Resumen

Los recursos no convencionales han ganado recientemente mucha atención y, como consecuencia, ha aumentado el interés de la investigación en la predicción del carbono orgánico total (COT) como un indicador de calidad crucial. El COT se suele medir experimentalmente; sin embargo, debido a las restricciones de muestreo, es difícil obtener datos continuos sobre el COT. Por ello, se han presentado diferentes correlaciones empíricas para el COT. Sin embargo, existen dudas sobre la generalización y la precisión de estas correlaciones. En este trabajo, se utilizaron diferentes técnicas de aprendizaje automático (ML) para desarrollar modelos que predicen el COT a partir de registros de pozos, incluyendo la resistividad de la formación (FR), el potencial espontáneo (SP), el tiempo de tránsito sónico (Δt), la densidad aparente (RHOB), la porosidad de neutrones (CNP), los rayos gamma (GR) y los registros de espectro de torio (Th), uranio (Ur) y potasio (K). Para crear y validar el modelo se utilizaron más de 1.250 puntos de datos del esquisto devónico Duvernay. Estos conjuntos de datos se obtuvieron de tres pozos; el primero se utilizó para entrenar los modelos, mientras que los conjuntos de datos de los otros dos pozos se utilizaron para probarlos y validarlos. La máquina de vectores de apoyo (SVM), el bosque aleatorio (RF) y el árbol de decisión (DT) fueron los enfoques de ML probados, y sus predicciones se contrastaron con tres correlaciones empíricas. Se probaron los parámetros de varios métodos de IA para asegurar la mejor precisión posible en términos de coeficiente de correlación (R) y error porcentual absoluto medio (AAPE) entre el COT real y el predicho. Los tres métodos ML dieron buenos resultados; sin embargo, el modelo basado en RF es el que mejor rendimiento tiene. El modelo RF fue capaz de predecir el COT para los diferentes conjuntos de datos con valores R entre 0,93 y 0,99 y valores AAPE inferiores al 14%. En términos de error medio, los modelos basados en ML superaron a las otras tres correlaciones empíricas. Este estudio muestra la capacidad y la solidez de los modelos ML para predecir el carbono orgánico total a partir de datos de registro fácilmente disponibles sin necesidad de análisis de núcleos o intervenciones adicionales en los pozos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:toc, carbono orgánico total, correlación empírica, modelo basado, error porcentual absoluto, diferentes correlaciones empíricas, la mejor precisión posible, mucha atención, varios métodos ai, robustez de ml
• Keywords:toc, total organic carbon, empirical correlation, based model, absolute percentage error, different empirical correlation, best possible accuracy, lot of attention, various ai methods, robustness of ml