Aplicación del análisis multivariado y redes neuronales artificiales para estimar el módulo de Young en shales
No Thumbnail Available
Date
2014
Authors
Evaluators
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
Los modelos geomecánicos se construyen a partir de registros, cuya medición se realiza en campo de forma indirecta. Para tener confianza en estos modelos se hace necesario calibrarlos a partir de datos obtenidos a través de ensayos de laboratorio. En muchas ocasiones contar con buenos datos de laboratorio, distribuidos a diferentes profundidades, no es muy común debido a la dificultad en la preparación de las muestras y en la medición de las propiedades durante la ejecución y análisis de los ensayos. Cuando las formaciones a evaluar son tipo shale los problemas aumentan, debido a algunas propiedades particulares de estas rocas como son su fisilidad, la presencia de planos de debilidad y fracturas. En aras de resolver estos inconvenientes se recurre a los modelos predictivos con el objeto de obtener datos suficientes para poblar los modelos geomecnicos y calibrarlos . Se busca así aumentar la confiabilidad para la determinación del Módulo de Young en formaciones de shale. La metodología utilizada en este trabajo consiste en una serie de análisis a datos provenientes de laboratorio y de registro de pozo. Inicialmente se establece, a través de un análisis multivariado, una relación entre variables petrofísicas (Gamma Ray, porosidad, densidad, resistividad, tiempos de transito de ondas P y S,) y el módulo de Young (obtenido de laboratorio) en shales. Posteriormente, se desarrolla una técnica a partir de redes neuronales artificiales utilizando los mismos datos de etapa anterior. Finalmente se evalúa y compara el desempeño de la red neuronal con el análisis multivariado en términos de su correlación y confiabilidad en la determinación del módulo de elasticidad. Los Resultados mostraron que utilizando las Redes Neuronales se obtienen mayores coeficientes de determinación R2 pero a un costo más alto que si se aplica el análisis multivariado. Por tanto se ahorra tiempo y dinero con esta última técnica.
Description
Keywords
Modelos Predictivos, Shales, Modulo De Young, Análisis Multivariado, Redes Neuronales