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

Margarita María Martínez Bernal, Jose John Fredy Gonzalez Veloza

• español

  En la industria del petr ́oleo, al perforar un pozo de exploraci ́on, la incertidumbrees excesivamente alta ya que se quiere determinar las caracter ́ısticas del subsueloy as ́ı las posibilidades de que exista petr ́oleo o gas. Los m ́etodos indirectos comola toma de registros el ́ectricos son los que proporcionan la base para los estudiosde investigaci ́on geol ́ogica (facies sedimentarias, aguas subterr ́aneas) lo cual es unaactividad compleja que requiere tiempo pero que permiten al evaluador tomar de-cisiones. Mediante la aplicaci ́on de un modelo de aprendizaje autom ́atico se quierereducir esta incertidumbre y minimizar el tiempo en el an ́alisis de los registrosel ́ectricos. En este estudio, se investiga la predicci ́on de litolog ́ıa utilizando los re-gistros el ́ectricos (Rayos Gamma, Neutr ́on, Densidad y Efecto fotoel ́ectrico (PEF))tomados en la Fm. Otaraoa en Nueva Zelanda. Se realiza el entrenamiento de unmodelo Supervisado en donde se abordan dos problemas: el primero de identifica-ci ́on de dos etiquetas (Arena y Arcilla) y el segundo de cuatro etiquetas (Arcillaarenosa, Arcilla arenosa calc ́area, Arena arcillosa y Arena arcillosa calc ́area). Seutiliza un pozo para entrenar un algoritmo para cada caso y luego dos pozos com-plementarios para probar su desempe ̃no. Los resultados del modelo Extra TreesClassifier muestran que para el Problema 1 se obtuvo un Accuracy del 93 %, su-perando las m ́etricas del modelo basado en reglas (Accuracy del 87 %), mientrasque en el Problema 2 el Accuracy fue del 86 %. El modelo en el Problema 1 logr ́oaprender a reconocer la litolog ́ıa preestablecida por el experto humano y para elProblema 2 es importante seguir alimentando el entrenamiento del modelo conmayor cantidad de datos de otros pozos o con descripciones litol ́ogicas de n ́ucleos

• English

  In the oil industry, when exploration well drilling, the uncertainty is excessivelyhigh since it is necessary to determine the characteristics of the subsurface andthus the possibilities that oil or gas exists. Indirect methods such as well logsare what provide the basis for geological investigation studies (sedimentary fa-cies, groundwater) which is a complex activity that requires time but allows theevaluator to make decisions. By applying an automatic learning model, we wantto reduce this uncertainty and minimize the time in the analysis of well logs. Inthis study, lithology prediction is investigated using electrical logs (Gamma Rays,Neutron, Density and Photoelectric Effect (PEF)) taken at the Fm. Otaraoa inNew Zealand. The training of a Supervised model is carried out where two pro-blems are addressed: the first of identification of two labels (Sand and Clay) andthe second of four labels (Sandy Clay, Calcareous Sandy Clay, Clayey Sand andCalcareous Clayey Sand). One well is used to train an algorithm for each case andthen two complementary wells are used to test its performance. The results of theExtra Trees Classifier model show that for Problem 1 an Accuracy of 93 % wasobtained, 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 learnto recognize the lithology pre-established by the human expert and for Problem 2it is important to continue feeding the model training with more data from otherwells or with core descriptions