¡Hola, lector!

Esperamos que tu día esté lleno de descubrimientos, ya sea por la mañana, tarde o noche. Este sábado, como cada semana, te traemos un tema que no puede faltar en la caja de herramientas de quienes exploramos el subsuelo. Hoy generaremos gráficas de tipo Crossplot usando Python, para ayudarnos a identificar las litologías presentes en los pozos.

En la exploración y evaluación de hidrocarburos, la identificación precisa de litologías en el subsuelo es crucial para comprender la composición y distribución de las formaciones geológicas. Los crossplots, o gráficos de dispersión cruzada, son herramientas fundamentales en este proceso, ya que permiten visualizar y analizar relaciones entre diferentes propiedades petrofísicas obtenidas de registros geofísicos de pozo, como densidad, porosidad, velocidad sónica, y respuesta del registro de rayos gamma.

Estos gráficos facilitan la diferenciación de litologías al destacar tendencias características de ciertos tipos de rocas. Por ejemplo, una combinación de densidad y tiempo de tránsito sónico puede ayudar a distinguir entre areniscas, lutitas y carbonatos, mientras que la integración de registros de neutrones y densidad permite identificar zonas de gas o variaciones en la saturación de fluidos. Además, los crossplots pueden incluir curvas de calibración teórica que ayudan a validar y ajustar interpretaciones.

El uso de crossplots no solo simplifica la identificación visual de patrones litológicos, sino que también facilita la integración de múltiples registros para obtener un análisis más robusto. Esto es particularmente útil en ambientes complejos, donde las propiedades de las rocas y los fluidos pueden superponerse o variar significativamente.

Primero importamos las librerías necesarias para utilizar el código

La librería pandas es usada para análisis de datos, ya que nos deja manipular tablas conocidas como DataFrames, numpy nos ayuda a realizar algunas operaciones matemáticas y matriciales que facilitan cálculos, y por ultimo matplotlib es la librería que nos ayuda a visualizar la información por medio de gráficas.

Ahora debemos visualizar los datos demás de filtrar los datos que contienen -999.25, que en los archivos de tipo LAS representan valores nulos.

Como vemos importamos un .csv, aunque se podría importar un .LAS sin ningún problema usando la librería lasio que ayuda a importar archivos de este tipo. En este caso mostramos los primeros 5 datos de cada registro para ver que sus encabezados.

De acuerdo a las variables dentro del archivo csv, BS es el Bit Size, CALI es Caliper, RHOB es Densidad volumétrica, DRHO es la corrección de RHOB, GR es el Gamma Ray, NPHI es porosidad neutrón, PEF es el Factor fotoeléctrico, DT y DTS son los tiempos de tránsito compresional y cortante respectivamente, además de la RT que es la resistividad profunda.

Se puede usar un tipo de gráficas en particular conocidas como "Bones and Ribs", para ayudar a la identificación de litología con ciertos tipos de registros.

Podemos usar las diferentes litologías, y los diccionarios para poder generar las gráficas.

Generamos las gráficas con las información proporcionada por los diccionarios:

Podemos también relacionar el contenido de radiación contenida en la litología para poder ver como se relaciona el contenido de arcilla con el tipo de roca:

Conclusión

La generación y análisis de los cuatro crossplots permitió una identificación más detallada de las litologías presentes en el intervalo estudiado. Cada combinación de registros geofísicos aportó información clave sobre las propiedades de las rocas y su distribución:

NPHI vs. RHOB: Este gráfico destacó las variaciones entre zonas de alta porosidad, como areniscas, y rocas más compactas, como carbonatos, permitiendo también identificar posibles efectos de gas en zonas de alta separación entre ambos registros.
DT vs. RHOB: Este crossplot mostró tendencias claras que ayudan a diferenciar litologías basadas en la densidad y el tiempo de tránsito sónico. Areniscas, carbonatos y lutitas exhibieron patrones característicos, facilitando su separación.
RHOB vs. PEF: Este gráfico fue útil para identificar mineralogías específicas, dado que el factor de absorción fotoeléctrica (PEF) es sensible a la composición mineral. Por ejemplo, se observaron valores elevados de PEF asociados a carbonatos ricos en calcita o dolomita.
DT vs. NPHI: Este crossplot permitió distinguir tendencias de rocas porosas y compactas, además de identificar posibles zonas de hidrocarburos en las que la respuesta de NPHI y DT difiere significativamente.

Bibliografía

[1] Asquith, G., & Krygowski, D. (2004). Basic Well Log Analysis. AAPG Methods in Exploration Series.

[2] Ellis, D. V., & Singer, J. M. (2007). Well Logging for Earth Scientists. Springer Science & Business Media.

[3] Doveton, J. H. (1994). Geologic Log Interpretation. SEPM Society for Sedimentary Geology.

[4] Tiab, D., & Donaldson, E. C. (2015). Petrophysics: Theory and Practice of Measuring Reservoir Rock and Fluid Transport Properties. Gulf Professional Publishing.

[5] Rider, M., & Kennedy, M. (2011). The Geological Interpretation of Well Logs. Rider-French Consulting Ltd.

Publicación realizada por Hiram Arias y Emiliano Flores