Análisis comparativo entre técnicas de Machine Learning para la determinación de unidades de flujo hidráulicas

Simple item page
dc.contributor.advisorGambús Ordaz, Maika Karen
dc.contributor.authorSierra Angarita, Jesús Alberto
dc.contributor.evaluatorBejarano Wallens, Aristóbulo
dc.date.accessioned2023-06-21T14:43:30Z
dc.date.available2023-06-21T14:43:30Z
dc.date.created2023-05-24
dc.date.issued2023-05-24
dc.description.abstractA 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.
dc.description.abstractenglishFrom Brazilian websites of free access, a database of logs and analysis of available cores was developed, to which an exploratory analysis of data was carried out finding multiple flow units under the methodology of Amaefule in the Agua Grande and Sergi formations. The unsupervised Gaussian mixture algorithm is applied to identify flow units from core data and determine their air permeability models from correlations with effective core porosity and calibrated models of porosity from logs. Finally, supervised and unsupervised algorithms are applied in both case studies to model the flow units from logs. For the Agua Grande formation, better results are obtained in supervised algorithms, approaching 80% accuracy with the Gradient Boost Classifier estimator, while unsupervised estimators achieve on average 60% accuracy being the best K-Means. For Sergi formation, the K-Means algorithm is used in the identification of electrofacies, facilitating the interpretation of gas and clay intervals, demonstrating versatility over supervised learning algorithms in environments of high vertical heterogeneity. Finally, the result templates were created, including for Agua Grande the final model of the predicted flow units with their respective air permeability models, and for Sergi the electrofacies modeled in the study interval.
dc.description.degreelevelEspecialización
dc.description.degreenameEspecialista en Ingeniería de Yacimientos
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/20.500.14071/14596
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicoquímicas
dc.publisher.programEspecialización en Ingeniería de Yacimientos
dc.publisher.schoolEscuela de Ingeniería de Petróleos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
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-nd/4.0/
dc.subjectUnidades de flujo hidráulicas
dc.subjectMachine Learning
dc.subjectIndicador de zona de flujo
dc.subjectAprendizaje supervisado
dc.subjectAprendizaje no supervisado
dc.subject.keywordHydraulic Flow Units
dc.subject.keywordMachine Learning
dc.subject.keywordFlow Zone Indicator
dc.subject.keywordSupervised Learning
dc.subject.keywordUnsupervised Learning
dc.titleAnálisis comparativo entre técnicas de Machine Learning para la determinación de unidades de flujo hidráulicas
dc.title.englishComparative Analysis between Machine Learning Techniques for the Determination of Hydraulic Flow Units
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Especialización
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
297.66 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
470.45 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
5.6 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Especialización en Ingeniería de Yacimientos