Bogotá - Ciencias - Maestría en Ciencias - Geología · 2024
Clasificación y determinación de litofacies aplicando metodologías de Inteligencia Artificial en el Grupo Real de la cuenca del Valle Medio del Magdalena a partir de Registros Eléctricos
El Grupo MEGIA viene realizando durante los últimos años diferentes tipos de estudios que ayudan a estudiar y entender el comportamiento de los acuíferos presentes en la Cuenca del Valle Medio del Magdalena (VMM). Uno de dichos estudios fue el petrofísico, donde litológicamente se clasificaron diferentes formaciones y facies dentro de la unidad de interés; este trabajo es una extensión de dichos estudios petrofísicos, usando metodologías de Inteligencia Artificial (IA) entre ellas diferentes algoritmos de Machine Learning (ML) que ayudan a clasificar y predecir diferentes propiedades y características de la cuenca. En la presente investigación se utilizaron dichas técnicas para replicar metodologías clásicas en petrofísica, para predecir y modelar curvas faltantes en los pozos, y para clasificar y predecir litofacies, el cual es el objetivo principal de este proyecto. Para los cálculos petrofísicos se utilizaron las ecuaciones convencionales, calculando entonces la porosidad, volumen de arcilla y saturación de agua en los pozos, a partir de curvas litológicas, como la Gamma Ray (GR) y el Factor Fotoeléctrico (PEF), además de curvas de porosidad, como la sónica (DT), densidad (RHOB) y la de Neutrón (NPHI). Para la predicción de curvas faltantes fueron necesarios diferentes mecanismos de correlación para determinar las mejores curvas que se ajusten a cada registro que se quiere predecir. Se pudo definir una buena correlación entre las curvas GR y RHOB, además de NPHI con PE. Para la predicción de la curva sónica, se utilizaron todas las curvas previamente nombradas, y se pudo hacer una buena predicción, con un ligero desfase en los intervalos más arcillosos. Se optimizaron los hiperparámetros de Random Forest, viendo un incremento no tan considerable, dado que los hiperparámetros estándar, dieron un excelente ajuste. Para la clasificación de facies se usó un método de Aprendizaje No Supervisado, KMneas, dando por lo general agrupamiento de 3 grupos de Facies, las de Lodolita, Arenita Limpia y Arenita Lodosa. Para la clasificación de las facies se usaron métodos de Aprendizaje Supervisado, utilizando el número de clústeres ya usado. Dentro de los algoritmos utilizados, el de mejores resultados de precisión, fue el de Árbol de Decisión, con valores incluso del 99% (Texto tomado de la fuente).
Texto completo 161 páginas con texto de 166
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 19
- Planteamiento del problemap. 21
- Objetivosp. 23
- Objetivo generalp. 23
- Objetivos específicosp. 23
- Marco geológicop. 25
- Geología estructuralp. 27
- Evolución Tectónicap. 27
- Estratigrafíap. 30
- 3.3.1 Formación Coloradop. 30
- 3.3.2 Grupo Realp. 31
- Hidrogeologíap. 36
- Marco conceptualp. 37
- Propiedades de la rocap. 37
- 4.1.1 Porosidadp. 37
- 4.1.2 Saturaciónp. 38
- 4.1.3 Permeabilidadp. 39
- Petrofísicap. 39
- 4.2.1 Pruebas de Laboratoriop. 40
- 4.2.2 Registros Eléctricosp. 41
- Registros litológicosp. 42
- Registros de Porosidadp. 46
- Registros Resistivosp. 49
- Inteligencia Artificial (IA)p. 50
- 4.3.1 Aprendizaje Supervisadop. 50
- Support Vector Machine (SVM)p. 50
- K-Nearest Neighbors (KNN)p. 51
- Decision Treep. 52
- 4.3.2 Aprendizaje No Supervisadop. 53
- Hierarchical Clusteringp. 54
- K Meansp. 55
- Gaussian Mixture Modelp. 55
- 4.3.3 Hiperparámetrosp. 56
- Metodologíap. 57
- Área de estudiop. 57
- Recopilación de informaciónp. 57
- Selección de los pozosp. 58
- Petrofísica tradicionalp. 59
- 5.4.1 Resistividad del Agua (Rw)p. 59
- 5.4.2 Volumen de Arcilla (Vsh)p. 62
- 5.4.3 Porosidad efectivap. 62
- 5.4.4 Factor de formaciónp. 63
- 5.4.5 Saturación de Aguap. 63
- Petrofísica con Machine Learningp. 64
- 5.5.1 Cálculos petrofísicosp. 68
- 5.5.2 Predicción de curvas faltantesp. 71
- 5.5.3 Clasificación y predicción de litofaciesp. 74
- Clasificaciónp. 74
- Predicciónp. 80
- Resultados y discusiónp. 89
- Cálculos petrofísicosp. 68
- Predicción de curvas faltantesp. 71
- Clasificación y predicción de faciesp. 95
- Conclusiones y recomendacionesp. 102
- Conclusionesp. 102
- Recomendacionesp. 103
- Referenciasp. 105
- Apéndicesp. 108
- Flujo petrofísicop. 109
- Predicción de curvas faltantesp. 71
- Predicción de litofaciesp. 120
- estratigráfica (ANH, 2012)p. 26
- Figura 3-2 Evolución geológica de la cuenca del VMM (Sarmiento, 2011)p. 29
- (IDEAM, 2014)p. 32
- Sinclinal de Nuevo Mundo. Tomada y modificada de (Caballero, 2010)p. 34
- la Formación Colorado y Grupo Realp. 35
- Geologists, Primera Edición, 1982, p. 30.)p. 44
- Figura 4-2. Distribución de datos y elementos del SVMp. 51
- Figura 4-3. Descripción del Método KNNp. 52
- Figura 4-4. Esquema de un Árbol de Decisiónp. 53
- Figura 4-5. Tipos de algoritmos del Aprendizaje No Supervisadop. 54
- Figura 4-6. Dendograma de agrupamiento jerárquicop. 54
- Figura 4-7. Distribución de datos en clusters según K Meansp. 55
- Figura 5-1. Carga de pozos al Jupiter Notebookp. 59
- Figura 5-2. Estimación de Rwe por medio del SSP (Kairuz et al., 1998)p. 60
- Figura 5-3. Estimación de Rw a partir de Rwe (Kairuz et al., 1998)p. 61
- Figura 5-4. Código de carga del archivo .LAS, usando libreríasp. 65
- Figura 5-5. Lista de curvas, unidades y descripción con Pythonp. 66
- Figura 5-6. Tabla de contenido de la Función describe() en Pythonp. 66
- Figura 5-7. Histograma de una curva GR tipop. 67
- Figura 5-8. Descripción de un boxplot tipop. 67
- Figura 5-9. Boxplot de una curva GR tipop. 68
- Figura 5-10. Boxplot de dataset completo de curvap. 68
- Figura 5-11. Cálculo de volumen de arcillap. 69
- Figura 5-12. Cálculo de porosidadp. 69
- Figura 5-13. Cálculo de Saturación de Aguap. 69
- Figura 5-14. Cálculos petrofísicos a partir de las curvas de GR y porosidadp. 70
- Figura 5-15. Cálculos de saturación a partir de las curvas de resistividadp. 70
- Figura 5-16. Tabla con las nuevas curvas calculadasp. 70
- Figura 5-17. Track de curvas litológicas, resistivas, de porosidad y de saturaciónp. 71
- Figura 5-18. Pozos de entrenamiento y de pruebap. 72
- Figura 5-19. Import de librerías de regresiónp. 72
- Figura 5-20. Asignación de curvas de entrenamiento y de pruebap. 72
- Figura 5-21. Entrenamiento de datos a partir de Random Forestp. 73
- Figura 5-22. Predicción de las pruebas a partir de los datos entrenadosp. 73
- Figura 5-23. Crossplot con los datos modelados vs datos realesp. 73
- Figura 5-24. Comparativo de las gráficas DTp. 74
- Figura 5-25. Lista de curvas cargadasp. 75
- Figura 5-26. Carga de librerías y estandarización de curvas para uso de KMeansp. 75
- Figura 5-27. Número de clusters sugeridos por el algoritmo KMeansp. 76
- Figura 5-28. Facies asignadas a los datos e integradas al Dataframep. 76
- Figura 5-29. Crossplot de GR vs PEF, agrupadas en faciesp. 77
- Figura 5-30. Valores tipo de la curva PEFp. 78
- Figura 5-31 Tracks de curvas petrofísicasp. 79
- Figura 5-32. Asignación de litologías a las faciesp. 79
- Figura 5-33. Matriz de calor a partir de la correlación de las curvasp. 80
- Figura 5-34. Asignación de datos de entrenamiento y de pruebap. 80
- Figura 5-35. Entrenamiento del modelo con SVMp. 81
- Figura 5-36. Evaluación del modelo de entrenamiento a partir de la precisiónp. 81
- Figura 5-37. Datos de la matriz de confusión de los datos de entrenamientop. 81
- Figura 5-38. Matrix de confusión de los datos de entrenamientop. 82
- Figura 5-39. Prueba del modelo SVMp. 82
- Figura 5-40. Matrices de confusión de los datos de entrenamiento y de pruebap. 83
- modelo de SVMp. 83
- Figura 5-42. Código de selección de Kp. 84
- Figura 5-43. Gráfica de selección de Kp. 84
- Figura 5-44. Precisión de los datos de Facies predichos por KNNp. 85
- Figura 5-45. Matrices de confusión de KNNp. 85
- Figura 5-46. Comparativo de las facies reales con las facies predichas con KNNp. 86
- Figura 5-47. Código de determinación del valor de máxima profundidadp. 86
- Figura 5-48. Gráfica de mejor aproximación de máxima profundidadp. 87
- Figura 5-49. Datos de precisión de los datos de prueba usando Árbol de decisiónp. 87
- Figura 5-51. Árbol de decisiónp. 88
- Figura 5-52. Comparativa de las facies originales con las predichas con DTp. 88
- Figura 6-1. Mapa de pozos utilizados por el Grupo MEGIAp. 89
- Figura 6-2. Resultado de los cálculos petrofísicos para el Pozo Morrocoy-1p. 91
- Figura 6-3. Crossplot RHOB vs NPHI para el pozo Laurel-1p. 92
- Figura 6-4. Matriz de correlación del Pozo Aullador-2p. 93
- Figura 6-5. DT predicho vs DT realp. 94
- Figura 6-6. Clustering a partir de las curvas PEF y GR en el Pozo Las Parras-1p. 95
- Figura 6-7. Precisión del modelo SVM para el Pozo Las Parras-1p. 96
- Figura 6-8. Matriz de confusión para SVM. Pozo Las Parras-1p. 97
- Figura 6-9. Precisión de resultados con KNN para el pozo Las Parras-1p. 97
- Figura 6-10. Matrices de confusión con KNN para el Pozo Las Parras-1p. 98
- Figura 6-11. Resultados de exactitud con DT para el Pozo Las Parras-1p. 98
- Figura 6-12. Matrices de confusión a partir de DT para el Pozo Las Parras-1p. 99
- Aprendizaje Supervisadop. 50
- Revestimientos Comunes (Kairuz et al., 1998)p. 46
- Tabla 4-2 Valores de densidad para minerales y fluidos (Kairuz et al., 1998)p. 48