El trabajo técnico presenta una estimación de UCS en areniscas de campos del sureste de México, mediante calibración núcleo-registros geofísicos.
La estimación del UCS en areniscas de los campos marinos del sureste de México, ha demostrado estar sobreestimada o subestimada con las ecuaciones clásicas para areniscas como Mc. Nally, Chang, etc.
Llegando incluso a utilizar aproximaciones con ecuaciones de otros campos del mundo que suelen no tener un ajuste optimo al momento de compararlas. Con los datos obtenidos de las pruebas triaxiales realizadas a los tapones.
Teniendo esto en cuenta, se plantea en este trabajo una metodología que permita ajustar los parámetros de una ecuación de tipo ley de potencia a los datos obtenidos en dichos análisis realizados en los núcleos. Para que posteriormente, por medio de registros geofísicos básicos obtenidos en la mayoría de los pozos perforados, se pueda estimar un UCS representativo para areniscas terciarias del sureste Marino de México.
Introducción
La resistencia a la compresión uniaxial (UCS, siglas en inglés), es uno de los parámetros importantes en los flujos de trabajo de estabilidad de pozo. Por lo que su adecuada estimación se hace de vital importancia para cada uno de los modelos Geomecánicos que se generan.
Teniendo esto en consideración y partiendo de pozos con pruebas triaxiales validadas en arenas de la región sureste de México, se realiza el ajuste en profundidad para que las lecturas de los registros concuerden con los resultados medidos directamente en los tapones (densidad, velocidad y porosidad).
Es importante continuar con una depuración y segunda validación de los datos, para quitar los extremos. Los cuales podrían ocasionar variaciones importantes en las tendencias generales de los datos y que derivarían en problemas durante la generación del modelo ensayos triaxiales. Considerando el cambio del esfuerzo de la presión de confinamiento de una forma lineal para el matemático. El cual ha sido comprobado con pozos de la región para corroborar su validez en los flujos de trabajo de estabilidad de los pozos con éxito.
Es importante recalcar que esta metodología se diseñó con el objetivo de tener la posibilidad de ajustar y actualizar la ecuación. Conforme se adquiera más información en las arenas de región sureste de México. Incluso se analiza la posibilidad de realizar el mismo trabajo en litologías diferentes de la región.
Cabe señalar que este trabajo, parte de la consideración de un correcto flujo de trabajo durante los ensayos. Así como, de una correcta calibración de los equipos utilizados. Sin embargo, si se consideró la validación de los resultados, partiendo de la construcción básica de los círculos de Mohr de los criterio de falla de Mohr-Coulomb. Podemos definir dos parámetros gráficamente.
Conclusiones
La ecuación representa el resultado final de varios modelos analizados. Esta ecuación se apega a los datos obtenidos en los núcleos y además al comportamiento de los pozos perforados en la región. Lo que aumenta la certidumbre de esta.
Se pretende continuar incluyendo los resultados de las muestras que se vayan adquiriendo en la región con el objetivo de darle aún más sustento y/o actualizar los parámetros de la ecuación.
Los registros de entrada, velocidad primaria (m/s) y densidad (g/cm3) fueron elegidos de varios registros analizados que han sido adquiridos en campos de la región. Se llegó a la conclusión de que eran las dos variables más adecuadas ya que entre ellas existe una relación asociada estrechamente a la resistencia a la compresión uniaxial.
Además, se tomó en consideración la disponibilidad en cuanto a volumen adquirido de registros en la región. Para que pueda ser utilizada en la mayoría de los pozos a analizar.
Cabe mencionar que para trabajos futuros, la librería Scikit-learn cuenta con un conjunto de algoritmos de Machine learning. Como lo son regresión multilínea, bosques aleatorios , arboles de decisión, vectores de soporte, k- vecinos, modelos bayesianos etc. Para realizar modelos de aprendizaje supervisado y no supervisado.
De igual manera con la librería TensorFlow de código abierto para aprendizaje automático desarrollado por Google, se puede implementar modelos de Redes Neuronales artificiales. Para la estimación de parámetros de interés Geomecánico, parte de este trabajo es continuar en un futuro con este tipo de modelos.
Los Ingenieros Julio Guillermo Desmoctt Lalo y Manuel Antonio Olan Zarate presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
