Vol. 42 Núm. 3 (2020): Boletín de Geología
Artículos científicos

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

Andrés Felipe Ortiz
Universidad Industrial de Santander
Biografía
Edwar Hernando Herrera
Universidad Industrial de Santander
Biografía
Nicolás Santos
Universidad Industrial de Santander
Biografía

Publicado 2020-09-30

Palabras clave

  • CT,
  • Imágenes de rocas,
  • Registros de pozo,
  • Registros de alta resolución,
  • Inteligencia artificial

Cómo citar

Ortiz, A. F., Herrera, E. H., & Santos, N. (2020). Predicción de la porosidad a partir de registros de tomografía computarizada de rayos X (RHOB y PEF) usando Redes Neuronales Artificiales (ANN). Boletín De Geología, 42(3), 141–149. https://doi.org/10.18273/revbol.v42n3-2020006

Altmetrics

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.

Descargas

Los datos de descargas todavía no están disponibles.

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.