Download redes neuronales – evaluacion de la calidad de reservorios

Publicado en la revista Enfasis en Noviembre de 1998 (año 5 # 7)
REDES NEURONALES – EVALUACION DE LA CALIDAD DE RESERVORIOS
¿Qué son las redes neuronales?
Las redes neuronales son una tecnología de inteligencia artificial con menos de 15
años de antigüedad que se desarrolló tratando de emular el proceso de
aprendizaje y reconocimiento de patrones que realizan las neuronas del cerebro
humano.
Se ha aplicado en varios campos (ingeniería, medicina, geología) y para el caso
del procesamiento pozos pueden incluir datos de perfiles, análisis petrofísicos,
datos de perforación y de reservorio.
¿Cómo trabajan las redes neuronales?
A fin de que las redes puedan emular el comportamiento de las neuronas, es
necesario entrenarlas. Para ello se provee al programa de los datos que
lógicamente dependerán del tipo de problema a resolver.
Posteriormente, con la red neuronal convenientemente entrenada, se introducen
los datos de los pozos o casos a resolver y la red generará los resultados en base
al entrenamiento logrado.
NO ESTRUCTURADO ESTRUCTURADOS
Comparación con otros métodos de inteligencia artificial.
SIMBÓLICO
NUMÉRICO
SISTEMAS EXPERTOS
FUZZY SET
REDES NEURALES
Las redes neuronales
no poseen una
estructura definida al
comienzo del
entrenamiento y
manejan información
numérica, no
simbólica.
Las Redes Neurales son necesarias para Clasificaciones y Transformaciones
Muchas tareas de Clasificación y Transformación son enfocadas con un análisis
estadístico inicial de los datos de entrada y de los resultados. Los que se realizan
son promedios, medianas, momentos, curtosis, regresiones (lineales, no lineales,
etc.), componente principal, análisis factorial y otros.
Estos tipos de análisis son adecuados para intentar descubrir una ó más
ecuaciones “estáticas” o fórmulas que permitan a los perfiles ser transformados en
Publicado en la revista Enfasis en Noviembre de 1998 (año 5 # 7)
resultados. Sin embargo, las soluciones “dinámicas” que incluyen procesos
matemáticos, son mucho más apropiadas para muchas tareas de análisis, que las
soluciones “estáticas”. Afortunadamente, las Redes Neurales son capaces de
particionar los problemas y descubrir soluciones con componentes “estáticos” y
“dinámicos”.
La Clasificación de Litologías Complejas o tipos de facies de un conjunto grande
de datos de pozo es dificultoso si se usan los métodos tradicionales. Esa tarea es
mucho más sencilla para una Red Neuronal. Otro ejemplo puede ser encontrar
una fórmula para transformar datos de perfiles en parámetros de reservorio, como
ser Kwr o Kor; eso puede ser muy dificultoso, lento y caro con los métodos
convencionales.
De este modo las redes neuronales se convierten en una poderosa herramienta
que supera a otras conocidas ya que se puede entrenar para funciones muy
variadas, como se ejemplifica más abajo.
DESARROLLO DE UNA RED NEURAL
APLICACION
Diagrama del desarrollo de
una red neuronal
PARADIGMA
CONCEPTO
CONSIDERACIONES
MANTENIMIENTO
DISEÑO
MANTENIMIENTO
EVALUACIÓN
DISEÑO RED
NODOS ENTREN.
INTEGRACIÓN
IMPLEMENTACIÓN
TESTEO
IMPLEMENTAR
Y ENTRENAR
SELECCIONAR
AMBIENTE
CREAR SET
Ejemplos de aplicación de clasificaciones son:
• Reconocimiento de facies.
• Reconocimiento de tipos de reservorio.
• Predicción de contenido de capas (fluidos).
• Reconocimiento de Litologías.
• Determinación del octanaje / tipo de petróleo.
• Determinación del tipo de geometría poral.
• Identificación de fracturas.
Ejemplos de aplicación de transformaciones son:
• Generación de perfiles sónicos, densidad y otros.
• Generación de perfiles de porosidad.
• Generación de perfiles de arcillosidad.
• Correcciones ambientales.
Publicado en la revista Enfasis en Noviembre de 1998 (año 5 # 7)
•
•
•
•
•
•
•
•
•
•
•
•
Deconvoluciones de perfiles.
Puesta en profundidad de curvas.
Determinación de permeabilidad a partir de perfiles convencionales.
Determinación de permeabilidad a partir de ondas acústicas.
Determinación de porosidad.
Cálculos volumétricos a partir de perfiles eléctricos antiguos.
Generación de perfiles RT (o de perfiles de doble inducción) a partir de perfiles
de resistividad antiguos.
Cálculo de permeabilidades a partir de ecos del perfil NMR.
Generación de un perfil pseudo resistivo a partir de un modelo geológico de
capas.
Cálculo de la relación de Poisson a partir de perfiles de pozo abierto (a fin de
ser usados en programas de fracturación).
Cálculos volumétricos a pozo entubado a partir de neutrón de captura.
Identificación de límites de capa a partir de perfiles resistivos y otros de alta
resolución.
DISEÑO DE LA RED NEURONAL (Sónicos)
= Neurona
LILD
LSFL
Esquema típico
de la red neuronal
para el cálculo de
una
transformación
DTU
SP
DTD
FORM
RMFTEMP
CAPA DE SALIDA
CAPA OCULTA
CAPA DE ENTRADA
Con respecto a nuestra experiencia, hasta el momento hemos trabajado en:
• Predicción de resultados de ensayos (determinación de fluidos).
• Generación de perfiles sónicos a partir de perfiles resistivos, SP y otros.
• Cálculo del volumen de arcilla.
• Determinación de la calidad de reservorio.
• Interpretación de datos del perfil MRIL.
• Clasificación de facies.
En la experiencia de los autores, luego de cuatro años de aplicar esta herramienta,
en Argentina, la misma ha resuelto exitosamente una serie de casos en los que la
tecnología convencional había dado pobres resultados.
Publicado en la revista Enfasis en Noviembre de 1998 (año 5 # 7)
A continuación se describen brevemente 2 tipos de aplicaciones de las redes
neuronales, desarrolladas por los autores:
Predicción de la calidad de reservorio.
En este caso se predijo la calidad de las arenas a encontrarse en pozos, basado
en el ajuste entre los datos de porosidad y arcillosidad de perfiles de corona
(núcleos).
Con esto se logró calcular porosidades y arcillosidades basadas solamente en
perfiles, en aquellos pozos que no tenían testigos. Se obtiene una “compensación”
entre distintas herramientas (que salva incongruencias que a veces se observan) y
permite un cálculo más exacto de estos parámetros.
Predicción del contenido de fluidos.
En este caso, la red neuronal se entrenó para predecir el contenido de fluídos de
las capas, previo a su punzado.
A este fin los datos que se introducen en la red son por un lado los perfiles de
pozo abierto y por el otro los resultados de ensayos realizados.
La red se entrena y en los pozos incógnita predice los contenidos de fluidos de las
capas (Sin Entrada, Agua, Petróleo con rastros, Petróleo, Gas). En pozos ya
terminados puede asimismo predecir los contenidos de fluidos de capas que no
hayan sido ensayadas oportunamente.
Se han realizado hasta el momento varios trabajos de este tipo, todos ellos en la
cuenca del Golfo San Jorge, en donde es reconocida la dificultad de interpretar los
perfiles de pozo por métodos tradicionales.
Las redes neuronales con este tipo de entrenamiento han probado ser una
herramienta muy útil para decidir las capas que deben ser testeadas durante la
terminación de los pozos ó intervenidas en el caso de trabajos de workover.
Autor:
Sigfrido Nielsen
Curriculum abreviado
Sigfrido Nielsen es Geólogo (Universidad de Córdoba, 1985). Realizó un Master
en Geofísica en la Universidad Nacional de Cuyo en 1986/7. Trabajó como
geofísico 5 años en YPF SA, luego 18 meses en LANDMARK GRAPHICS
ARGENTINA. En 1991 funda la Cía GEOINFO SRL ampliamente reconocida en el
medio, de la cual es socio gerente.