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
dc.contributor.advisor | Goyes Peñafiel, Yesid Paul | |
dc.contributor.advisor | Castro Vera, Leidy Lizeth | |
dc.contributor.author | Córdoba Castillo, Nicolás | |
dc.contributor.evaluator | Illidge Araújo, Erick Johan | |
dc.contributor.evaluator | Galvis Carreño, Laura Viviana | |
dc.date.accessioned | 2025-07-03T14:37:00Z | |
dc.date.available | 2025-07-03T14:37:00Z | |
dc.date.created | 2025-07-03 | |
dc.date.issued | 2025-07-03 | |
dc.description.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. | |
dc.description.abstractenglish | Estimating porosity distribution is essential for hydrocarbon exploration, carbon capture and storage, and geothermal energy. Traditional workflows, relying on seismic inversion and rock-physics equations, are time-intensive, parameter-dependent, and sensitive to variations in mineralogy and fluids. This study proposes a workflow that uses neural networks (NN) to directly estimate porosity from post-stack seismic, addressing the above-mentioned traditional limitations. The workflow implements a custom loss function during training that incorporates well-log-derived porosity. Our proposed workflow outperformed alternative machine learning approaches for porosity estimation from seismic data in the time and depth domain with synthetic and field data. Experiments on synthetic data demonstrated its superior predictive capability compared to other models. Moreover, evaluations on field data achieved an R2=0.860 on the test set, an outcome reinforced by five-fold cross-validation. This performance shows the network's robust generalization, resilience to data variability, and stability under moderate noise, yielding interpretable results. The network trains efficiently in 373.7 seconds for 120,263 traces and predicts 52,910 traces in 4 seconds, significantly reducing the time required compared to conventional workflows. These results highlight NN's potential for accurate and efficient porosity estimation, particularly in near-field exploration, while preserving geological integrity. | |
dc.description.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0002140809 | |
dc.description.degreelevel | Maestría | |
dc.description.degreename | Magíster en Geofísica | |
dc.description.orcid | https://orcid.org/0000-0002-5074-7351 | |
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/20.500.14071/45803 | |
dc.language.iso | eng | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ciencias | |
dc.publisher.program | Maestría en Geofísica | |
dc.publisher.school | Escuela de Física | |
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 | Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Aprendizaje automático | |
dc.subject | Redes neuronales | |
dc.subject | Porosidad | |
dc.subject | Sísmica post-apilado | |
dc.subject.keyword | Machine Learning | |
dc.subject.keyword | Neural Networks | |
dc.subject.keyword | Deep Learning | |
dc.subject.keyword | Porosity | |
dc.subject.keyword | Post-Stack Seismic | |
dc.title | 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 | |
dc.title.english | Reservoir porosity estimation from post-stack seismic data using a deep learning model constrained by well-porosity: A near-field application | |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | |
dc.type.hasversion | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Maestría |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Documento.pdf
- Size:
- 18.93 MB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 61.2 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 567.76 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: