Desarrollo de un modelo para la integración de registros de pozo con información de tomografía para la estimación de propiedades petrofísicas por medio de un modelo de redes neuronales
dc.contributor.advisor | Ortiz Meneses, Andrés Felipe | |
dc.contributor.author | Domínguez López, Óscar Guillermo | |
dc.contributor.evaluator | Bejarano Wallens, Aristóbulo | |
dc.contributor.evaluator | Santos Santos, Nicolás | |
dc.date.accessioned | 2023-03-09T20:11:22Z | |
dc.date.available | 2023-03-09T20:11:22Z | |
dc.date.created | 2023-03-06 | |
dc.date.issued | 2023-03-06 | |
dc.description.abstract | Este proyecto presenta un método que integra datos de registros de pozo con información de tomografía aplicando modelos de redes neuronales para predecir propiedades petrofísicas básicas. En principio, se recolectó la información de registros, tomografía y de propiedades petrofísicas de tres pozos de estudio y se establecieron sus relaciones teóricas a partir de la literatura. Primero, se diseñaron los modelos de predicción usando sólo datos de registros. Para este y los demás modelos se seleccionó un set de datos para entrenar redes neuronales con la herramienta Machine Learning de Matlab. Luego, a estos sets de entrenamiento se añadió la información de tomografía y se compararon los resultados. Los modelos de integración mostraron un mejor ajuste comparados con los modelos alimentados sólo con registros. Para validar el rendimiento de los modelos se evaluaron gráficos de regresión en los que se comparan los valores estimados con los datos de laboratorio recolectados de cada pozo, y adicionalmente se probaron los modelos de integración usando un set de validación que contiene los registros y tomografía de varias secciones completas de 3 ft escaneadas sobre muestras de núcleos de cada pozo. Los modelos de integración que se diseñaron permiten hacer predicciones de porosidad y permeabilidad bastante cercanas a los valores reales y con una resolución equivalente a la información que se obtiene al escanear muestras usando tomografía computarizada. | |
dc.description.abstractenglish | This work presents a method that integrates well log data with tomography information by applying neural network models to predict basic petrophysical properties. In principle, log, tomography and petrophysical properties information from three study wells was collected and their theoretical relationships were established from the literature. First, prediction models were designed using only logs data. For this and the other models, a data set was selected to train neural networks with the Matlab Machine Learning toolbox. Then, the CT information was added to these training sets and the results were compared. The integration models showed a better fit compared to the models trained only with logs. To validate the performance of the models, regression plots were evaluated in which the estimated values are compared with the laboratory data collected from each well, and additionally the integration models were tested using a validation set that contains the logs and tomography of several full 3 ft sections scanned over core samples from each well. The integration models that were designed here allow predictions of porosity and permeability to be made quite close to the real values and with a resolution equivalent to the information obtained by scanning samples using computed tomography. | |
dc.description.degreelevel | Pregrado | |
dc.description.degreename | Ingeniero de Petróleos | |
dc.format.mimetype | application/pdf | |
dc.identifier.instname | Universidad Industrial de Santander | |
dc.identifier.reponame | Universidad Industrial de Santander | |
dc.identifier.repourl | https://noesis.uis.edu.co | |
dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/12480 | |
dc.language.iso | spa | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingeníerias Fisicoquímicas | |
dc.publisher.program | Ingeniería de Petróleos | |
dc.publisher.school | Escuela de Ingeniería de Petróleos | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Registros de pozo | |
dc.subject | Tomografía computarizada | |
dc.subject | Propiedades petrofísicas | |
dc.subject | Redes neuronales artificiales | |
dc.subject | Aprendizaje automático | |
dc.subject.keyword | Well Logs | |
dc.subject.keyword | Computed Tomography | |
dc.subject.keyword | Petrophysical Properties | |
dc.subject.keyword | Artificial Neural Networks | |
dc.subject.keyword | Machine Learning | |
dc.title | Desarrollo de un modelo para la integración de registros de pozo con información de tomografía para la estimación de propiedades petrofísicas por medio de un modelo de redes neuronales | |
dc.title.english | Development of a Model for the Integration of Well Logs with Tomography Information for the Estimation of Petrophysical Properties through a Model of Neural Networks | |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.type.hasversion | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado | |
dspace.entity.type |
Files
Original bundle
1 - 4 of 4
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 56.14 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 113.26 KB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.18 KB
- Format:
- Item-specific license agreed to upon submission
- Description: