Aplicaciones del Machine Learning en la caraterización de litologías complejas: Introducción

 Aplicaciones del Machine Learning en la caraterización de litologías complejas: Introducción

En esta ocasión, comenzaremos la introducción sobre este tema de inteligencia artifical, data analítica y aprendizaje profundo con fines académicos.

Para entender un poco mejor como llegamos al uso de estos algorítmos, pasemos una línea de tiempo del uso de estas herramientas, iniciando con la "Estadística". Veamos esto en dos figuras (1):

Acá vemos como desde el principio de la era Antigua hasta la caída del Imperio Romano (476 DC), la estadística como uso social comenzó a usarse hasta llegar a la era Contemporánea (1789-actualidad), con aplicaciones de la estadística en las ciencias sociales, estudios descriptivos y de cuantificación de relaciones, así como también su aplicación en la industria petrolera (E&P). Luego llegamos al siglo XXI, donde venos estas metodologías de Ciencia de Datos, donde nos introducimos en la organización y visualización de datos, clasificación, predicción, etc.

Historia, antecedentes y conceptos originales (2)

v  Desde los primeros usos de los métodos AI/ML en la industria petrolera, la caracterización de yacimientos ha sido un área de aplicación principal debido a su naturaleza  y basada en datos

v  Los métodos AI/ML son ideales para aplicaciones de petrofísica y caracterización de yacimientos que incluyen múltiples escalas y tipos de datos (desde sísmicos hasta núcleos y registros)

v  Litología, identificación de la unidad de flujo, identificación de “Sweet spot” se encuentran entre las técnicas exitosas (Bestagini et al. 2017). Estas aplicaciones están siendo actualmente expandidas a yacimientos no convencionales, donde tienen más valor (Hoeink y Zambrano 2017)

v  En términos de predicción, AI/ML se aplicaron por primera vez a estimaciones de propiedades de fluidos y rocas yacimientos a partir de datos experimentales (p. ej., registros, núcleos) para desarrollar correlaciones (McCain et al. 1998; El-Sebakhy et al. 2007).

v  Luego se utilizó AI/ML con la generación de registros sintéticos, inversión sísmica (Artun y Mohaghegh 2011) y la integración de múltiples conjuntos de datos para la identificación del “Sweet Spot”(Ertekin 2021)

v  Los modelos basados ​​en datos también se han utilizado con éxito en el ámbito del rendimiento y predicción de la producción en yacimientos no convencionales (Esmaili y Mohaghegh 2016; Al-Alwani et al. 2019)

v  Uso de técnicas de ML para cuantificar y analizar la incertidumbre se ha vuelto más práctica en comparación con el uso de modelos de simulación de yacimientos de alta fidelidad debido a la mejora eficiencia computacional

v  El objetivo de los métodos basados ​​en datos no es estar limitado para encontrar estructura en los datos, pero debe ser capaz de interpretar los datos en términos de principios físicos fundamentales.

v  Los modelos basados ​​en ML se han utilizado con éxito tanto para fines de clasificación como de predicción para la toma de decisiones de desarrollo relacionadas con campos convencionales maduros y no convencionales en cuanto a la optimización del número de pozos, ubicación, trayectoria y terminaciones; recuperación mejorada de petróleo; inyección de agua y la selección de pozos candidatos para reestimulación (Kaushik et al. 2017; Burton et al. 2019; Zhou y Lascaud 2019).

En la próxima entrega, comezaremos a integrar con su uso en la geociencias.

Autores:

Ing. Eliana Alvarado

Ing. Carlos Montiel, Msc

Bibliografia consultada:

1.       https://www.estadistica.net/Historia/historia.html

2.       Sankaran, A., Matringe, S., y Artun, E. 2022. “Data Analytics, Artificial Intelligence and Machine Learning”. Reservoir Technologies of the 21st century. SPE. Paginas 80-86