with the best quality of storage rock in the Chicontepec formation, which they can use to propose new (advanced) locations |
| Disciplinas: | Ingeniería, Ciencias de la computación |
| Palabras clave: | Redes, Ingeniería petrolera, Exploración petrolera, Redes neuronales, Inteligencia artificial, Depósitos clásticos, Secuencia de compactación, Facies, Inversión sísmica |
| Keyword: | Networks, Petroleum engineering, Oil exploration, Neuronal networks, Artificial intelligence, Clastic deposits, Compaction sequence, Facies, Seismic inversion |
| Texto completo: | https://biblat.unam.mx/hevila/Ingenieriapetrolera/2020/vol60/no5/2.pdf |
