Estudio de la respuesta a la variación de parámetros en la técnica redes neuronales probabilísitcas para clasificación supervisada de facies sísmicas

Abstract

Hoy en día, hay muchas técnicas de aprendizaje automatizado supervisado y no supervisado disponibles para realizar clasificación de facies sísmicas. Sin embargo, dichos métodos no solo demandan altos tiempos de cómputo, sino que también pueden no proveer una medida de confianza adecuada. Las redes neuronales probabilísticas (PNNs) superan dichas limitaciones y han demostrado su superioridad en comparación con otros algoritmos. Las PNNs han sido ampliamente aplicadas para las algunas tareas de predicción con registros de pozo, pero no han sido bien estudiadas para la predicción de facies usando volúmenes de atributos sísmicos. Aquí se explora la capacidad del algoritmo PNN para la clasificación de facies sísmicas de gran y pequeña escala y, adicionalmente, se evalúa el impacto de los parámetros definidos por un usuario en los volúmenes de clasificación. Se realizaron siete pruebas con las cuales se pudo demostrar que el procesamiento puede tener un impacto significativo en los volúmenes de clasificación, y que las zonas geológicamente más complejas son las más difíciles para el algoritmo. Además, se demostró que a pesar de que la técnica PNN está realizando y produciendo resultados considerablemente correctos, es posible superar las limitaciones anteriormente mencionadas, y mejorar significativamente los volúmenes de clasificación finales mediante la inclusión del criterio y conocimiento del geocientífico. Se concluyó con un nuevo flujo de trabajo que podrá guiar a futuros interpretes interesados en aplicar PNN para obtener mejores volúmenes de clasificación de facies sísmicas mediante la consideración de algunos pasos y sugerencias iniciales.