Estimación de la porosidad de reservorios a partir de sísmica post-apilado usando un modelo de aprendizaje profundo regularizado con datos de porosidad de pozo. Una aplicación en Near-Field Exploration
No Thumbnail Available
Date
2025-07-03
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La estimación de la distribución de porosidad resulta esencial para la exploración de hidrocarburos, captura y almacenamiento de carbono, y aprovechamiento de energía geotérmica. Los métodos tradicionales, fundamentados en inversión sísmica y ecuaciones de física de rocas, demandan extenso procesamiento, requieren ajustes paramétricos múltiples y presentan alta sensibilidad ante variaciones mineralógicas y de fluidos en la roca. Este estudio propone una metodología basada en redes neuronales (NN) que estima directamente la porosidad a partir de datos sísmicos post-apilado, superando las limitaciones mencionadas. La propuesta incorpora una función de pérdida que integra datos de porosidad obtenidos de registros de pozo para optimizar el entrenamiento. El método desarrollado superó a otras arquitecturas de aprendizaje automático en la estimación de porosidad a partir de datos sísmicos, tanto en el dominio del tiempo como de profundidad, utilizando datos sintéticos y reales. Los experimentos con datos sintéticos evidenciaron la superioridad predictiva del método propuesto frente a modelos alternativos. Adicionalmente, las pruebas con datos reales alcanzaron un R2 = 0,860 en los datos de prueba, resultado corroborado mediante técnicas de validación cruzada. Estos hallazgos confirman la robusta capacidad de generalización de la red, su resistencia ante la variabilidad de datos y su estabilidad en condiciones de ruido moderado, generando resultados geológicamente interpretables. La red completó su entrenamiento en 373,7 segundos para 120.263 trazas y realizó predicciones sobre 52.910 trazas en 4 segundos, reduciendo notablemente los tiempos de procesamiento respecto a métodos convencionales y de otras redes neuronales. Los resultados subrayan el potencial de las NN para lograr estimaciones de porosidad precisas y eficientes, particularmente en el ámbito de la Near-Field Exploration, preservando la coherencia geológica.
Description
Keywords
Aprendizaje automático, Redes neuronales, Porosidad, Sísmica post-apilado