Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos
ilustraciones, graficas, mapas
- Autores:
-
Sotelo Sarmiento, Victor Alfonso
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81091
- Palabra clave:
- 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología
Impedancia elástica extendida
Aprendizaje de máquina
Inversión sísmica
Predicción de propiedades de yacimiento
Extended elastic impedance
Machine learning
Seismic inversion
Reservoir property prediction
Yacimientos de minerales
Sismología
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_8a384aa02f9bab75c945a8ee685a8774 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81091 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| dc.title.translated.eng.fl_str_mv |
Calculation of volumes of elastic parameters through IEE and deep learning to characterize reservoirs |
| title |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| spellingShingle |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología Impedancia elástica extendida Aprendizaje de máquina Inversión sísmica Predicción de propiedades de yacimiento Extended elastic impedance Machine learning Seismic inversion Reservoir property prediction Yacimientos de minerales Sismología |
| title_short |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| title_full |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| title_fullStr |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| title_full_unstemmed |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| title_sort |
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
| dc.creator.fl_str_mv |
Sotelo Sarmiento, Victor Alfonso |
| dc.contributor.advisor.none.fl_str_mv |
Montes Vides, Luis Alfredo |
| dc.contributor.author.none.fl_str_mv |
Sotelo Sarmiento, Victor Alfonso |
| dc.subject.ddc.spa.fl_str_mv |
550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología |
| topic |
550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología Impedancia elástica extendida Aprendizaje de máquina Inversión sísmica Predicción de propiedades de yacimiento Extended elastic impedance Machine learning Seismic inversion Reservoir property prediction Yacimientos de minerales Sismología |
| dc.subject.proposal.spa.fl_str_mv |
Impedancia elástica extendida Aprendizaje de máquina Inversión sísmica Predicción de propiedades de yacimiento |
| dc.subject.proposal.eng.fl_str_mv |
Extended elastic impedance Machine learning Seismic inversion Reservoir property prediction |
| dc.subject.unesco.none.fl_str_mv |
Yacimientos de minerales Sismología |
| description |
ilustraciones, graficas, mapas |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-03-01T15:19:13Z |
| dc.date.available.none.fl_str_mv |
2022-03-01T15:19:13Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81091 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81091 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Alpaydin, E. 2014. Introduction to machine learning. London: MIT press. Beikman. H. 1962. Geology of the Powder River Basin, Wyoming and Montana, with reference to subsurface disposal of radioactive wastes. Burkov. A. 2019. The Hundred page Machine learning Book. Pg 74 Connolly. P. 1999. Elastic Impedance, BP Amoco, Houston, Texas, U.S. Cooper. S. 2000. Deformation within a basement cored anticline: Teapot Dome, Wyoming. Deng, L. &. 2014. Deep learning: methods and applications. Foundations and trends in signal processing (Vol. 7). Redmond: Now Publishers. Dennen et al 2005. Geochemical Analyses of Oils and Gases, Naval Petroleum Reserve No. 3, Teapot Dome Field, Natrona County, Wyoming Dolton. G. & Fox. J. 1996. Powder River basin province. Dong. W. 1996. A sensitive combination of AVO slope and intercept for hydrocarbon indication. Duc, T. L. 2019. Machine learning methods for reliable resource provisioning in edge-cloud computing: A survey. ACM Computing Surveys (CSUR), 1-39. Gutierrez, E. 2019. Inversión AVA-2D utilizando un algoritmo genético híbrido. Tesis de maestría Universidad Nacional de Colombia. EXCEL. 2001. Post Stack Migration Report for RMOTC. Hinton, G. E. 1999. Unsupervised learning: foundations of neural computation. London: MIT press. HRS. 2020. Neural Networks Theory. Hampson & Russell Help.https://wiki.seg.org/wiki/Teapot_dome_3D_survey Kirschbaum. M & Mercier. T. 2013. Controls on the deposition and preservation of the cretaceous Mowry shale and Frontier formation and equivalents, Rocky Mountain region, Colorado Utah, and Wyoming. Mercado. V., Russell. B. & Flores. A. 2006. Neural Networks in Reservoir Characterization. The Leading Edge. Mohebali, B. T.-B. 2020. Probabilistic neural networks: a brief overview of theory, implementation, and application. Handbook of Probabilistic Models, 347-367. Mohri, M. R. 2018. Foundations of machine learning. London: MIT press. Muller. A & Guido. S. 2016. Introduction to Machine Learning with Python. Preston. J. 2013. Lateral heterogeneity and architectural analysis of the Wall creek member of the upper cretaceous (turonian) Frontier Formation. Moncayo, M. 2011. Inversión sísmica de datos pre apilado mediante un algoritmo genético: aplicado a zona de canales Romero. J. D. 2018. Procesamiento, inversión y análisis de la inversión con datos pre-apilados de la sísmica de Teapot Dome 3D, Wyoming, EE.UU Russell, S. &. 2002. Artificial intelligence: a modern approach. Harlow: Pearson Education Limited Shuey. R. 1985. A simplification of the Zoeppritz equations Wang, S. C. 2003. Artificial neural network. Interdisciplinary computing in java programming, 81-100 Whitcombe et al. 2002. Extended elastic impedance for fluid and lithology prediction. Whitcombe. D. 2002. Elastic impedance normalization. Xu, C. M. 2019. When petrophysics meets big data: What can machine do? SPE Middle East Oil and Gas Show and Conference, Society of Petroleum Engineers. Jones. Ian F. 2013. Transforms, orthogonality, eigenvectors, and eigen values (first break volumen 31) Russell. Brian H. 1989. Statics correction – A tutorial Hampson & Russell help system version 10.5 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
115 pagínas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias - Maestría en Ciencias - Geofísica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Geociencias |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81091/1/Tesis_IEE%20y%20Deep%20learning_Victor%20Sotelo_Documento%20final%20-%20Victor%20Alfonso%20Sotelo%20Sarmiento.pdf https://repositorio.unal.edu.co/bitstream/unal/81091/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/81091/3/Licencia%20y%20autorizacion%20para%20publicacion%20de%20obras_firmada%20-%20Victor%20Alfonso%20Sotelo%20Sarmiento.pdf https://repositorio.unal.edu.co/bitstream/unal/81091/4/Tesis_IEE%20y%20Deep%20learning_Victor%20Sotelo_Documento%20final%20-%20Victor%20Alfonso%20Sotelo%20Sarmiento.pdf.jpg |
| bitstream.checksum.fl_str_mv |
9f84f300a5bed95c4a6dd244b82948f8 8153f7789df02f0a4c9e079953658ab2 3b5fcd9f961bc9c90b1623b005124be4 d820518294d4d68d2bfba14de5aa8ee7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089695344197632 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Montes Vides, Luis Alfredoe625eb67ccadfe0bb20c3d8f11d78343Sotelo Sarmiento, Victor Alfonso0a83f5abab58c6893c651048ac1bc62e2022-03-01T15:19:13Z2022-03-01T15:19:13Z2021https://repositorio.unal.edu.co/handle/unal/81091Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, graficas, mapasEl conocimiento del subsuelo es fundamental en la exploración y el desarrollo de yacimientos de hidrocarburos, dentro de múltiples técnicas de inversión sísmica hemos escogido utilizar para este trabajo la Impedancia Elástica Extendida (IEE) con el fin de evaluar propiedades de roca mediante asociación a un rango de ángulos extendido, que físicamente no es posible registrar, y adicionalmente usar tres técnicas de inteligencia artificial con el fin de encontrar las tendencias no lineales que nos permitirán comparar los resultados y eventualmente mejorar las predicciones. Aplicamos la propiedad de IEE para modelar 4 propiedades de roca, el gamma ray, la porosidad, lambda rho y mu rho para el miembro 2nd Wall Creek de la Formación Frontier (Campo Teapot Dome, Wyoming U. S.). En este proceso la relación entre la IEE y cada una de las propiedades se determina de manera lineal, dando lugar a un considerable grado de incertidumbre, principalmente en la predicción del gamma ray y la porosidad, debido a la alta dispersión de los datos. Con el objetivo de buscar una mejor predicción de las mismas 4 propiedades y poder comparar los resultados por distintos métodos, incorporamos de manera independiente 3 técnicas de machine y deep learning, Multi Linear Regression (MLR), Probabilistic Neural Network (PNN) y Deep Feed-forward Neural Network (DFNN). Destacando como resultado que las propiedades modeladas con los algoritmos MLR y DFNN fueron las que mayor definición del yacimiento permitieron en cuanto al coeficiente de correlación en la etapa de validación. Este trabajo fue desarrollado con información del campo Teapot Dome, como caso de estudio, específicamente sobre el miembro Second Wall Creek de la Formación Frontier del cretácico superior, uno de los yacimientos principales, descrito como areniscas fluvio deltaicas. La predicción de las propiedades de yacimiento nos permitió interpretar diferentes cuerpos como zonas óptimas, basados en la distribución de los valores más favorables, tales como porosidad alta, gamma ray bajo, lambda rho bajo y mu rho alto, estas formas se interpretan como complejos de canales distributarios y lóbulos propios de ambientes de frente de playa y deltaicos, sometidos a la acción de mareas, características que se ajustan a la evolución geológica de la cuenca en el área estudiada. El campo cuenta con alrededor de 1.300 pozos (de los cuales preseleccionamos 25) y 72 Km2 de sísmica 3D en versiones pre stack y post stack de buena calidad. Entre las bondades del conjunto de datos están la disponibilidad de un buen número de pozos que nos permitió análisis más robustos y una adecuada evaluación de resultados, tanto para el método de IEE como también en el campo del aprendizaje de máquina, por esta razón resultó conveniente contar con información de un campo de producción, tal como Teapot Dome, cuyos datos son de acceso libre con el objeto de promover la investigación científica. Sus promotores son Rocky Mountain Oilfield Testing Center RMOTC y el U.S. Department of Energy. (Texto tomado de la fuente)The knowledge of the subsoil is essential in the exploration and development of hydrocarbon deposits, within multiple seismic inversion techniques we have chosen to use for this work the Extended Elastic Impedance (IEE) in order to evaluate rock properties through association to a range of extended angles, which is not physically possible to record, and additionally using three artificial intelligence techniques in order to find non-linear trends that will allow us to compare the results and eventually improve the predictions. We apply the IEE property to model 4 rock properties, gamma ray, porosity, lambda rho and mu rho for the 2nd Wall Creek member of the Frontier Formation (Teapot Dome Field, Wyoming U.S.). In this process, the relationship between the IEE and each of the properties is determined linearly, giving rise to a considerable degree of uncertainty, mainly in the prediction of the gamma ray and porosity, due to the high dispersion of the data. In order to seek a better prediction of the same 4 properties and to be able to compare the results by different methods, we independently incorporate 3 machine and deep learning techniques, Multi Linear Regression (MLR), Probabilistic Neural Network (PNN) and Deep Feed-forward Neural Network (DFNN). As a result, the properties modeled with the MLR and DFNN algorithms were the ones that allowed the greatest definition of the deposit in terms of the correlation coefficient in the validation stage. This work was developed with data from the Teapot Dome field, as a case study, specifically on the Second Wall Creek member of the Upper Cretaceous Frontier Formation, one of the main reservoirs, described as fluvio-deltaic sandstones. The prediction of the reservoir properties allowed us to interpret different bodies as optimal zones, based on the distribution of the most favorable values, such as high porosity, low gamma ray, low lambda rho and high mu rho, these forms are interpreted as complexes of distributary channels and lobes typical of beachfront and deltaic environments, subjected to the action of tides, characteristics that adjust to the geological evolution of the basin in the studied area. The field has around 1,300 wells (of which we preselected 25) and 72 km2 of 3D seismic in pre-stack and post-stack versions of good quality. Among the benefits of the data set is the availability of a good number of wells that allowed us more robust analyzes and an adequate evaluation of results, both for the IEE method and also in the field of machine learning, for this reason it was convenient have information from a production field, such as Teapot Dome, whose data is freely accessible in order to promote scientific research. Its promoters are the Rocky Mountain Oilfield Testing Center RMOTC and the U.S. Department of Energy.MaestríaMagíster en Ciencias - GeofísicaProspección Geofísica115 pagínasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias - Maestría en Ciencias - GeofísicaDepartamento de GeocienciasFacultad de CienciasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá550 - Ciencias de la tierra::551 - Geología, hidrología, meteorologíaImpedancia elástica extendidaAprendizaje de máquinaInversión sísmicaPredicción de propiedades de yacimientoExtended elastic impedanceMachine learningSeismic inversionReservoir property predictionYacimientos de mineralesSismologíaCálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientosCalculation of volumes of elastic parameters through IEE and deep learning to characterize reservoirsTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAlpaydin, E. 2014. Introduction to machine learning. London: MIT press.Beikman. H. 1962. Geology of the Powder River Basin, Wyoming and Montana, with reference to subsurface disposal of radioactive wastes.Burkov. A. 2019. The Hundred page Machine learning Book. Pg 74Connolly. P. 1999. Elastic Impedance, BP Amoco, Houston, Texas, U.S.Cooper. S. 2000. Deformation within a basement cored anticline: Teapot Dome, Wyoming.Deng, L. &. 2014. Deep learning: methods and applications. Foundations and trends in signal processing (Vol. 7). Redmond: Now Publishers.Dennen et al 2005. Geochemical Analyses of Oils and Gases, Naval Petroleum Reserve No. 3, Teapot Dome Field, Natrona County, WyomingDolton. G. & Fox. J. 1996. Powder River basin province.Dong. W. 1996. A sensitive combination of AVO slope and intercept for hydrocarbon indication.Duc, T. L. 2019. Machine learning methods for reliable resource provisioning in edge-cloud computing: A survey. ACM Computing Surveys (CSUR), 1-39.Gutierrez, E. 2019. Inversión AVA-2D utilizando un algoritmo genético híbrido. Tesis de maestría Universidad Nacional de Colombia.EXCEL. 2001. Post Stack Migration Report for RMOTC.Hinton, G. E. 1999. Unsupervised learning: foundations of neural computation. London: MIT press.HRS. 2020. Neural Networks Theory. Hampson & Russell Help.https://wiki.seg.org/wiki/Teapot_dome_3D_surveyKirschbaum. M & Mercier. T. 2013. Controls on the deposition and preservation of the cretaceous Mowry shale and Frontier formation and equivalents, Rocky Mountain region, Colorado Utah, and Wyoming.Mercado. V., Russell. B. & Flores. A. 2006. Neural Networks in Reservoir Characterization. The Leading Edge.Mohebali, B. T.-B. 2020. Probabilistic neural networks: a brief overview of theory, implementation, and application. Handbook of Probabilistic Models, 347-367.Mohri, M. R. 2018. Foundations of machine learning. London: MIT press.Muller. A & Guido. S. 2016. Introduction to Machine Learning with Python.Preston. J. 2013. Lateral heterogeneity and architectural analysis of the Wall creek member of the upper cretaceous (turonian) Frontier Formation.Moncayo, M. 2011. Inversión sísmica de datos pre apilado mediante un algoritmo genético: aplicado a zona de canalesRomero. J. D. 2018. Procesamiento, inversión y análisis de la inversión con datos pre-apilados de la sísmica de Teapot Dome 3D, Wyoming, EE.UURussell, S. &. 2002. Artificial intelligence: a modern approach. Harlow: Pearson Education LimitedShuey. R. 1985. A simplification of the Zoeppritz equationsWang, S. C. 2003. Artificial neural network. Interdisciplinary computing in java programming, 81-100Whitcombe et al. 2002. Extended elastic impedance for fluid and lithology prediction.Whitcombe. D. 2002. Elastic impedance normalization.Xu, C. M. 2019. When petrophysics meets big data: What can machine do? SPE Middle East Oil and Gas Show and Conference, Society of Petroleum Engineers.Jones. Ian F. 2013. Transforms, orthogonality, eigenvectors, and eigen values (first break volumen 31)Russell. Brian H. 1989. Statics correction – A tutorialHampson & Russell help system version 10.5Público generalORIGINALTesis_IEE y Deep learning_Victor Sotelo_Documento final - Victor Alfonso Sotelo Sarmiento.pdfTesis_IEE y Deep learning_Victor Sotelo_Documento final - Victor Alfonso Sotelo Sarmiento.pdfTesis de Maestría en Geofísicaapplication/pdf47403789https://repositorio.unal.edu.co/bitstream/unal/81091/1/Tesis_IEE%20y%20Deep%20learning_Victor%20Sotelo_Documento%20final%20-%20Victor%20Alfonso%20Sotelo%20Sarmiento.pdf9f84f300a5bed95c4a6dd244b82948f8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81091/2/license.txt8153f7789df02f0a4c9e079953658ab2MD52Licencia y autorizacion para publicacion de obras_firmada - Victor Alfonso Sotelo Sarmiento.pdfLicencia y autorizacion para publicacion de obras_firmada - Victor Alfonso Sotelo Sarmiento.pdfLicencia de publicaciónapplication/pdf233154https://repositorio.unal.edu.co/bitstream/unal/81091/3/Licencia%20y%20autorizacion%20para%20publicacion%20de%20obras_firmada%20-%20Victor%20Alfonso%20Sotelo%20Sarmiento.pdf3b5fcd9f961bc9c90b1623b005124be4MD53THUMBNAILTesis_IEE y Deep learning_Victor Sotelo_Documento final - Victor Alfonso Sotelo Sarmiento.pdf.jpgTesis_IEE y Deep learning_Victor Sotelo_Documento final - Victor Alfonso Sotelo Sarmiento.pdf.jpgGenerated Thumbnailimage/jpeg4325https://repositorio.unal.edu.co/bitstream/unal/81091/4/Tesis_IEE%20y%20Deep%20learning_Victor%20Sotelo_Documento%20final%20-%20Victor%20Alfonso%20Sotelo%20Sarmiento.pdf.jpgd820518294d4d68d2bfba14de5aa8ee7MD54unal/81091oai:repositorio.unal.edu.co:unal/810912023-08-02 23:03:43.936Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |