Integración de diagénesis, datos geoquímicos y técnicas de machine learning para abordar la calidad del reservorio en la formación brae, mar del norte, uk

Simple item page
dc.contributor.advisorElmore, Richard Douglas
dc.contributor.advisorDuarte Coronado, David Enrique
dc.contributor.authorSolano Velandia, Jairo Martyn
dc.date.accessioned2024-03-04T01:13:37Z
dc.date.available2021
dc.date.available2024-03-04T01:13:37Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractEl South Brae Field ha sido un campo petrolífero prolífico desde 1979. Hay dos formaciones productoras, la Formación de Kimmeridge Clay y la Formación Brae. Sin embargo, el principal reservorio en el campo es la Formación Brae, que ha sido interpretada como un sistema de turbiditas depositado en aguas profundas durante un low stand system tract (LST). Específicamente el objetivo son los complejos de channelleve y las arenas laminadas. Estos depósitos de flujo por gravedad ricos en arena se han estudiado extensamente. La calidad del reservorio (RQ) en cada sistema está controlada por diferentes factores. El objetivo del estudio es explicar cómo influye la diagénesis en la calidad de reservorio en la Formación Brae. Para identificar el papel de la compactación y cementación en la evolución de la porosidad de la Formación Brae, para esto se utilizará un núcleo de perforación del Brae Oil field (A19) de 410 ft. Un análisis petrográfico será usado para comprender la evolución de la porosidad. Adicionalmente, conteo de puntos en 20 muestras para cuantificar el rol de la compactación y cementación, Difracción de rayos X (XRD), así como Fluorescencia de rayos X (XRF) que será utilizado para medir la composición elemental a una resolución de 1 pie. Los datos de XRF refinarán la estructura de la secuencia estratigráfica y definirá los intervalos con mayor RQ mediante la integración de técnicas no supervisadas de aprendizaje automatizado (Machine Learning). Primero, el método de análisis de componentes principales (PCA) ayudará a reducir las variables en los datos XRF, luego, se aplica el algoritmo K- Means de agrupamiento, para definir clústeres o quimiofacies que resalten los intervalos con RQ alto y bajo, y así generar una tabla quimiostratigráfica. Este análisis exhaustivo usando análisis petrográfico, XRD, XRF y técnicas de machine Learning ayudo a visualizar intervalos con alto y bajo RQ
dc.description.abstractenglishThe South Brae Field is located in the southwestern part of the South Viking Graben in the UK North Sea that has been a prolific oil field since 1979. There are two producing formations, the Kimmeridge Clay Formation and the Brae Formation. However, the main target reservoir in the field is the Brae Formation which is interpreted as a turbidite system deposited in deep waters during a low stand system tract. The main reservoirs are channellevee complex and sheet sands. These sandrich gravityflow deposits have been extensively studied. The reservoir quality (RQ) in every single system is controlled by different factors. This study aims to explain the diagenetic influence in the reservoir quality of the Brae Formation. To identify the role of compaction and cementation in the porosity evolution of the Brae Formation, we use a core from the Brae Oil field (A19) of 410 ft. Petrographic analysis will be used to understand the evolution of the porosity. Additionally, point counting analysis over 15 selected samples will be completed to quantify the role of compaction and cementation, and the implementation of XRay Diffraction (XRD) of clays, as well as handheld XRay fluorescence (HHXRF) will be utilized to measure the elemental composition at onefoot resolution. The XRF data will refine the sequence stratigraphic framework and define the intervals with highest RQ by the integration of unsupervised machine learning techniques. First, principal components analysis (PCA) method helped to reduce the variables in the XRF data, then, applying K- means clustering algorithm we define cluster or chemofacies to highlight intervals with high and low RQ. This comprehensive analysis using petrographic analysis, SEM, XRD, XRF and machine learning techniques helped to visualize intervals with high and low RQ compaction
dc.description.degreelevelPregrado
dc.description.degreenameGeólogo
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/41149
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicoquímicas
dc.publisher.programGeología
dc.publisher.schoolEscuela de Geología
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectFormación Brae
dc.subjectDiagénesis
dc.subjectCalidad de Reservorio
dc.subjectQuimioestratigrafía
dc.subjectXRD
dc.subjectXRF
dc.subjectMachine Learning
dc.subjectKMeans.
dc.subject.keywordBrae Formation
dc.subject.keywordDiagenesis
dc.subject.keywordReservoir Quality
dc.subject.keywordChemostratigraphy
dc.subject.keywordXRD
dc.subject.keywordXRF
dc.subject.keywordMachine Learning
dc.subject.keywordKMeans
dc.titleIntegración de diagénesis, datos geoquímicos y técnicas de machine learning para abordar la calidad del reservorio en la formación brae, mar del norte, uk
dc.title.englishIntegration of Diagenesis, Geochemical Data and Machine Learning Techniques for Addressing the Reservoir Quality of Brae Formation, UK North Sea.*
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
229.25 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.41 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
262.79 KB
Format:
Adobe Portable Document Format
Download
Collections
Geología