Desarrollo de un modelo para la integración de registros de pozo con información de tomografía para la estimación de propiedades petrofísicas por medio de un modelo de redes neuronales

Este proyecto presenta un método que integra datos de registros de pozo con información de tomografía aplicando modelos de redes neuronales para predecir propiedades petrofísicas básicas. En principio, se recolectó la información de registros, tomografía y de propiedades petrofísicas de tres pozos d...

Full description

Autores:
Domínguez López, Óscar Guillermo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Industrial de Santander
Repositorio:
Repositorio UIS
Idioma:
spa
OAI Identifier:
oai:noesis.uis.edu.co:20.500.14071/12480
Acceso en línea:
https://noesis.uis.edu.co/handle/20.500.14071/12480
https://noesis.uis.edu.co
Palabra clave:
Registros de pozo
Tomografía computarizada
Propiedades petrofísicas
Redes neuronales artificiales
Aprendizaje automático
Well Logs
Computed Tomography
Petrophysical Properties
Artificial Neural Networks
Machine Learning
Rights
openAccess
License
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
Description
Summary:Este proyecto presenta un método que integra datos de registros de pozo con información de tomografía aplicando modelos de redes neuronales para predecir propiedades petrofísicas básicas. En principio, se recolectó la información de registros, tomografía y de propiedades petrofísicas de tres pozos de estudio y se establecieron sus relaciones teóricas a partir de la literatura. Primero, se diseñaron los modelos de predicción usando sólo datos de registros. Para este y los demás modelos se seleccionó un set de datos para entrenar redes neuronales con la herramienta Machine Learning de Matlab. Luego, a estos sets de entrenamiento se añadió la información de tomografía y se compararon los resultados. Los modelos de integración mostraron un mejor ajuste comparados con los modelos alimentados sólo con registros. Para validar el rendimiento de los modelos se evaluaron gráficos de regresión en los que se comparan los valores estimados con los datos de laboratorio recolectados de cada pozo, y adicionalmente se probaron los modelos de integración usando un set de validación que contiene los registros y tomografía de varias secciones completas de 3 ft escaneadas sobre muestras de núcleos de cada pozo. Los modelos de integración que se diseñaron permiten hacer predicciones de porosidad y permeabilidad bastante cercanas a los valores reales y con una resolución equivalente a la información que se obtiene al escanear muestras usando tomografía computarizada.