El campo Ogarrio, ubicado en el estado de Tabasco, perteneciente a la Cuenca Salina del Istmo. Su principal secuencia productora son las areniscas del Terciario de la formación Encanto. Siendo esta ultima la que aporta actualmente la mayor producción del campo.
Considerando que su producción inicio el 1957 hasta la fecha se puede considerar un campo maduro. Es sabido que la información del yacimiento es de suma importancia para la caracterización del yacimiento. Pero como es de suponer dado la longevidad del campo, esta es variada y en algunos casos inexistente. Enfocándonos en los registros geofísicos de agujero descubierto por cable (Wireline) que son una base primordial para la caracterización, interpretación y evaluación de yacimiento, es de suponer que el inventario de estos datos es variado y diverso. Sin embargo, la variedad de datos y en muchos casos la ausencia de los mismos no permite disminuir la incertidumbre en las evaluaciones petrofísicas.
Considerando esta problemática, se considera el uso de Machine Learning (ML) para la generación y predicción de los registros geofísicos faltantes. Para poder aumentar el inventario de registros geofísicos por Pozo. Sin embargo el proceso no queda deslindado de realizar diferentes pruebas, tales como combinación de registros para la obtención de otros registros. Aplicación de diversos algoritmos y pruebas ciegas, revisión de las regresiones lineales de cada prueba para establecer una comparación entre el dato predicho y el dato original en un Pozo cercano.
Te puede interesar: Estimación de la PWF aplicando Machine Learning y Deep Learning
En el presente trabajo se explica la metodología utilizada para la obtención de registros geofísicos de agujero descubierto mediante procesos de Machine Learning. Los resultados obtenidos mediante la aplicación de diferentes algoritmos y un resumen de la información obtenidos sintetizando las combinaciones de registros y el algoritmo que mejor trabajo para este caso. Y finalmente ejemplos de Pozos donde se puede comparar datos de registros geofísicos medidos con cable y otro obtenido con Machine Learning.
La caracterización de cualquier yacimiento está vinculada a la información existente del mismo. Considerando esto, sin duda los registros geofísicos forman una parte esencial en la caracterización, evaluación y toma de decisiones de cualquier campo petrolífero. Sin embargo sabemos que los registros geofísicos de agujeros descubierto, han ido evolucionando a través de los años. Por lo que la forma de evaluación e interpretación y las incertidumbres que esto conlleva existen en la evaluación de los mismos.
En un campo maduro como Ogarrio cuyo primer Pozo fue perforado en 1957, no es de sorprender la diversidad de registros existentes en los más de 500 Pozos en el campo. Por lo que, considerando la gran cantidad de datos y su diversidad, se elige un grupo de 135 Pozos. Para poder hacer un mejor control y aplicación de los diversos algoritmos de Machine Learning y con ello observar los resultados derivados de estos procesos.
Conclusiones
Mediante la utilización de algoritmos de Machine Learning fue posible incrementar la cobertura de datos en profundidad y cantidad de los mismos. Lo cual aumenta la cantidad de datos con la que se puede contar para la caracterización de un yacimiento, los cuales pueden ser usados de manera cautelosa en correlaciones estratigráficas, evaluaciones petrofísicas, etcétera.
El proceso de ejecutar un algoritmo es intuitivo. Sin embargo, encontrar la secuencia adecuada que conlleve a los resultados correctos no puede ser desvinculado de que sea ejecutado en todo momento. Por un especialista experimentado en el campo del área de geociencias que conozca el dato, ya que desde el inicio del proceso. El cual incluye el control de calidad del dato de entrada, su “limpieza”, normalización, etcétera, hasta las múltiples pruebas con los algoritmos y sus revisiones para obtener un dato que sea representativo y sobre todo útil del trabajo que se realiza.
Es obvio señalar que en el Campo Ogarrio en particular el algoritmo Random Forest Regressor fue el que brindo mejores resultados. Pero esto no se puede decir con simpleza, como se observo hubo una gran cantidad de pruebas previas que tomaron una importante cantidad del tiempo de los especialistas para poder concluir que Random Forest era la mejor opción. Por lo que, si se compara el inventario de datos inicial con respecto al actual donde se incrementó significativamente el número de registros. El esfuerzo merece la pena, considerando que los datos que se quedan son permanentes y usables en cualquier plataforma de interpretación geológica o petrofísica.
Machine Learnig
Debido a que el dato de ML es más confiable considerando que es generado a partir del aprendizaje que realiza el algoritmo de otros registros. Incluyendo el solicitado, puede obtener un registro que pueda comparar en Pozos más nuevos y pueda darle certidumbre al uso del dato.
La ventaja del proceso es que puede hacerse en un alto volumen de datos y las ventanas de visualización del software ESA permiten comparar fácilmente los registros originales y los provenientes de ML. Se debe mencionar que la aplicación de Machine Learning en el campo Ogarrio conto con la participación de especialistas en Geociencias. Que durante la ejecución del trabajo recibió entrenamiento por parte del personal de especializado en el uso de algoritmos, para ser capaz de utilizar esta tecnología y aplicarla.
Es importante reconocer que el entrenamiento permite que los especialistas conozcan la aplicación de los algoritmos. Y con ello hacer un correcto control de calidad de los datos y aportar su experiencia del campo. El omitir este paso convertiría el proceso en algo que puede llevar a conjeturas o conclusiones incorrecta, sobre todo con la interpretación y revisión de los resultados.
Se puede considerar que la aplicación e Machine Learning en el Campo Ogarrio es exitoso debido a la alta densidad de datos y a la cercanía entre los Pozos. Esto sin duda favorece el proceso de aprendizaje de los algoritmos para la obtención de resultados confiables en el proceso.
Las Ingenieras Guadalupe Araceli Vargas de la Cerda y Alma Gabriela López Azcárraga presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo.
