Publicado 2021-01-07
Palabras clave
- Predicción de gráficas,
- Selección de atributos,
- Grilla de búsqueda,
- WEKA,
- Sobreentrenamiento
Cómo citar
Derechos de autor 2021 Boletín de Geología
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Altmetrics
Resumen
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.
Descargas
Referencias
Asquith, G.; Krygowski, D. (2004). Basic well log analysis. AAPG. Methods in Exploration Series, No 16.
Ballesteros, C.A.; Torres, C.A. (2017). Análisis conceptual del impacto de procesos térmicos de recobro mejorado, en completamientos convencionales y multiobjetivo con crudo extra-pesado en la Formación San Fernando, en la cuenca de los llanos Orientales. Tesis, Fundación Universidad de América, Bogotá, Colombia.
Brownlee, J. (2016). Machine Learning Mastery with Weka: Analyze Data, Develop Models, and Work Through Projects. Ebook Edition.
Dietterich, T. (1995). Overfiting and undercomputing in machine learning. ACM Computing Surveys, 27(3), 326-327. https://doi.org/10.1145/212094.212114
Drazin, S.; Montag, M. (2012). Decision tree analysis using weka. Machine Learning-Project II. University of Miami. Internal report.
El Naqa, I.; Murphy, M.J. (2015). What is Machine Learning? In: I. El Naqa; R. Li; M.J. Murphy (eds). Machine Learning in Radiation Oncology (pp. 3-11). Springer International Publishing. https://doi.org/10.1007/978-3-319-18305-3_1
Flores, R. (2014). Coalbed Gas Production. In: Coal and Coalbed Gas (pp. 369-436). Elsevier. https://doi.org/10.1016/B978-0-12-396972-9.00007-0
Glover, P. (2000). Petrophysics MSc Course Notes Wireline Logging Dr Paul Glover Page 59. Consultado el 4 de Noviembre del 2020. https://www.coursehero.com/fie/p46psk5/PetrophysicsMSc-Course-Notes-Wireline Logging-Dr-PaulGlover-Page-59-Data-is/
Hall, M.; Frank, E.; Holmes, G.; Pfahringer, B.; Reutemann, P.; Witten, I.H. (2009). The WEKA data mining software: an update. ACM SIGKDD Explorations Newsletter, 11(1), 10-18. https://doi.org/10.1145/1656274.1656278
Igbokwe, O.A. (2011). Stratigraphic interpretation of Well-Log data of the Athabasca Oil Sands of Alberta Canada through Pattern recognition and Artificial Intelligence. Master’s thesis. Westfälische Wilhelms-Universität Münster, Münster, Alemania.
Khandelwal, M.; Singh, T.N. (2010). Artificial Neural Networks as a valuable tool for well log interpretation. Petroleum Science and Technology, 28(14), 1381-1393. https://doi.org/10.1080/10916460903030482
Labani, M.M.; Kadkhodaie-Ilkhchi, A.; Salahshoor, K. (2010). Estimation of NMR log parameters from conventional well log data using a committee machine with intelligent systems: A case study from the Iranian part of the South Pars gas field, Persian Gulf Basin. Journal of Petroleum Science and Engineering, 72(1-2), 175-185. https://doi.org/10.1016/j.petrol.2010.03.015
Ochoa, L.H.; Niño, L.F.; Vargas, C.A.; (2018). Fast estimation of earthquake epicenter distance using a single seismological station with machine learning techniques. DYNA, 85(204), 161-168. https://doi.org/10.15446/dyna.v85n204.68408
Onajite, E. (2014). Understanding seismic interpretation methodology. In: Seismic Data Analysis Techniques in Hydrocarbon Exploration (pp. 177-211). Elsevier.
Parapuram, G.; Mokhtari, M.; Ben Hmida, J. (2018). An artificially intelligent technique to generate synthetic geomechanical well logs for the Bakken Formation. Energies, 11(3). https://doi.org/10.3390/en11030680
Piedrahita, J. (2016). Caracterización petrofísica de un área en el bloque CPO 16 en la cuenca de los Llanos Orientales – Colombia. Tesis, Universidad EAFIT, Medellín, Colombia.
Schlumberger Oilfild Glossary. Consultado el 26 de Diciembre del 2019. https://www.glossary.oilfild.slb.com/en/Terms/p/pef.aspx
Rojas, N.; Cardona, P.; Arango, S.; Florez, A. (2004). Redescubriendo un gigante: yacimiento San Fernando campo Chichimene - Cuenca Llanos orientales. III Convención Técnica ACGGP. Bogotá, Colombia.
Rolon, L.; Mohaghegh, S.D.; Ameri, S.; Gaskari, R.; McDaniel, B. (2009). Using artificial neural networks to generate synthetic well logs. Journal of Natural Gas Science and Engineering, 1(4-5), 118-133. https://doi.org/10.1016/j.jngse.2009.08.003
Wu, X.; Nyland, E. (1987). Automated stratigraphic interpretation of well-log data. Geophysics, 52(12), 1665-1676. https://doi.org/10.1190/1.1442283
Wu, P.Y.; Jain, V.; Kulkarni, M.S.; Abubakar, A. (2018). Machine learning-based method for automated well-log processing and interpretation. SEG Technical Program Expanded Abstracts 2018, 2041-2045. https://doi.org/10.1190/segam2018-2996973.1
Zhang, D.; Chen, Y.; Meng, J. (2018). Synthetic well logs generation via Recurrent Neural Networks. Petroleum Exploration and Development, 45(4), 629-639. https://doi.org/10.1016/S1876-3804(18)30068-5