Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo

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...

Full description

Autores:

Tipo de recurso:

Fecha de publicación:: 2023

Institución:: Universidad del Rosario

Repositorio:: Repositorio EdocUR - U. Rosario

Idioma:: spa

id	EDOCUR2_3e00255144adb8463738981645c5897d
oai_identifier_str	oai:repository.urosario.edu.co:10336/40985
network_acronym_str	EDOCUR2
network_name_str	Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.none.fl_str_mv	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
dc.title.TranslatedTitle.none.fl_str_mv	Automatic identification of lithological facies in a sedimentary sequence based on well logs
title	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
spellingShingle	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo Registros de Pozo Litología Caracterización de yacimientos Eliminación de ruido Importancia de las características Aprendizaje automático Petrofísica Well Logs Lithology Reservoir Characterization Noise Removal Importance of Features Machine Learning Petrophysics
title_short	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
title_full	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
title_fullStr	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
title_full_unstemmed	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
title_sort	Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo
dc.contributor.advisor.none.fl_str_mv	Villarejo Mayor, John Jairo
dc.subject.none.fl_str_mv	Registros de Pozo Litología Caracterización de yacimientos Eliminación de ruido Importancia de las características Aprendizaje automático Petrofísica
topic	Registros de Pozo Litología Caracterización de yacimientos Eliminación de ruido Importancia de las características Aprendizaje automático Petrofísica Well Logs Lithology Reservoir Characterization Noise Removal Importance of Features Machine Learning Petrophysics
dc.subject.keyword.none.fl_str_mv	Well Logs Lithology Reservoir Characterization Noise Removal Importance of Features Machine Learning Petrophysics
description	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.
publishDate	2023
dc.date.accessioned.none.fl_str_mv	2023-09-15T21:09:02Z
dc.date.available.none.fl_str_mv	2023-09-15T21:09:02Z
dc.date.created.none.fl_str_mv	2023-08-11
dc.type.none.fl_str_mv	bachelorThesis
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.document.none.fl_str_mv	Trabajo de grado
dc.type.spa.none.fl_str_mv	Trabajo de grado
dc.identifier.doi.none.fl_str_mv	https://doi.org/10.48713/10336_40985
dc.identifier.uri.none.fl_str_mv	https://repository.urosario.edu.co/handle/10336/40985
url	https://doi.org/10.48713/10336_40985 https://repository.urosario.edu.co/handle/10336/40985
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.rights.*.fl_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv	Abierto (Texto Completo)
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0/
rights_invalid_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International Abierto (Texto Completo) http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv	84 pp
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad del Rosario
dc.publisher.department.spa.fl_str_mv	Escuela de Ingeniería, Ciencia y Tecnología
dc.publisher.program.spa.fl_str_mv	Maestría en Matemáticas Aplicadas y Ciencias de la Computación
institution	Universidad del Rosario
dc.source.bibliographicCitation.none.fl_str_mv	Zhu, Liping; Li, Hongqu; Zhongguo, Yang; Li, Chengyang; Ao, Yile (2018) Intelligent Logging Lithological Interpretation With Convolution Neural. En: Petrophysics. Vol. 59; pp. 799-810 Disponible en: http://dx.doi.org/10.30632/PJV59N6-2018a5. Disponible en: 10.30632/PJV59N6-2018a5. Busch, J M; Fortney, W G; Berry, L N (1987) Determination of Lithology From Well Logs by Statistical Analysis. En: SPE Formation Evaluation. Vol. 2; No. 4; pp. 412-418 0885-923X; Consultado en: 2022/11/6. Disponible en: https://doi.org/10.2118/14301-PA; http://dx.doi.org/10.2118/14301-PA. Disponible en: 10.2118/14301-PA. Delfiner, Pierre; Peyret, Olivier; Serra, Oberto (1987) Automatic Determination of Lithology From Well Logs. En: SPE Formation Evaluation. Vol. 2; No. 3; pp. 303-310 0885-923X; Consultado en: 2022/11/6. Disponible en: https://doi.org/10.2118/13290-PA; http://dx.doi.org/10.2118/13290-PA. Disponible en: 10.2118/13290-PA. IEA (2021) Oil 2021. Disponible en: https://iea.blob.core.windows.net/assets/1fa45234-bac5-4d89-a532-768960f99d07/Oil_2021-PDF.pdf. Jaikla, Chayawan; Devarakota, Pandu; Auchter, Neal; Sidahmed, Mohamed; Espejo, Irene (2019) FaciesNet: Machine Learning Applications for Facies Classification in Well. Honório, Bruno; Drummond, Rodrigo; Vidal, Alexandre; Sanchetta, Alexandre; Leite, Emilson (2012) Well Log Denoising and Geological Enhancement Based on Discrete Wavelet. En: Energy Exploration & Exploitation. Vol. 30; pp. 417-434 Disponible en: http://dx.doi.org/10.1260/0144-5987.30.3.417. Disponible en: 10.1260/0144-5987.30.3.417. Serra, Oberto; Serra, Lorenzo (2004) Well Logging: Data Acquisition and Applications. pp. 674 : Serralog; 9782951561250; Misra, Siddharth; Li, Hao; He, Jiabo (2019) Machine Learning for Subsurface Characterization. pp. 442 : Gulf Professional Publishing; 9780128177372; Glover, Paul (2001) Petrophysics MSc Course Notes. : University of Aberdeen; Rider, M H (1996) The Geological Interpretation of Well Logs. pp. 280 : Whittles Publishing; 9781870325363; Bateman, Richard M (2012) Openhole Log Analysis and Formation Evaluation. pp. 653 : Society of Petroleum Engineers; 9781613991565; Dubois, Martin K; Bohling, Geoffrey C; Chakrabarti, Swapan (2007) Comparison of four approaches to a rock facies classification problem. En: Computers & Geosciences. Vol. 33; No. 5; pp. 599-617 0098-3004; Consultado en: 2022/11/11. Disponible en: https://www.sciencedirect.com/science/article/pii/S0098300406001956; http://dx.doi.org/10.1016/j.cageo.2006.08.011. Disponible en: 10.1016/j.cageo.2006.08.011. Hingle, (1959) The use of logs in exploration problems. En: SEG 29th Annual Meeting. Ellis, Darwin V; Singer, Julian M (2010) Well Logging for Earth Scientists. pp. 728 Dordrecht 9789048169474; Hochreiter, Sepp; Schmidhuber, Jürgen (1997) Long Short-term Memory. En: Neural computation. Vol. 9; pp. 1735-1780 Disponible en: http://dx.doi.org/10.1162/neco.1997.9.8.1735. Disponible en: 10.1162/neco.1997.9.8.1735. Powers, David (2008) Evaluation: From Precision, Recall and F-Factor to ROC, Informedness,. En: Mach. Learn. Technol. Vol. 2; Directorate, The Norwegian Petroleum; Well definitions. 2022/11/15; Consultado en: 2022/11/15. Disponible en: https://www.npd.no/en/facts/wells/well-definitions/. Reading, Harold G (1996) Sedimentary Environments: Processes, Facies and Stratigraphy. pp. 2 : Wiley; 9780632036271; Puthusserypady, Sadasivan (2021) Applied Signal Processing. : Now Publishers; 9781680839791; Consultado en: 2022/11/15. Disponible en: https://library.oapen.org/handle/20.500.12657/47870; http://dx.doi.org/10.1561/9781680839791. Disponible en: 10.1561/9781680839791. Liu, Fei Tony; Ting, Kai Ming; Zhou, Zhi-Hua (2008) Isolation Forest. En: 2008 Eighth IEEE International Conference on Data Mining. pp. 413-422 Disponible en: http://dx.doi.org/10.1109/ICDM.2008.17. Disponible en: 10.1109/ICDM.2008.17. Bonaccorso, Giuseppe (2018) Machine Learning Algorithms. pp. 522 : Packt Publishing; 9781789347999; Fukushima, Kunihiko (1980) Neocognitron: A self-organizing neural network model for a mechanism of. En: Biological Cybernetics. Vol. 36; No. 4; pp. 193-202 1432-0770; Consultado en: 2022/11/15. Disponible en: https://doi.org/10.1007/BF00344251; http://dx.doi.org/10.1007/BF00344251. Disponible en: 10.1007/BF00344251. Aggarwal, Charu C (2018) Neural Networks and Deep Learning: A Textbook. pp. 512 : Springer; 9783319944630; Matthews, B W (1975) Comparison of the predicted and observed secondary structure of T4 phage. En: Biochimica et Biophysica Acta (BBA). Vol. 405; No. 2; pp. 442-451 0005-2795; Consultado en: 2022/11/15. Disponible en: https://www.sciencedirect.com/science/article/pii/0005279575901099; http://dx.doi.org/10.1016/0005-2795(75)90109-9. Disponible en: 10.1016/0005-2795(75)90109-9. Chollet, Francois; Kalinowski, Tomasz; Allaire, J J (2022) Deep Learning with R, Second Edition. pp. 566 : Simon and Schuster; 9781633439849; Distributed collaborative prediction: Results of the machine learning. 2022/11/15; Consultado en: 2022/11/15. Disponible en: https://library.seg.org/doi/10.1190/tle36030267.1. Santos, Daniel Theisges dos; Roisenberg, Mauro; Nascimento, Marivaldo dos Santos (2022) Deep Recurrent Neural Networks Approach to Sedimentary Facies. En: IEEE Geoscience and Remote Sensing Letters. Vol. 19; pp. 1-5 1558-0571; Disponible en: http://dx.doi.org/10.1109/LGRS.2021.3053383. Disponible en: 10.1109/LGRS.2021.3053383. Bormann, Peter; Aursand, Peder; Dilib, Fahad; Manral, Surrender; Dischington, Peter (2020) FORCE 2020 Well well log and lithofacies dataset for machine learning. Disponible en: http://dx.doi.org/10.5281/zenodo.4351156. Disponible en: 10.5281/zenodo.4351156. Shier, D E (2004) Well log normalization: Methods and guidelines. En: Petrophysics. Vol. 45; pp. 268-280 Boughorbel, Sabri; Jarray, Fethi; El-Anbari, Mohammed (2017) Optimal classifier for imbalanced data using Matthews Correlation. En: PLoS ONE. Vol. 12; No. 6; pp. e0177678 1932-6203; Consultado en: 2022/11/17. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5456046/; http://dx.doi.org/10.1371/journal.pone.0177678; https://www.ncbi.nlm.nih.gov/pubmed/28574989; https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5456046. Disponible en: 10.1371/journal.pone.0177678. Cover, T; Hart, P (1967) Nearest neighbor pattern classification. En: IEEE Transactions on Information Theory. Vol. 13; No. 1; pp. 21-27 1557-9654; Disponible en: http://dx.doi.org/10.1109/TIT.1967.1053964. Disponible en: 10.1109/TIT.1967.1053964. Frazier, Peter I (2018) A Tutorial on Bayesian Optimization. No. arXiv:1807.02811; arXiv; Consultado en: 2022/11/18. Disponible en: http://arxiv.org/abs/1807.02811; http://dx.doi.org/10.48550/arXiv.1807.02811. Disponible en: 10.48550/arXiv.1807.02811. Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N; Kaiser, Lukasz; Polosukhin, Illia (2017) Attention Is All You Need. No. arXiv:1706.03762; arXiv; Consultado en: 2023/6/8. Disponible en: http://arxiv.org/abs/1706.03762; http://dx.doi.org/10.48550/arXiv.1706.03762. Disponible en: 10.48550/arXiv.1706.03762. Lundberg, Scott M; Lee, Su-In (2017) A unified approach to interpreting model predictions. En: Proceedings of the 31st International Conference on Neural Information. pp. 4768-4777 : Curran Associates Inc.; Consultado en: 2023/6/11.
dc.source.instname.none.fl_str_mv	instname:Universidad del Rosario
dc.source.reponame.spa.fl_str_mv	reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv	https://repository.urosario.edu.co/bitstreams/8c461607-5fd6-466d-af70-9b49c5908fb8/download https://repository.urosario.edu.co/bitstreams/6c5e4e0c-5de8-4a3a-acc3-51742f7609d7/download https://repository.urosario.edu.co/bitstreams/b8d905a0-52a6-43ae-81ad-8be9e5c5bf79/download https://repository.urosario.edu.co/bitstreams/edfe3a39-90e7-41b1-a28c-fb0859f1cc94/download https://repository.urosario.edu.co/bitstreams/d9cc2a42-d36f-4b93-b909-03a23513de9f/download https://repository.urosario.edu.co/bitstreams/f0f46ba6-af0d-45ab-ae44-fecb1d214812/download
bitstream.checksum.fl_str_mv	df1147196cbd69610a006d7dd6b97df4 d8055ed3ab213ee2e11177e69bdcfe15 b2825df9f458e9d5d96ee8b7cd74fde6 5643bfd9bcf29d560eeec56d584edaa9 fbfe5f4214d6398036889b36f184704f 44b986e2cd0c1cafe68a55b22d873426
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio institucional EdocUR
repository.mail.fl_str_mv	edocur@urosario.edu.co
_version_	1828160580010115072
spelling	Villarejo Mayor, John Jairo038da689-0bc6-4fed-80aa-871fbffd8a1b-1Montealegre Pallares, Tomás AndrésMagíster en Matemáticas Aplicadas y Ciencias de la ComputaciónFull timea541b61a-9be4-407b-bfc5-8447d1ed4d8c-12023-09-15T21:09:02Z2023-09-15T21:09:02Z2023-08-11La 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.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.84 ppapplication/pdfhttps://doi.org/10.48713/10336_40985 https://repository.urosario.edu.co/handle/10336/40985spaUniversidad del RosarioEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Matemáticas Aplicadas y Ciencias de la ComputaciónAttribution-NonCommercial-ShareAlike 4.0 InternationalAbierto (Texto Completo)http://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2Zhu, Liping; Li, Hongqu; Zhongguo, Yang; Li, Chengyang; Ao, Yile (2018) Intelligent Logging Lithological Interpretation With Convolution Neural. En: Petrophysics. Vol. 59; pp. 799-810 Disponible en: http://dx.doi.org/10.30632/PJV59N6-2018a5. Disponible en: 10.30632/PJV59N6-2018a5.Busch, J M; Fortney, W G; Berry, L N (1987) Determination of Lithology From Well Logs by Statistical Analysis. En: SPE Formation Evaluation. Vol. 2; No. 4; pp. 412-418 0885-923X; Consultado en: 2022/11/6. Disponible en: https://doi.org/10.2118/14301-PA; http://dx.doi.org/10.2118/14301-PA. Disponible en: 10.2118/14301-PA.Delfiner, Pierre; Peyret, Olivier; Serra, Oberto (1987) Automatic Determination of Lithology From Well Logs. En: SPE Formation Evaluation. Vol. 2; No. 3; pp. 303-310 0885-923X; Consultado en: 2022/11/6. Disponible en: https://doi.org/10.2118/13290-PA; http://dx.doi.org/10.2118/13290-PA. Disponible en: 10.2118/13290-PA.IEA (2021) Oil 2021. Disponible en: https://iea.blob.core.windows.net/assets/1fa45234-bac5-4d89-a532-768960f99d07/Oil_2021-PDF.pdf.Jaikla, Chayawan; Devarakota, Pandu; Auchter, Neal; Sidahmed, Mohamed; Espejo, Irene (2019) FaciesNet: Machine Learning Applications for Facies Classification in Well. Honório, Bruno; Drummond, Rodrigo; Vidal, Alexandre; Sanchetta, Alexandre; Leite, Emilson (2012) Well Log Denoising and Geological Enhancement Based on Discrete Wavelet. En: Energy Exploration & Exploitation. Vol. 30; pp. 417-434 Disponible en: http://dx.doi.org/10.1260/0144-5987.30.3.417. Disponible en: 10.1260/0144-5987.30.3.417.Serra, Oberto; Serra, Lorenzo (2004) Well Logging: Data Acquisition and Applications. pp. 674 : Serralog; 9782951561250;Misra, Siddharth; Li, Hao; He, Jiabo (2019) Machine Learning for Subsurface Characterization. pp. 442 : Gulf Professional Publishing; 9780128177372;Glover, Paul (2001) Petrophysics MSc Course Notes. : University of Aberdeen;Rider, M H (1996) The Geological Interpretation of Well Logs. pp. 280 : Whittles Publishing; 9781870325363;Bateman, Richard M (2012) Openhole Log Analysis and Formation Evaluation. pp. 653 : Society of Petroleum Engineers; 9781613991565;Dubois, Martin K; Bohling, Geoffrey C; Chakrabarti, Swapan (2007) Comparison of four approaches to a rock facies classification problem. En: Computers & Geosciences. Vol. 33; No. 5; pp. 599-617 0098-3004; Consultado en: 2022/11/11. Disponible en: https://www.sciencedirect.com/science/article/pii/S0098300406001956; http://dx.doi.org/10.1016/j.cageo.2006.08.011. Disponible en: 10.1016/j.cageo.2006.08.011.Hingle, (1959) The use of logs in exploration problems. En: SEG 29th Annual Meeting.Ellis, Darwin V; Singer, Julian M (2010) Well Logging for Earth Scientists. pp. 728 Dordrecht 9789048169474;Hochreiter, Sepp; Schmidhuber, Jürgen (1997) Long Short-term Memory. En: Neural computation. Vol. 9; pp. 1735-1780 Disponible en: http://dx.doi.org/10.1162/neco.1997.9.8.1735. Disponible en: 10.1162/neco.1997.9.8.1735.Powers, David (2008) Evaluation: From Precision, Recall and F-Factor to ROC, Informedness,. En: Mach. Learn. Technol. Vol. 2;Directorate, The Norwegian Petroleum; Well definitions. 2022/11/15; Consultado en: 2022/11/15. Disponible en: https://www.npd.no/en/facts/wells/well-definitions/.Reading, Harold G (1996) Sedimentary Environments: Processes, Facies and Stratigraphy. pp. 2 : Wiley; 9780632036271;Puthusserypady, Sadasivan (2021) Applied Signal Processing. : Now Publishers; 9781680839791; Consultado en: 2022/11/15. Disponible en: https://library.oapen.org/handle/20.500.12657/47870; http://dx.doi.org/10.1561/9781680839791. Disponible en: 10.1561/9781680839791.Liu, Fei Tony; Ting, Kai Ming; Zhou, Zhi-Hua (2008) Isolation Forest. En: 2008 Eighth IEEE International Conference on Data Mining. pp. 413-422 Disponible en: http://dx.doi.org/10.1109/ICDM.2008.17. Disponible en: 10.1109/ICDM.2008.17.Bonaccorso, Giuseppe (2018) Machine Learning Algorithms. pp. 522 : Packt Publishing; 9781789347999;Fukushima, Kunihiko (1980) Neocognitron: A self-organizing neural network model for a mechanism of. En: Biological Cybernetics. Vol. 36; No. 4; pp. 193-202 1432-0770; Consultado en: 2022/11/15. Disponible en: https://doi.org/10.1007/BF00344251; http://dx.doi.org/10.1007/BF00344251. Disponible en: 10.1007/BF00344251.Aggarwal, Charu C (2018) Neural Networks and Deep Learning: A Textbook. pp. 512 : Springer; 9783319944630;Matthews, B W (1975) Comparison of the predicted and observed secondary structure of T4 phage. En: Biochimica et Biophysica Acta (BBA). Vol. 405; No. 2; pp. 442-451 0005-2795; Consultado en: 2022/11/15. Disponible en: https://www.sciencedirect.com/science/article/pii/0005279575901099; http://dx.doi.org/10.1016/0005-2795(75)90109-9. Disponible en: 10.1016/0005-2795(75)90109-9.Chollet, Francois; Kalinowski, Tomasz; Allaire, J J (2022) Deep Learning with R, Second Edition. pp. 566 : Simon and Schuster; 9781633439849; Distributed collaborative prediction: Results of the machine learning. 2022/11/15; Consultado en: 2022/11/15. Disponible en: https://library.seg.org/doi/10.1190/tle36030267.1.Santos, Daniel Theisges dos; Roisenberg, Mauro; Nascimento, Marivaldo dos Santos (2022) Deep Recurrent Neural Networks Approach to Sedimentary Facies. En: IEEE Geoscience and Remote Sensing Letters. Vol. 19; pp. 1-5 1558-0571; Disponible en: http://dx.doi.org/10.1109/LGRS.2021.3053383. Disponible en: 10.1109/LGRS.2021.3053383.Bormann, Peter; Aursand, Peder; Dilib, Fahad; Manral, Surrender; Dischington, Peter (2020) FORCE 2020 Well well log and lithofacies dataset for machine learning. Disponible en: http://dx.doi.org/10.5281/zenodo.4351156. Disponible en: 10.5281/zenodo.4351156.Shier, D E (2004) Well log normalization: Methods and guidelines. En: Petrophysics. Vol. 45; pp. 268-280 Boughorbel, Sabri; Jarray, Fethi; El-Anbari, Mohammed (2017) Optimal classifier for imbalanced data using Matthews Correlation. En: PLoS ONE. Vol. 12; No. 6; pp. e0177678 1932-6203; Consultado en: 2022/11/17. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5456046/; http://dx.doi.org/10.1371/journal.pone.0177678; https://www.ncbi.nlm.nih.gov/pubmed/28574989; https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5456046. Disponible en: 10.1371/journal.pone.0177678.Cover, T; Hart, P (1967) Nearest neighbor pattern classification. En: IEEE Transactions on Information Theory. Vol. 13; No. 1; pp. 21-27 1557-9654; Disponible en: http://dx.doi.org/10.1109/TIT.1967.1053964. Disponible en: 10.1109/TIT.1967.1053964.Frazier, Peter I (2018) A Tutorial on Bayesian Optimization. No. arXiv:1807.02811; arXiv; Consultado en: 2022/11/18. Disponible en: http://arxiv.org/abs/1807.02811; http://dx.doi.org/10.48550/arXiv.1807.02811. Disponible en: 10.48550/arXiv.1807.02811.Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N; Kaiser, Lukasz; Polosukhin, Illia (2017) Attention Is All You Need. No. arXiv:1706.03762; arXiv; Consultado en: 2023/6/8. Disponible en: http://arxiv.org/abs/1706.03762; http://dx.doi.org/10.48550/arXiv.1706.03762. Disponible en: 10.48550/arXiv.1706.03762.Lundberg, Scott M; Lee, Su-In (2017) A unified approach to interpreting model predictions. En: Proceedings of the 31st International Conference on Neural Information. pp. 4768-4777 : Curran Associates Inc.; Consultado en: 2023/6/11.instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURRegistros de PozoLitologíaCaracterización de yacimientosEliminación de ruidoImportancia de las característicasAprendizaje automáticoPetrofísicaWell LogsLithologyReservoir CharacterizationNoise RemovalImportance of FeaturesMachine LearningPetrophysicsIdentificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozoAutomatic identification of lithological facies in a sedimentary sequence based on well logsbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Ingeniería, Ciencia y TecnologíaORIGINALIdentificacion-automatica-de-facies-litologicas-Tesis_Final.pdfIdentificacion-automatica-de-facies-litologicas-Tesis_Final.pdfapplication/pdf2279166https://repository.urosario.edu.co/bitstreams/8c461607-5fd6-466d-af70-9b49c5908fb8/downloaddf1147196cbd69610a006d7dd6b97df4MD51Identificacion-references.risIdentificacion-references.risapplication/x-research-info-systems50117https://repository.urosario.edu.co/bitstreams/6c5e4e0c-5de8-4a3a-acc3-51742f7609d7/downloadd8055ed3ab213ee2e11177e69bdcfe15MD52LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/b8d905a0-52a6-43ae-81ad-8be9e5c5bf79/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repository.urosario.edu.co/bitstreams/edfe3a39-90e7-41b1-a28c-fb0859f1cc94/download5643bfd9bcf29d560eeec56d584edaa9MD54TEXTIdentificacion-automatica-de-facies-litologicas-Tesis_Final.pdf.txtIdentificacion-automatica-de-facies-litologicas-Tesis_Final.pdf.txtExtracted texttext/plain102436https://repository.urosario.edu.co/bitstreams/d9cc2a42-d36f-4b93-b909-03a23513de9f/downloadfbfe5f4214d6398036889b36f184704fMD55THUMBNAILIdentificacion-automatica-de-facies-litologicas-Tesis_Final.pdf.jpgIdentificacion-automatica-de-facies-litologicas-Tesis_Final.pdf.jpgGenerated Thumbnailimage/jpeg2802https://repository.urosario.edu.co/bitstreams/f0f46ba6-af0d-45ab-ae44-fecb1d214812/download44b986e2cd0c1cafe68a55b22d873426MD5610336/40985oai:repository.urosario.edu.co:10336/409852023-09-16 03:00:30.239http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Identificación automática de facies litológicas de una secuencia sedimentaria basado en registros de pozo

Publicaciones similares