Predicción de propiedades petrofísicas básicas a partir de información de tomografía usando un modelo de aprendizaje profundo

Abstract

Se presenta un estudio de investigación destinado a probar la aplicabilidad de técnicas de aprendizaje automático y profundo para la predicción de propiedades petrofísicas básicas a partir de información e imágenes de tomografía. Se estableció la relación teórica entre estas propiedades petrofísicas y las imágenes de tomografía mediante un estudio literario. Se preparó un set de datos para entrenamiento, validación y prueba que contiene: Imágenes de tomografía de la sección transversal XZ y datos de tomografía como registros de densidad y factor fotoeléctrico, así como los datos de porosidad y permeabilidad medidos en laboratorio (Porosidad Boyle y permeabilidad al aire), tomado de los núcleos de perforación estudiados, y de la información de tomografía computarizada mencionada, para que las redes neuronales puedan predecir porosidad y permeabilidad a cada punto de profundidad, incluyendo los intervalos donde la información de laboratorio no fue tomada. Se utilizaron dos algoritmos principales de aprendizaje profundo, perceptrón multicapa y redes neuronales convolucionales 2D, como características para los datos de entrada. Se comparó el poder predictivo del modelo desarrollado con los datos medidos en laboratorio. Se estudió la métrica de los modelos desarrollados. Los resultados demuestran la aplicabilidad del aprendizaje automático y profundo en la predicción de propiedades petrofísicas básicas basada en imágenes y datos de tomografía, los modelos desarrollados son excepcionalmente buenos a una alta variedad de datos