Optimización para construir un modelo estructural con algoritmos de aprendizaje automatizado. La generación de modelos estructurales es una parte esencial para caracterizar un yacimiento, cuantificar el volumen de hidrocarburos in situ, y soportar la toma de decisiones y definición del plan de desarrollo.
El proceso de interpretación sísmica es una etapa fundamental para la construcción del modelo estructural. El cual depende de expertos en la materia quienes, al aplicar métodos convencionales, toman un tiempo considerable (días a semanas), para hacer su interpretación. Recientemente, este tiempo se ha incrementado dado que los estudios sísmicos han aumentado en tamaño y complejidad.
Como parte de la transformación digital en la industria del petróleo, se han desarrollado nuevos algoritmos basados en Inteligencia Artificial. Buscando mejorar distintos procesos de la caracterización de yacimientos.
En este trabajo aplicamos nuevas herramientas de aprendizaje automatizado para interpretar fallas y horizontes. A partir del reconocimiento de patrones de los datos de entrenamiento. Utilizamos los algoritmos: Redes Neuronales Convolucionales Profundas (DCNN) para fallas. Así como Funciones de Base Radial (RBF) y Redes Neuronales (NN) para horizontes.
Los horizontes y fallas interpretados manualmente son el insumo para que los modelos se entrenen y detecten los rasgos estructurales en el resto del cubo. Los cuales son extraídos, editados y usados para la generación del modelo estructural.
Trabajamos en un proyecto con diecisiete pozos, siete capas estratigráficas y un cubo sísmico en tiempo, cubriendo un área de 47.4 km2.
Obtuvimos resultados prometedores ahorrando 90% de tiempo construyendo el modelo estructural implementando algoritmos de aprendizaje automatizado, en comparación con el flujo tradicional.
Te puede interesar: Inversión sísmica de alta resolución para yacimientos de un campo Terciario
En los últimos años, con la irrupción de nuevas tecnologías desarrolladas para correr en la nube, el acceso al Procesamiento de Alto Rendimiento (HPC). Así como el desarrollo de nuevos algoritmos de aprendizaje automatizado (ML), distintos procesos de la caracterización de yacimientos están siendo positivamente impactados en tiempo y precisión como es el caso de la interpretación sísmica.
Para generar el modelo estructural (donde posteriormente serán distribuidas las propiedades petrofísicas), primero es necesario realizar la interpretación sísmica de fallas y horizontes. En esta etapa, los nuevos algoritmos de ML están enfocados en la extracción de fallas y horizontes de manera automática. Permitiendo generar la estructura del yacimiento de manera más precisa y rápida.
En este trabajo, mostramos cómo realizamos la interpretación de fallas a partir de la estimación de la orientación de las éstas mediante la clasificación de imágenes en un plano con una orientación única aplicando el método de Redes Neuronales Convolucionales Profundas (o DCNN por sus siglas en inglés). Para los horizontes, usamos el método de aprendizaje automatizado que se basa en el uso de Redes Neuronales (NN) y Funciones de Base Radial (RBF).
Metodología
La metodología que seguimos para generar el modelo estructural consistió en realizar primero la interpretación sísmica manual de las fallas y los horizontes en un subconjunto de datos. Correspondiente a menos del 5% total de líneas, para usarla como datos de entrenamiento para el aprendizaje automatizado.
El objetivo en esta etapa fue proveer los insumos necesarios que permitieron que el algoritmo “aprendiera”. Haciendo un reconocimiento de patrones de los rasgos estructurales e identificándolos en todo el resto del cubo.
El siguiente paso, consistió en aplicar los algoritmos de ML para obtener las fallas y horizontes. A los cuales les realizamos un control de calidad de la “interpretación automática” revisando los resultados obtenidos a lo largo del cubo.
Después de esto, cuando fue necesario en aquellas zonas que requerían un refinamiento en el entrenamiento. Volvimos a editar los datos manualmente y aplicar de nuevo los algoritmos para obtener un mejor resultado.
Finalmente, ya con la última versión de fallas y horizontes extraídos y editados, generamos el modelo estructural.
CONCLUSIONES
Interpretamos las fallas de entrenamiento en 10 líneas (2% del total de la información sísmica). Con estos datos corrimos el algoritmo DCNN y generamos el cubo de predicción de fallas del cual extrajimos automáticamente 64 fallas que, de acuerdo con su orientación y tamaño, se redujeron a 34.
Asimismo, el proceso de interpretación automática tomó 2.5 horas en lugar de 5 días que toman los métodos convencionales.
Adicionalmente, realizamos la interpretación de 7 horizontes manualmente en algunas secciones. Corrimos los algoritmos NN y RBF haciendo distintas pruebas para refinar los puntos de entrenamiento a partir de un control de calidad cualitativo y cuantitativo.
Igualmente, usamos como insumo el cubo de predicción de fallas y las cimas geológicas de los pozos. El proceso de interpretación automática tomó 2 horas a diferencia de 15 días con los flujos de trabajo convencionales.
El tiempo que invertimos en generar el modelo estructural desde la interpretación de fallas, de horizontes y el modelo estructural fue de sólo 3 días con todos los controles de calidad necesarios. Para tener un modelo geológicamente congruente y de buena calidad, ahorrando 90% del tiempo en comparación a los métodos tradicionales.
Asimismo, el conocimiento de los especialistas para entrenar estos modelos de aprendizaje automatizado es esencial para obtener resultados geológicos congruentes.
La carga de trabajo del intérprete se reduce y le permite enfocarse en las zonas de mayor complejidad estructural. Con una imagen sísmica de menor calidad donde al algoritmo le cuesta hacer el reconocimiento de patrones y detectar fallas y horizontes.
Finalmente, la aplicación de los algoritmos de aprendizaje automatizado ayuda a tener consistencia en la interpretación en toda el área de estudio.
Las Ingenieras Yuriri Rodríguez León e Itzamna González Juárez presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
