Predicción de la porosidad a partir de registros de tomografía computarizada de rayos X (RHOB y PEF) usando Redes Neuronales Artificiales (ANN)

Resumen

Este trabajo presenta un método para la predicción de la porosidad de la roca, a partir de los registros de tomografía computarizada de rayos X (CT) obtenidos mediante un enfoque de doble energía, específicamente, densidad aparente (RHOB) y factor fotoeléctrico (PEF). El método propuesto busca correlacionar la porosidad conocida de los Análisis básicos (RCAL) con los registros de alta resolución RHOB y PEF, ya que la respuesta de estas dos mediciones depende de la cantidad volumétrica de diferentes materiales de roca y del volumen de su espacio poroso. Redes Neuronales Artificiales (ANN) son entrenadas para que puedan predecir la porosidad a partir de estos registros CT a una alta resolución (0,625 mm). Los gráficos de validación y regresión de las ANN muestran que las predicciones de porosidad son buenas. Los modelos de porosidad de alta resolución vinculados a imágenes de CT podrían contribuir a mejorar el modelo de petrofísica del pozo, ya que permiten una identificación más refinada de los intervalos de interés debido a su medición detallada.

Palabras clave: CT, Imágenes de rocas, Registros de pozo, Registros de alta resolución, Inteligencia artificial

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor

Andrés Felipe Ortiz, Universidad Industrial de Santander

Grupo de Investigación en Tomografía para Caracterización de Yacimientos, Escuela de Ingeniería de Petróleos

Edwar Hernando Herrera, Universidad Industrial de Santander

Grupo de Investigación en Tomografía para Caracterización de Yacimientos, Escuela de Ingeniería de Petróleos

Nicolás Santos, Universidad Industrial de Santander

Grupo de Investigación en Tomografía para Caracterización de Yacimientos, Escuela de Ingeniería de Petróleos

Referencias

Akin, S.; Demiral, B.; Okandan, E. (1996). A novel method of porosity measurement utilizing computerized tomography. In-situ, 20(4), 347-365.

Akin, S.; Schembre, J.; Bhat, S.; Kovscek, A. (2000). Spontaneous imbibition characteristics of diatomite. Journal of Petroleum Science and Engineering, 25(3-4), 149-165. https://doi.org/10.1016/S0920-4105(00)00010-3

Akin, S.; Kovscek, A. (2003). Computed tomography in petroleum engineering research. Geological Society, London, Special Publications, 215, 23-38.
https://doi.org/10.1144/GSL.SP.2003.215.01.03

Al-Bulushi, N.; Araujo, M.; Kraaijveld, M.; Jing, X. (2007). Predicting water saturation using Artificial Neural Networks (ANNs). 1st Annual SPWLA Middle East Regional Symposium, Abu Dhabi, United Arab Emirates.

Calzado, A.; Geleijns, J. (2010). Tomografía computarizada. Evolución, principios técnicos y aplicaciones. Revista de Física Médica, 11(3), 163-180.

Funk, J.J.; Withjack, E.M.; Siddiqui, S.; Al-Enezi, S.M.; Caliskan, S. (2011). Core imaging - twenty five years of equipment, techniques, and applications of X-ray computed tomography (CT) for core analysis. International Symposium of the Society of Core Analysts. Austin, Texas, USA.

Kantzas, A.; Marentette, D.; Jhan, K.N.N. (1992). Computer-assited tomography: from qualitative visualization to quantitative core analysis. Journal of Canadian Petroleoum Technology, 31(9), 48-56. https://doi.org/10.2118/92-09-06

Konaté, A.A.; Pan, H.; Khan, N.; Ziggah, Y.Y. (2015). Prediction of porosity in crystalline rocks using artificial neural networks: an example from the Chinese Continental Scientific Drilling Main hole. Studia Geophysica et Geodaetica, 59(1), 113-136. https://doi.org/10.1007/s11200-013-0993-5

Larmagnat, S.; Des Roches, M.; Daigle, L.F.; Francus, P.; Lavoie, D.; Raymond, J.; Malo, M.; Aubiès-Trouilh, A. (2019). Continuous porosity characterization: Metric-scale intervals in heterogeneous sedimentary rocks using medical CT-scanner. Marine and Petroleum Geology, 109, 361-380. https://doi.org/10.1016/j.marpetgeo.2019.04.039

Ortiz-Meneses, A.F.; Plata-Chaves, J.M.; Herrera-Otero, E.; Santos-Santos, N. (2015). Caracterización estática de rocas por medio de tomografía computarizada de rayos-X TAC. Revista Fuentes: El Reventón Energético, 13(1), 57-63. https://doi.org/10.18273/revfue.v13n1-2015005

Siddiqui, S.; Khamees, A. (2004). Dual-energy CTscanning applications in rock characterization. SPE Annual Technical Conference and Exhibition. Houston, Texas, USA. https://doi.org/10.2118/90520-MS

Singh, S.; Kanli, A.; Sevgen, S. (2016). A general approach for porosity estimation using artificial neural network method: a case study from Kansas gas field. Studia Geophysica et Geodaetica, 60(1), 130-140. https://doi.org/10.1007/s11200-015-0820-2

Sun, Q.; Eissa, M.; Castagna, J.; Cersosimo, D.; Sun, S.; Decker, C. (2001). Porosity from artificial neural network inversion for Bermejo Field, Ecuador. SEG Int’l Exposition and Annual Meeting. San Antonio, Texas, USA.

White, A.C.; Molnar, D.; Aminian, K.; Mohaghegh, S.; Ameri, S.; Esposito, P. (1995). The application of ANN for zone identification in a complex reservoir. SPE Eastern Regional Conference & Exhibition. Morgantown, West Virginia, U.S.A.

Withjack, E.M.; Devier, C.; Michael, G. (2003). The role of x-ray computed tomography in core analysis. SPE Western Regional/AAPG Pacific Section Joint Meeting. Long Beach, California, USA.
Publicado
2020-09-30
Sección
Artículos científicos