Nuevas perspectivas sobre las estimaciones de porosidad de fractura utilizando aprendizaje automático y herramientas de registro avanzadas
Autores: Ifrene, Ghoulem; Irofti, Doina; Ni, Ruichong; Egenhoff, Sven; Pothana, Prasad
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Energía
Subcategoría
Tecnología de combustibles
Palabras clave
Porosidad de fractura
Método de aprendizaje automático
Red neuronal artificial
Máquina de soporte vectorial
Datos de registro
Modelos de reservorio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La porosidad de fractura es crucial para la eficiencia de almacenamiento y producción en reservorios fracturados y compactos. Los registros de imágenes geofísicas utilizando mediciones de resistividad se han utilizado tradicionalmente para la caracterización de fracturas. Este estudio tiene como objetivo desarrollar un método híbrido de aprendizaje automático novedoso para predecir la porosidad de fractura utilizando registros de pozos convencionales en el campo de Ahnet, Argelia. Inicialmente, exploramos un modelo de Red Neuronal Artificial (ANN) para análisis de regresión. Para superar las limitaciones de la ANN, propusimos un modelo híbrido que combina la clasificación de Máquinas de Vectores de Soporte (SVM) y la regresión de ANN, lo que resultó en predicciones mejoradas de la porosidad de fractura. Los modelos fueron probados contra datos de registro al combinar el enfoque de Aprendizaje Automático con herramientas de registro avanzadas registradas en dos pozos. En este contexto, utilizamos registros de imágenes eléctricas y la herramienta acústica de dipolo, que nos permitió identificar 404 fracturas abiertas y 231 fracturas cerradas y, en consecuencia, evaluar la porosidad de fractura. Los resultados se alimentaron luego en dos algoritmos de aprendizaje automático. Se utilizaron Redes Neuronales Artificiales puras y modelos híbridos para obtener resultados completos, que posteriormente fueron probados para verificar la precisión de los modelos. Los resultados obtenidos de los dos métodos demuestran que el modelo híbrido tiene un menor Error Cuadrático Medio (RMSE) que la ANN pura. Los resultados de nuestro enfoque sugieren fuertemente que la incorporación de algoritmos de aprendizaje automático híbridos en las estimaciones de porosidad de fractura puede contribuir al desarrollo de modelos de reservorio estáticos más confiables en programas de simulación. Finalmente, la combinación de Aprendizaje Automático (ML) y análisis de registros de pozos permitió estimar de manera confiable la porosidad de fractura en el campo de Ahnet en Argelia, donde, en muchos lugares, los datos de registro avanzados son inexistentes o costosos.
Descripción
La porosidad de fractura es crucial para la eficiencia de almacenamiento y producción en reservorios fracturados y compactos. Los registros de imágenes geofísicas utilizando mediciones de resistividad se han utilizado tradicionalmente para la caracterización de fracturas. Este estudio tiene como objetivo desarrollar un método híbrido de aprendizaje automático novedoso para predecir la porosidad de fractura utilizando registros de pozos convencionales en el campo de Ahnet, Argelia. Inicialmente, exploramos un modelo de Red Neuronal Artificial (ANN) para análisis de regresión. Para superar las limitaciones de la ANN, propusimos un modelo híbrido que combina la clasificación de Máquinas de Vectores de Soporte (SVM) y la regresión de ANN, lo que resultó en predicciones mejoradas de la porosidad de fractura. Los modelos fueron probados contra datos de registro al combinar el enfoque de Aprendizaje Automático con herramientas de registro avanzadas registradas en dos pozos. En este contexto, utilizamos registros de imágenes eléctricas y la herramienta acústica de dipolo, que nos permitió identificar 404 fracturas abiertas y 231 fracturas cerradas y, en consecuencia, evaluar la porosidad de fractura. Los resultados se alimentaron luego en dos algoritmos de aprendizaje automático. Se utilizaron Redes Neuronales Artificiales puras y modelos híbridos para obtener resultados completos, que posteriormente fueron probados para verificar la precisión de los modelos. Los resultados obtenidos de los dos métodos demuestran que el modelo híbrido tiene un menor Error Cuadrático Medio (RMSE) que la ANN pura. Los resultados de nuestro enfoque sugieren fuertemente que la incorporación de algoritmos de aprendizaje automático híbridos en las estimaciones de porosidad de fractura puede contribuir al desarrollo de modelos de reservorio estáticos más confiables en programas de simulación. Finalmente, la combinación de Aprendizaje Automático (ML) y análisis de registros de pozos permitió estimar de manera confiable la porosidad de fractura en el campo de Ahnet en Argelia, donde, en muchos lugares, los datos de registro avanzados son inexistentes o costosos.