Clasificación litológica a partir de registros eléctricos utilizando Machine Learning: Caso de estudio Formación Otaraoa, Nueva Zelanda

Resumen (es)

En la industria del petróleo, al perforar un pozo de exploración, la incertidumbre es excesivamente alta ya que se quiere determinar las características del subsuelo y así las posibilidades de que exista petróleo o gas. Los métodos indirectos como la toma de registros eléctricos son los que proporcionan la base para los estudios de investigación geológica (facies sedimentarias, aguas subterráneas) lo cual es una actividad compleja que requiere tiempo pero que permiten al evaluador tomar decisiones. Mediante la aplicación de un modelo de aprendizaje automático se quiere reducir esta incertidumbre y minimizar el tiempo en el análisis de los registros eléctricos. En este estudio, se investiga la predicción de litología utilizando los registros eléctricos (Rayos Gamma, Neutrón, Densidad y Efecto fotoeléctrico (PEF)) tomados en la Fm. Otaraoa en Nueva Zelanda. Se realiza el entrenamiento de un modelo Supervisado en donde se abordan dos problemas: el primero de identificación de dos etiquetas (Arena y Arcilla) y el segundo de cuatro etiquetas (Arcilla arenosa, Arcilla arenosa calcárea, Arena arcillosa y Arena arcillosa calcárea). Se utiliza un pozo para entrenar un algoritmo para cada caso y luego dos pozos complementarios para probar su desempeño. Los resultados del modelo Extra Trees Classifier muestran que para el Problema 1 se obtuvo un Accuracy del 93%, superando las métricas del modelo basado en reglas (Accuracy del 87%), mientras que en el Problema 2 el Accuracy fue del 86%. El modelo en el Problema 1 logró aprender a reconocer la litología preestablecida por el experto humano y para el Problema 2 es importante seguir alimentando el entrenamiento del modelo con mayor cantidad de datos de otros pozos o con descripciones litológicas de núcleos.

Palabras clave (es): Registros Eléctricos, Litología, Aprendizaje supervisado, Clasificación

Resumen (en)

In the oil industry, when exploration well drilling, the uncertainty is excessively high since it is necessary to determine the characteristics of the subsurface and thus the possibilities that oil or gas exists. Indirect methods such as well logs are what provide the basis for geological investigation studies (sedimentary facies, groundwater) which is a complex activity that requires time but allows the evaluator to make decisions. By applying an automatic learning model, we want to reduce this uncertainty and minimize the time in the analysis of well logs. In this study, lithology prediction is investigated using electrical logs (Gamma Rays, Neutron, Density and Photoelectric Effect (PEF)) taken at the Fm. Otaraoa in New Zealand. The training of a Supervised model is carried out where two problems are addressed: the first of identification of two labels (Sand and Clay) and the second of four labels (Sandy Clay, Calcareous Sandy Clay, Clayey Sand and Calcareous Clayey Sand). One well is used to train an algorithm for each case and then two complementary wells are used to test its performance. The results of the Extra Trees Classifier model show that for Problem 1 an Accuracy of 93% was obtained, exceeding the metrics of the model based on rules (Accuracy of 87%), while in Problem 2 the Accuracy was 86%. The model in Problem 1 will learn to recognize the lithology pre-established by the human expert and for Problem 2 it is important to continue feeding the model training with more data from other wells or with core descriptions.

Palabras clave (en): Well Log data, Lithology, Supervised Learning, Classification