Análisis comparativo entre técnicas de Machine Learning para la determinación de unidades de flujo hidráulicas
No Thumbnail Available
Date
2023-05-24
Authors
Advisors
Evaluators
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
A partir de sitios web brasileros de acceso gratuito, se elaboró una base de datos de registros y análisis de núcleos disponibles, a los que se les realizó un análisis exploratorio de datos encontrando múltiples unidades de flujo bajo la metodología de Amaefule en las formaciones Agua Grande y Sergi. Se aplica el algoritmo no supervisado de mezclas gaussianas para identificar las unidades de flujo a partir de la data de núcleo y determinar sus modelos de permeabilidad al aire a partir de correlaciones con la porosidad efectiva del núcleo y modelos calibrados de porosidad a partir de registros. Finalmente, se aplican algoritmos supervisados y no supervisados en ambos casos de estudio para modelar las unidades de flujo a partir de los registros. Para la formación Agua Grande, se obtienen mejores resultados en algoritmos supervisados, acercándose a 80% de exactitud con el estimador Gradient Boost Classifier, mientras que los estimadores no supervisados logran en promedio 60% de exactitud siendo el mejor K-Means. Para la formación Sergi, el algoritmo K-Means es usado en la identificación de electrofacies, facilitando la interpretación de intervalos gasíferos y arcillosos, demostrando versatilidad sobre los algoritmos de aprendizaje supervisado en ambientes de alta heterogeneidad vertical. Por último, se crearon las plantillas de resultados, incluyendo para Agua Grande el modelo final de las unidades de flujo predichas con sus respectivos modelos de permeabilidad al aire, y para Sergi las electrofacies modeladas en el intervalo de estudio.
Description
Keywords
Unidades de flujo hidráulicas, Machine Learning, Indicador de zona de flujo, Aprendizaje supervisado, Aprendizaje no supervisado