Ítem
Acceso Abierto
Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
Título de la revista
Autores
Montealegre Pallares, Tomás Andrés
Fecha
2023-08-11
Directores
Villarejo Mayor, John Jairo
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Citations
Métricas alternativas
Resumen
La identificación precisa de la litología es esencial en la caracterización de yacimientos, ya que impacta significativamente la calidad de los yacimientos de petróleo y gas. La convencional interpretación manual de los datos de registro de pozo requiere un volumen masivo de datos y es subjetiva al depender de la experiencia del geofísico. En los últimos años se han desarrollado métodos automáticos basados en inteligencia artificial para identificar la litología mediante el análisis de los registros de pozos. No obstante, muchos de estos enfoques utilizan valores de una sola medición y tienen dificultades para distinguir las características de respuesta de las litologías, lo que lleva a predicciones inexactas. Este estudio tiene como objetivo desarrollar un modelo de aprendizaje automático efectivo para la clasificación de facies litológicas en pozos. Se propusieron modelos de redes neuronales como CNN1D y LSTM para aprovechar la naturaleza secuencial de los registros. Además, se exploraron modelos ramificados que combinan diferentes tipos de redes neuronales, incluyendo un mecanismo de autoatención. Comparando estos modelos con los enfoques tradicionales KNN y FC basada en una única medición se encontró que el CNN1D fue más efectivo en términos de métricas de evaluación, superando las limitaciones de los enfoques basados en datos puntuales. Además, un análisis de importancia de características reveló que todos los registros de pozo son relevantes en la clasificación, destacando GR, RDEP, RMED y DTC como los más influyentes. La importancia asignada a estos registros en el modelo propuesto coincidió con la atención dada por un petrofísico experto durante su identificación manual. Los resultados obtenidos con los modelos propuestos presentan alternativas eficientes y satisfactorias para su aplicación en el campo de la industria de gas y petróleo.
Abstract
The accurate identification of lithology is crucial in the characterization of reservoirs as it significantly impacts the quality of oil and gas fields. The conventional manual interpretation of well log data requires a massive volume of data and it is subjective, relying on the expertise of geophysicists. In recent years, automated methods have been developed to identify lithology by analyzing well log data based on artificial intelligence. Nevertheless, many of these approaches rely on single-measurement values and struggle to distinguish the response characteristics of different lithologies, leading to inaccurate predictions. This study aims on developing an effective machine learning model for the classification of lithological facies in wells. Neural network models were proposed, including CNN1D and LSTM, which leverage the sequential nature of the well log data. Furthermore, branched models combining different types of neural networks, including a self-attention mechanism, were explored. Comparing these models with traditional approaches such as KNN and a single-measurement-based FC, it was found that the CNN1D outperformed others in terms of evaluation metrics, surpassing the limitations of point-based approaches. Additionally, an analysis of feature importance revealed that all well log measurements were relevant in the classification process, with GR, RDEP, RMED, and DTC standing out as the most influential. The importance assigned to these measurements in the proposed model aligns with the attention given by expert petrophysicists during manual lithology identification. This convergence between automated approaches and human expertise reinforces confidence in the model's effectiveness. The achieved results with the proposed models present efficient and satisfactory alternatives for their application in the field of the oil and gas industry.
Palabras clave
Registros de Pozo , Litología , Caracterización de yacimientos , Eliminación de ruido , Importancia de las características , Aprendizaje automático , Petrofísica
Keywords
Well Logs , Lithology , Reservoir Characterization , Noise Removal , Importance of Features , Machine Learning , Petrophysics
