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...
- 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
- 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)
id |
UISANTADR2_246e32448226759d93ded587fc621ad3 |
---|---|
oai_identifier_str |
oai:noesis.uis.edu.co:20.500.14071/12480 |
network_acronym_str |
UISANTADR2 |
network_name_str |
Repositorio UIS |
repository_id_str |
|
dc.title.none.fl_str_mv |
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 |
dc.title.english.none.fl_str_mv |
Development of a Model for the Integration of Well Logs with Tomography Information for the Estimation of Petrophysical Properties through a Model of Neural Networks |
title |
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 |
spellingShingle |
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 Registros de pozo Tomografía computarizada Propiedades petrofísicas Redes neuronales artificiales Aprendizaje automático Well Logs Computed Tomography Petrophysical Properties Artificial Neural Networks Machine Learning |
title_short |
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 |
title_full |
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 |
title_fullStr |
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 |
title_full_unstemmed |
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 |
title_sort |
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 |
dc.creator.fl_str_mv |
Domínguez López, Óscar Guillermo |
dc.contributor.advisor.none.fl_str_mv |
Ortiz Meneses, Andrés Felipe |
dc.contributor.author.none.fl_str_mv |
Domínguez López, Óscar Guillermo |
dc.contributor.evaluator.none.fl_str_mv |
Bejarano Wallens, Aristóbulo Santos Santos, Nicolás |
dc.subject.none.fl_str_mv |
Registros de pozo Tomografía computarizada Propiedades petrofísicas Redes neuronales artificiales Aprendizaje automático |
topic |
Registros de pozo Tomografía computarizada Propiedades petrofísicas Redes neuronales artificiales Aprendizaje automático Well Logs Computed Tomography Petrophysical Properties Artificial Neural Networks Machine Learning |
dc.subject.keyword.none.fl_str_mv |
Well Logs Computed Tomography Petrophysical Properties Artificial Neural Networks Machine Learning |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.none.fl_str_mv |
2023-03-09T20:11:22Z |
dc.date.available.none.fl_str_mv |
2023-03-09T20:11:22Z |
dc.date.created.none.fl_str_mv |
2023-03-06 |
dc.date.issued.none.fl_str_mv |
2023-03-06 |
dc.type.local.none.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
dc.type.hasversion.none.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
https://noesis.uis.edu.co/handle/20.500.14071/12480 |
dc.identifier.instname.none.fl_str_mv |
Universidad Industrial de Santander |
dc.identifier.reponame.none.fl_str_mv |
Universidad Industrial de Santander |
dc.identifier.repourl.none.fl_str_mv |
https://noesis.uis.edu.co |
url |
https://noesis.uis.edu.co/handle/20.500.14071/12480 https://noesis.uis.edu.co |
identifier_str_mv |
Universidad Industrial de Santander |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.license.none.fl_str_mv |
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.creativecommons.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
rights_invalid_str_mv |
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
eu_rights_str_mv |
openAccess |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Industrial de Santander |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeníerias Fisicoquímicas |
dc.publisher.program.none.fl_str_mv |
Ingeniería de Petróleos |
dc.publisher.school.none.fl_str_mv |
Escuela de Ingeniería de Petróleos |
publisher.none.fl_str_mv |
Universidad Industrial de Santander |
institution |
Universidad Industrial de Santander |
bitstream.url.fl_str_mv |
https://noesis.uis.edu.co/bitstreams/2266cfaa-3a01-4f78-ac50-7835ce181386/download https://noesis.uis.edu.co/bitstreams/5bac21c6-4665-46b7-9adf-4e3741ca4abf/download https://noesis.uis.edu.co/bitstreams/ec75fbd9-6288-437a-8dda-e3e9c41ed879/download https://noesis.uis.edu.co/bitstreams/bcaa231e-41b1-4f68-9c8e-cc8ff6a16738/download https://noesis.uis.edu.co/bitstreams/ddf3f040-a33d-4dc2-880d-3a56ac67755a/download |
bitstream.checksum.fl_str_mv |
716608311ffacd1cc978b2dcd3cc6569 f408a55e338f592c5e8c888d5187e81e 62f59bad2a81ed40a83ef018bef93c08 55755816d98ae9315090a446443f4499 d6298274a8378d319ac744759540b71b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
DSpace at UIS |
repository.mail.fl_str_mv |
noesis@uis.edu.co |
_version_ |
1814095179087347712 |
spelling |
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Ortiz Meneses, Andrés FelipeDomínguez López, Óscar GuillermoBejarano Wallens, AristóbuloSantos Santos, Nicolás2023-03-09T20:11:22Z2023-03-09T20:11:22Z2023-03-062023-03-06https://noesis.uis.edu.co/handle/20.500.14071/12480Universidad Industrial de SantanderUniversidad Industrial de Santanderhttps://noesis.uis.edu.coEste 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.PregradoIngeniero de PetróleosThis work presents a method that integrates well log data with tomography information by applying neural network models to predict basic petrophysical properties. In principle, log, tomography and petrophysical properties information from three study wells was collected and their theoretical relationships were established from the literature. First, prediction models were designed using only logs data. For this and the other models, a data set was selected to train neural networks with the Matlab Machine Learning toolbox. Then, the CT information was added to these training sets and the results were compared. The integration models showed a better fit compared to the models trained only with logs. To validate the performance of the models, regression plots were evaluated in which the estimated values are compared with the laboratory data collected from each well, and additionally the integration models were tested using a validation set that contains the logs and tomography of several full 3 ft sections scanned over core samples from each well. The integration models that were designed here allow predictions of porosity and permeability to be made quite close to the real values and with a resolution equivalent to the information obtained by scanning samples using computed tomography.application/pdfspaUniversidad Industrial de SantanderFacultad de Ingeníerias FisicoquímicasIngeniería de PetróleosEscuela de Ingeniería de PetróleosRegistros de pozoTomografía computarizadaPropiedades petrofísicasRedes neuronales artificialesAprendizaje automáticoWell LogsComputed TomographyPetrophysical PropertiesArtificial Neural NetworksMachine LearningDesarrollo 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 neuronalesDevelopment of a Model for the Integration of Well Logs with Tomography Information for the Estimation of Petrophysical Properties through a Model of Neural NetworksTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/version/c_b1a7d7d4d402bccehttp://purl.org/coar/resource_type/c_7a1fORIGINALDocumento.pdfDocumento.pdfapplication/pdf8759727https://noesis.uis.edu.co/bitstreams/2266cfaa-3a01-4f78-ac50-7835ce181386/download716608311ffacd1cc978b2dcd3cc6569MD51Carta de autorización.pdfCarta de autorización.pdfapplication/pdf57488https://noesis.uis.edu.co/bitstreams/5bac21c6-4665-46b7-9adf-4e3741ca4abf/downloadf408a55e338f592c5e8c888d5187e81eMD52Nota de proyecto.pdfNota de proyecto.pdfapplication/pdf115974https://noesis.uis.edu.co/bitstreams/ec75fbd9-6288-437a-8dda-e3e9c41ed879/download62f59bad2a81ed40a83ef018bef93c08MD53Anexos.rarAnexos.rarapplication/octet-stream40973https://noesis.uis.edu.co/bitstreams/bcaa231e-41b1-4f68-9c8e-cc8ff6a16738/download55755816d98ae9315090a446443f4499MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82237https://noesis.uis.edu.co/bitstreams/ddf3f040-a33d-4dc2-880d-3a56ac67755a/downloadd6298274a8378d319ac744759540b71bMD5520.500.14071/12480oai:noesis.uis.edu.co:20.500.14071/124802023-03-09 15:11:27.074http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://noesis.uis.edu.coDSpace at UISnoesis@uis.edu.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 |