Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Begambre Carrillo, Oscar JavierCarvajal Jiménez, Jenny MabelEspinosa Cardenas, Juan Pablo2024-03-0320142024-03-0320142014https://noesis.uis.edu.co/handle/20.500.14071/30960Los 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.application/pdfspahttp://creativecommons.org/licenses/by/4.0/Modelos PredictivosShalesModulo De YoungAnálisis MultivariadoRedes NeuronalesUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coPredictive ModelsShalesYoung´S ModulusMultivariate AnalysisArtificial Neural Networks.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)