Integrar la optimización y el aprendizaje automático para estimar la resistividad y la saturación del agua en los...

Área de la Ciencia:

• Geofísica del petróleo Geofísica del petróleo
• Aplicaciones de aprendizaje automático Aplicaciones de aprendizaje automático.
• Caracterización de las reservas.

Sus antecedentes:

• Los depósitos de arenas areniscas presentan desafíos significativos para los métodos de evaluación tradicionales debido a la compleja mineralogía arcillosa.
• La escasez de datos a menudo limita la precisión de las estimaciones de la resistividad del agua de formación (Rw) y la saturación de agua (Sw).
• Los flujos de trabajo petrofísicos existentes pueden ser costosos y consumir mucho tiempo, confiando en gran medida en análisis básicos.

Objetivo del estudio:

• Desarrollar un marco integrado y basado en datos para estimar con precisión Rw y predecir Sw en depósitos de arenas de esquisto.
• Para superar las limitaciones impuestas por la escasez de datos a través de un enfoque sinérgico.
• Mejorar la confiabilidad y escalabilidad de los flujos de trabajo petrofísicos.

Principales métodos:

• Preprocesamiento riguroso de los datos de registro de pozos de varios pozos.
• Evaluación de cuatro algoritmos de optimización numérica (Powell, Nelder-Mead) para establecer una Rw. con restricciones físicas.
• Entrenamiento y validación de varios modelos de aprendizaje automático (Random Forest, CatBoost, XGBoost, ANNs, LSTM) utilizando Rw optimizado como una etiqueta pseudo-core para la predicción de Sw.
• Aplicación de un protocolo de validación cruzada de 5 veces para la evaluación del modelo.

Principales resultados:

• Los algoritmos de optimización de Powell y Nelder-Mead recuperaron con precisión Rw verdadero con un error de raíz media cuadrada (RMSE) bajo de 1 × 10−4.4.
• Los modelos de aprendizaje automático, en particular LSTM, CatBoost y XGBoost, lograron una alta precisión predictiva para Sw.
• Los mejores modelos demostraron un coeficiente de determinación (R2) de hasta 0,944, con un error absoluto medio (MAE) y un RMSE tan bajos como 0,03 y 0,050, respectivamente, en pozos de prueba a ciegas.

Conclusiones:

• El marco integrado combina efectivamente la física derivada de la optimización con la predicción impulsada por ML para mejorar la caracterización de los reservorios.
• Este enfoque ofrece una alternativa rentable y escalable a los métodos tradicionales, reduciendo la dependencia de los análisis básicos.
• La metodología mejora la precisión de las estimaciones de hidrocarburos en el lugar en complejos depósitos de arenas de pizarra.