Introducción
La predicción precisa de la presión de poro es un factor vital en la explotación segura y eficiente de hidrocarburos, especialmente en campos petroleros complejos como el campo Pohokura en Nueva Zelanda. La presión de poro, que se refiere a la presión del fluido dentro de los poros de la roca, juega un papel determinante en la estabilidad del pozo durante las operaciones de perforación.
El uso de machine learning en la predicción de la presión de poro no solo optimiza la precisión, sino que también facilita la integración de múltiples variables litológicas y petrofísicas, permitiendo un análisis más detallado y específico de cada formación geológica. Esta capacidad es particularmente relevante en campos como Pohokura, donde las variaciones litológicas pueden afectar significativamente la presión de poro.
La importancia del control adecuado de la presión de poro durante la perforación no puede ser subestimada, ya que impacta directamente en la seguridad y eficiencia de la operación. Con la aplicación de nuevos algoritmos de machine learning, es posible no solo anticipar mejor las condiciones de presión en el subsuelo, sino también tomar decisiones más informadas que minimicen riesgos y maximicen la eficiencia operativa.
Pozos utilizados en el estudio
En la siguiente figura se muestra la ubicación de los pozos seleccionados para el estudio, los cuales son marinos y se encuentran en Nueva Zelanda. Se seleccionaron con la distribución observable, con el objetivo de que la predicción de la presión de poro del pozo Pohokura Sur-1b sea más eficiente.
Flujo de trabajo
A continuación, se muestra la serie de pasos que se realizarán a lo largo del estudio con el fin de predecir la presión de poro utilizando algoritmos de machine learning. Dicho proceso se divide en 4 fases principales, las cuales se enumeran a continuación:
- Manejo de datos: Se realizan procesos desde la obtención de los datos hasta su adecuación para el respectivo entrenamiento de los modelos de machine learning.
- Análisis petrofísico y geomecánico: Se obtienen las principales variables petrofísicas y geomecánicas, que se utilizarán para crear bases de entrenamiento.
- Entrenamiento de modelos: Se generan las bases de entrenamiento con las variables de interés, de igual forma, se entrenan los modelos con los diversos algoritmos de machine learning.
- Análisis de la predicción: Se correlacionan las predicciones con la litología, se comparan con métodos convencionales y se analiza la eficiencia de cada algoritmo con valores puntuales de la presión de poro.
Selección de registros de pozo y control de calidad
Para el presente trabajo se tomaron en cuenta 8 registros geofísicos, los cuales cuentan con datos desde los 432m hasta 4245m, con un intervalo de medición de 0.5ft. Los 8 registros geofísicos mencionados anteriormente son: Rayos gamma(GR), Potencial espontáneo(SP), Porosidad neutrón(NPHI), Tiempo de transito(DT), Caliper(CAL), Doble lateral profundo(LLD) y Doble lateral somero(LLS).
De igual forma, para la validación de los resultados de las predicciones de la presión de poro, se utilizaron pruebas de presión de los 6 pozos, proporcionadas por la misma fuente de datos. Dentro de las cuales se encuentran valores puntuales de gran importancia para la predicción de la presión de poro, como son: peso del lodo (MW), presión de formación y presión de cementación.
Clasificación litológica
Se realiza la clasificación litológica para cada punto del pozo mediante un diagrama de M vs N. Para este diagrama, se crearon 6 secciones litológicas y dos mezclas de minerales para ajustar puntos sin correlación.
Estimación de variables petrofísicas y geomecánicas
Se realiza el cálculo de las variables petrofísicas y geomecánicas a utilizar para predecir la presión de poro. Se tomaron en cuenta las siguientes variables: velocidad de onda P(VP), Volumen de arcilla(Vsh), Porosidad total(ϕT), Esfuerzo de sobrecarga(St) y Esfuerzo efectivo(Se). Esto se realiza para los pozos utilizados para el estudio, en la imagen se muestran los resultados obtenidos para el pozo Okoki-1.
Hiperparametrización de modelos ML
Los hiperparámetros son parámetros que controlan el comportamiento de un algoritmo de aprendizaje automático(ML). A diferencia de los parámetros, que se aprenden a partir de los datos de entrenamiento, los hiperparámetros deben ser especificados de forma directa dependiendo de la respuesta de predicción de cada algoritmo.
Para el presente estudio se utilizó una método de inversión gaussiana, en un mallado 3D de hiperparámetros, consiguiendo así, encontrar los valores correspondientes que minimizan el error de ajuste del modelo ML con la respuesta de los datos, todo esto evitando el sobreajuste, ya que un ajuste perfecto podría ser contraproducente al reducir la capacidad del modelo para predecir con precisión los valores de presión de poro en datos no presentes en el conjunto de entrenamiento.
En la siguiente imagen se muestra el proceso que se utiliza para ajustar los hiperparámetros de los modelos ML.
Entrenamiento y predicción de presión de poro con modelos no litológicos
A partir de la asignación de los hiperparámetros en los diversos modelos ML en cada pozo, se procede al entrenamiento de cada algoritmo con la información contenida en cada uno de los pozos estudiados, cabe mencionar que el entrenamiento de los primeros modelos, se realizaron sin clasificarlos litológicamente, con el objetivo de mostrar la importancia de la litología en la precisión de la predicción de la presión de poro.
Mediante la exportación de los modelos ML entrenados, se procede a realizar la predicción de la presión de poro a partir de valores de MW (Mud Weight) de los pozos Pohokura-1, Pohokura-2, Pohokura-3 y Okoki-1.
En la siguiente figura se muestran los resultados de presión de poro predecida para el pozo Pohokura Sur-1b, utilizando los modelos ML entrenados y comparando las curvas con valores puntuales que se conocen de presión de poro (datos duros).
Correlación de variables petrofísicas
Se presenta un análisis de la importancia relativa de las variables petrofísicas en la predicción de los modelos de Machine Learning basado. Cada barra representa la contribución porcentual de una variable específica a la capacidad predictiva del modelo (Véase la siguiente figura).
Dispersión correlacional
En la figura se observa la matriz de confusión promedio generada por los diversos algoritmos de clasificación utilizados para la predicción de la presión de poro, la cual es de tamaño 10x10, lo que indica que los modelos realizan predicciones en un espacio de 10 clases distintas.
Análisis de error RMSE de los modelos ML
La figura muestra una comparación entre los distintos algoritmos de aprendizaje automático en términos de su rendimiento cuantitativo medido a través del error raíz cuadrático medio (RMSE). Los algoritmos comparados incluyen Random Forest(RF), Boosted Trees(BT),Red Neuronal XOR(RNXOR), Multilayer Perceptron(MLP), Fine Tree(FT), Least Squares Kernel(LSK),Red Neuronal Back-Propagation(RNBP) y Análisis de componentes principales(PCA).
Desviación de modelos ML debido a las variables de entrenamiento
La figura ilustra la variabilidad de las características petrofísicas evaluadas en términos de desviación estándar. Cada línea, que cruza los diferentes ejes verticales, representa un conjunto individual de observaciones, mostrando su respectiva desviación de la media calculada para cada característica. Las líneas rojas indican valores superiores a la media, mientras que las líneas azules denotan valores inferiores.
Este tipo de visualización permite identificar patrones y correlaciones entre las distintas características petrofísicas de manera eficiente, resaltando tanto las tendencias comunes como las anomalías dentro del conjunto de datos analizado posterior al entrenamiento de los modelos ML.
Diferencia entre métodos convencionales y modelos ML
La figura muestra las curvas de la presión de poro generadas mediante el método convencional de Eaton y modelos de aprendizaje automático. Los tres modelos de machine learning presentados son árbol de decisión fino (Fine Tree), Arboles Potenciados (Boosted Trees), y Red Neuronal de Retropropagación (RN Back-Propagation).
Es importante señalar que esto no implica que el método de Eaton sea ineficaz. No obstante, se sabe que el método convencional de Eaton puede presentar descalibraciones debido a efectos litológicos, como la presencia de arcilla, o a influencias tectónicas. En contraste, se observará más adelante que los modelos de machine learning (ML) mejoran la precisión de la predicción al tener en cuenta estos cambios litológicos.
Sección geológica de correlación de la zona de estudio
En la siguiente imagen se presentan las formaciones presentes en los pozos de la zona de estudio, y su correlación en la dirección suroeste-noreste. Esta selección permite observar los efectos geológicos que afectaron las formaciones durante la formación de la costa de Waitara.
Corrección del kernel por efecto de litología en los modelos ML
Se lleva a cabo un análisis de eficiencia para cada tipo de kernel, observando cómo varía en función de la litología. Se consideraron cuatro tipos de litología predominante para garantizar que, al entrenar los modelos, se utilice el kernel adecuado correspondiente a la litología predominante en los datos.
Predicción de la presión de poro utilizando algoritmos considerando litología
Se continúa con el entrenamiento de modelos de machine learning teniendo en cuenta la litología predominante en diferentes zonas litológicas. El objetivo es identificar qué tipos de modelos se correlacionan y encuentran patrones con mayor facilidad en ciertos tipos de litología. Esto permite determinar qué algoritmos responden mejor a cada litología y, al final, desarrollar un modelo integral que combine diversos algoritmos y kernels. Este modelo ajustado a las variaciones litológicas puede manejar los cambios a lo largo del pozo de manera más efectiva que los métodos convencionales.
Predicción de la presión de poro con el modelo integral final
A continuación se muestra la curva de presión de poro predicha con el modelo integral final, que exhibe un mejor ajuste a los valores conocidos de presión de poro a lo largo del pozo Pohokura Sur-1b. Sin embargo, se observa un desajuste alrededor de los 3300 m, donde el modelo no logra una precisión perfecta. Este desajuste se debe a que el modelo entrenado se basó en las cuatro litologías predominantes, mientras que en esa zona hay presencia de formaciones carboníferas y rocas volcánicas, resultado de eventos tectónicos en la formación de la cuenca en la costa de Waitara.
A pesar de las limitaciones, el modelo integral de machine learning alcanza una eficiencia del 98.4% en comparación con los valores reales conocidos de presión de poro. En contraste, los algoritmos que no consideran la litología lograron una efectividad máxima del 92.3%. Esto demuestra que los modelos de machine learning ajustados a los cambios litológicos representan una opción prometedora para la predicción de la presión de poro.
Modelos ML y su eficiencia debido a la litología
En la siguiente imagen se presenta la eficiencia de cada modelo de machine learning en relación con las litologías utilizadas. El objetivo es observar cuáles modelos responden mejor a los cambios litológicos y en qué casos resulta conveniente emplearlos.
Conclusiones
Los algoritmos de machine learning (ML) han demostrado un impacto significativo en la predicción de la presión de poro, especialmente cuando se consideran los cambios litológicos a lo largo del pozo. A diferencia de los métodos convencionales, que a menudo asumen una litología uniforme, los modelos de ML ajustados a las variaciones litológicas han mostrado una mejora notable en la eficiencia porcentual de las predicciones. Esta mejora se traduce en una mayor precisión al modelar cómo la presión de poro varía con la litología específica en diferentes profundidades del pozo.
La capacidad de los modelos de ML para integrar y procesar datos litológicos detallados permite una representación más fiel de las condiciones reales en el subsuelo. Los resultados indican que, al considerar la litología en el entrenamiento de los modelos, se obtiene un ajuste más preciso de la presión de poro a los valores reales, lo que no solo incrementa la eficiencia de las predicciones, sino que también optimiza la interpretación de los datos geofísicos. Aunque los métodos convencionales han mostrado avances, su desempeño puede verse limitado en contextos con complejas variaciones litológicas. No obstante, esto no implica que los métodos convencionales estén obsoletos; siguen siendo útiles y pueden complementarse con los enfoques basados en ML para mejorar el análisis.
La importancia de estos avances es significativa en el proceso de perforación de pozos petroleros. La precisión en la predicción de la presión de poro es crucial para la planificación y ejecución segura de las operaciones de perforación. Un modelo que considera adecuadamente los cambios litológicos puede ayudar a prever y mitigar riesgos asociados a variaciones inesperadas en la presión de poro, optimizando así la eficiencia de la perforación y reduciendo costos. Además, una mejor predicción puede mejorar la seguridad operativa al anticipar condiciones potencialmente peligrosas, como la formación de presión excesiva o zonas de fracturación.
Bibliografía
[1] Cooper, Roger & Agterberg, F.P. & Alloway, Brent & Beu, Alan & Campbell, Hamish & Crampton, James & Crouch, Erica & Crundwell, Martin & Graham, I.J. & Hollis, Christopher & Jones, Craig & Kamp, Peter & Mildenhall, D.C. & Morgans, Hugh & Naish, T.R. & Raine, J.I. & Roncaglia, Lucia & Sadler, P.M. & Schiøler, Poul & Wilson, Gary. (2004). The New Zealand Geological Timescale. Institute of Geological and Nuclear Sciences. Monograph. 1-284.
[2] Anyiam, O.A., Eradiri, J.N., Mode, A.W. et al (2019). Sequence stratigraphic analysis and reservoir quality assessment of an onshore field, Central Swamp Depobelt, Niger Delta Basin, Nigeria. Arab J Geosci, 791.
[3] Dr. Juan Carlos Cuevas Tello (2017). Handouts for Artificial Neural Networks
[4] Trevor Hastie, Robert Tibshirani, and Jerome Friedman (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
[5] Ethem Alpaydin (2020). Introduction to Machine Learning. MIT Press.
[6] Jason Brownlee (2018). Machine Learning Mastery with Python: Understand Your Data, Create Accurate Models, and Work Projects End-to-End. Machine Learning Mastery.
[7] Aurélien Géron (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media.
Publicación realizada por Hiram Arias.
Contacto
Correo : hiram0809@gmail.com
No hay comentarios.:
Publicar un comentario