Caracterización sísmica empleando algoritmos de Inteligencia Artificial para la propagación de propiedades de roca en el modelado estático.
El trabajo consistió en mostrar de manera completa cuál es el margen de utilidad de los algoritmos de inteligencia artificial para la distribución de propiedades de roca en el modelado estático.
Está metodología consistió en un modelado directo utilizando redes neuronales y algoritmos genéticos para la optimización de patrones de correlación entre trazas sísmicas de volúmenes apilados y propiedades de roca.
Una vez obtenida una función de correlación, asimismo, no lineal entre trazas sísmicas y propiedades de roca a nivel de pozo, se estima la respuesta espacial usando el volumen sísmico de estudio.
Dicho trabajo de caracterización sísmica es directamente dependiente de la minimización de errores durante la interpretación sísmico estructural (calibración tiempo-profundidad; correlaciones estratigráficas, validación estructural de interpretación, complejidad estructural del modelado).
Siendo estos puntos primordiales para lograr una adecuada correlación entre trazas sísmicas y datos de pozo para estimación de propiedades de roca.
Te puede interesar: Optimización de Fronteras en Contratos de Producción Compartida
El mecanismo conjunto de redes neuronales y algoritmos genéticos estimó funciones de correlación no lineales; mientras optimizó los parámetros para minimizar el error del modelado de propiedades de roca a través de datos sísmicos.
Está metodología, asimismo, se puede aplicar a datos reales, con alta complejidad estructural y gran número de pozos. Los resultados de la caracterización sísmica corresponden a volúmenes sísmicos de propiedades de roca calibradas con información de pozo.
Dichos volúmenes de propiedades se emplean inicialmente para la generación de un modelo de facies geológicas. Posteriormente, facies y volúmenes sísmicos se utilizan para la distribución tridimensional de propiedades petrofísicas como: tipo de roca, porosidad, volumen de arcilla y permeabilidad.
Asimismo, el uso de los algoritmos de inteligencia artificial se puede aplicar para la reducción de incertidumbre durante la estimación espacial de propiedades de roca y el cálculo de volúmenes de hidrocarburos.
También te puede interesar: Incentivos fiscales para el incremento del factor de recuperación
Se demostró el margen de utilidad de los algoritmos de inteligencia artificial para la caracterización sísmica. Usando la solución conjunta de redes neuronales y algoritmos genéticos, se estimaron correlaciones no lineales entre volúmenes sísmicos apilados y propiedades de roca de pozo.
Para alcanzar resultados confiables a través de esta metodología, fue primordial la minimización de errores durante la interpretación sísmico estructural y la construcción modelo de velocidades.
El estudio necesitó el acondicionamiento de la información, tal como restricción vertical de la ventana sísmica de análisis y filtrado pasabajas de los registros. A pesar de la alta complejidad estructural y el elevado número de pozos, se calibró adecuadamente la amplitud sísmica con las propiedades de roca (volumen de arcilla y porosidad) para su estimación espacial.
Los cubos sísmicos de propiedades se integran en un modelo geocelular en profundidad. La distribución final de propiedades utiliza tendencias sísmicas; análisis geoestadístico de datos de pozo y funciones intrínsecas de correlación entre propiedades.
La primera propiedad, además, estimada es el modelo de facies geológicas, posteriormente el tipo de roca es condicionado a las facies.
Las propiedades petrofísicas, asimismo, se deben condicionar también a facies o tipo de roca, según correspondan. La distribución final de todas las propiedades logra representar las variaciones verticales y horizontales del modelo sedimentario de facies fluviodeltáicas de depósito de la región.
Este trabajo apoyará la estimación volumétrica de los plays estudiados y la generación del plan de desarrollo; para la selección de nuevos pozos a través de un modelo dinámico de simulación.
Los Ingenieros Sergio R. Mata García, Javier Carrasco Hernández y José L. Ortiz López presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
