Aplicación del análisis multivariado y redes neuronales artificiales para estimar el módulo de Young en shales

Simple item page
dc.contributor.advisorBegambre Carrillo, Oscar Javier
dc.contributor.advisorCarvajal Jiménez, Jenny Mabel
dc.contributor.authorEspinosa Cardenas, Juan Pablo
dc.date.accessioned2024-03-03T20:46:31Z
dc.date.available2014
dc.date.available2024-03-03T20:46:31Z
dc.date.created2014
dc.date.issued2014
dc.description.abstractLos 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.
dc.description.abstractenglishGeomechanical models are built from logs, as measured on field indirectly. To have reliability in these models it is necessary to calibrate using data obtained through laboratory tests. Often have good laboratory data distributed at different depths, is not very common due to the difficulty in sample preparation and measurement of the properties during the execution and analysis of tests. When evaluating formations are shale type, the problems increase, due to some particular properties of these rocks as are his fisilidad, the presence of fractures and planes of weakness In order to solve these drawbacks uses predictive models in order to obtain sufficient data to populate and calibrate the geomechanical models. It seeks to increase the reliability to determine the Young's Modulus in shale formations. The methodology used in this work consists of a series of analyzes to data from laboratory and well log. Initially established through multivariate analysis, a relationship between petrophysical variables (Gamma Ray, porosity, density, resistivity, transit times of P and S waves) and Young's modulus (obtained from laboratory) in shales. Subsequently, a technique developed from artificial neural networks using the same data of previous stage. Finally it evaluates and compares the performance of the neural network with multivariate analysis in terms of their correlation and reliability in determining the modulus of elasticity. Results show that neural networks using higher coefficients of determination R2 are obtained, but at a higher cost than if the multivariate analysis is applied. Therefore, saves time and money with this technique last, and predictions show good correlation
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Geotecnia
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/20.500.14071/30960
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Geotecnia
dc.publisher.schoolEscuela de Ingeniería Civil
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.subjectModelos Predictivos
dc.subjectShales
dc.subjectModulo De Young
dc.subjectAnálisis Multivariado
dc.subjectRedes Neuronales
dc.subject.keywordPredictive Models
dc.subject.keywordShales
dc.subject.keywordYoung´S Modulus
dc.subject.keywordMultivariate Analysis
dc.subject.keywordArtificial Neural Networks.
dc.titleAplicación del análisis multivariado y redes neuronales artificiales para estimar el módulo de Young en shales
dc.title.englishApplication of multivariate analysis and artificial neural networks to predict young´s modulus of shale
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
191.14 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.53 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
141.06 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Geotecnia