El trabajo técnico presenta una evaluación petrofísica en areniscas sucias vía machine learning y ciencia de datos.
Para la demanda de extraer la mayor cantidad de hidrocarburos en campos de desarrollo, se ha propiciado la limitación de toma de información en pozos. Por ello, la importancia de generar modelos alternos que permitan evaluar de manera eficiente las características petrofísicas de los yacimientos utilizando datos disponibles del campo.
El flujo de trabajo propuesto: Contenido Volumétrico de Arcilla (CVA) en arenas sucias, se comparó con el modelo Thomas Stiber. Igualmente, se calibro con el análisis de registro de saturación (Sigma), Resonancia Magnética Nuclear (RMN) y Captura Elemental de Espectroscopia (ECS). Observándose que existe un mejor control de las propiedades petrofísicas y discretización de fluidos generados.
El algoritmo y ecuaciones de la metodología definida se programó a partir de la extracción del volumen de arcilla leído en los registros: Rayos Gamma, Resistividad, Neutrón y Densidad.
Los resultados demostraron la aplicabilidad de la ecuación en secciones sedimentarias de arenas arcillosas. Por lo cual se procedió a extender la aplicación de la metodología utilizando machine learning en campos con características sedimentológicas similares.
La importancia de contar con un set de datos analizados es que proporciona las herramientas correctas para el desarrollo del modelo petrofísico.
Las ventajas de usar esta ecuación son:
- Definición y análisis de los parámetros petrofísicos (porosidad, volumen de arcilla, saturación de agua y permeabilidad) dentro de rangos establecidos en arenas arcillosas con poca información.
- Interpretación rápida de los fluidos presentes en este tipo de yacimientos.
La correcta caracterización de las heterogeneidades de un yacimiento es un requisito fundamental para poder estudiar y predecir el movimiento de hidrocarburos en el yacimiento, que está controlado principalmente por valores extremos petrofísicos. Es decir, por los valores máximo y mínimo, en nuestro caso de estudio estos valores corresponden al contenido de arcilla.
El campo de estudio XYZ se ubica en el sureste de México, localizándose en la planicie costera del Golfo de México. Al sur de la localidad de Comalcalco, Tabasco, en la cuenca de Comalcalco. Los elementos tectónicos más relevantes hacia el sur son: la Sierra de Chiapas, hacia el este la plataforma de Yucatán. Al norte por la Cuenca de los Pescadores en el Golfo de México y hacia el occidente por la cuenca de Veracruz.
Cabe señalar que el campo XYZ inició su explotación en rocas de terciario ubicando al yacimiento dentro de la Formación Encanto del Mioceno en 1991. Con el pozo XYZ-101, el cual actualmente se encuentran produciendo aceite a nivel terciario, con el apoyo de un sistema artificial de producción instalado. El objetivo principal del campo fue la formación Jurásico Superior Kimmeridgiano y Cretácico Superior, por tal motivo, se tiene deficiencia de información a nivel Terciario.
Análisis Thomas Stiber.
La intercalación de la arcilla en cuerpos de arenisca afecta la respuesta de los registros como en el registro de resistividad. Dando valores bajos de este registro y al evaluarlo de forma convencional nos da como resultado altas saturaciones de agua en posibles cuerpos de interés.
La metodología de Thomas Stieber se usa para determinar la distribución de las lutitas dentro de una formación sucia. Comparando el volumen total de arcilla con la porosidad total y es un modelo adecuado para evalúar capas delgadas (intercalación entre arcilla y arena) como se describe a continuación:
- Identificación del yacimiento laminado a través de núcleos, registros de imágenes y/o resistivo triaxial, por mencionar algunos métodos.
- Pre-computo de datos para hacer las correcciones de los registros por efectos de hidrocarburos o del agujero.
- Definir los puntos finales para seleccionar la porosidad de la arena y la arcilla laminar o los valores de rayos gamma de la arena y la arcilla.
El campo estudio cuenta con un modelo basado en Thomas Stieber, el cual se usa para determinar la distribución de lutitas dentro de una formación. Asumiendo que dentro del intervalo investigado hay dos tipos de rocas. Una arena limpia de alta porosidad y una lutita de baja porosidad y la porosidad in situ es el resultado de la mezcla de las dos rocas. Por lo tanto, se han introducido un nuevo enfoque y algoritmos para evaluar las propiedades petrofísicas en estos complejos y problemáticos yacimientos específicamente en ausencia de mediciones de resistividad de inducción triaxial y registros especiales.
Machine learning y ciencia de datos.
Una vez definidas las ecuaciones, modelos y características del campo, el objetivo fue enfocarnos en la ciencia de datos.
El cual nos permite tener claro nuestro negocio, el enfoque analítico, la información con al que contamos y carecemos para preparar nuestros datos. Así como iniciar con el aprendizaje automático supervisado (como se le conoce en español) para que el flujo de información pueda ser utilizado de manera eficaz e inmediata a través de la colaboración con las máquinas.
Esto se debe a que al “entrenar” al software para realizar una evaluación a partir de Machine Learning. La máquina podrá hacerla después por sí misma de manera automática, el entrenamiento de nuestro flujo se realizó a partir del siguiente script.
CONCLUSIONES
Aplicando el análisis de datos y Machine Learning en el nuevo flujo de trabajo permitió determinar con baja incertidumbre el volumen de arcilla, porosidad total, porosidad efectiva, saturación de agua y permeabilidad absoluta en arenas sucias.
Contar con más información (núcleos, registros especiales, pruebas de presión producción, registro de cabina de hidrocarburos. PVT, análisis Stiff, registros de producción, etc) en campos de desarrollo mejorará la interpretación del modelo petrofísico y permitirá tener un mejor análisis de datos.
Este flujo de trabajo es una opción cuando se tiene escasa información en yacimientos con estas características sedimentológicas.
Todas las variables calculadas por Machine Learning no sustituyen nunca la toma de registros. Además de que pueden tener incertidumbre en la ejecución ya que son criterios y algoritmos generales.
Se recomienda la integración de datos de núcleo registros de imagen para obtener resultados confiables en a la propuesta de un modelo sedimentario. Capaz de explicar el comportamiento de la estructura, como la respuesta de los registros, así como disminuir la incertidumbre en la identificación de intervalos perspectivos.
Los Ingenieros Alma Angélica Alcántara Acevedo, Luis Ahindel Castellanos Bassoult, Enrique Moran Montiel, Ivan Corona del Angel presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP)
