Sei sulla pagina 1di 163
UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACIÓN DE INGENIERÍA GEOFÍSICA PREDICCIÓN DE VP USANDO TRANSFORMADAS

UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACIÓN DE INGENIERÍA GEOFÍSICA

PREDICCIÓN DE VP USANDO TRANSFORMADAS MULTI-ATRIBUTOS Y REDES NEURONALES

Por:

Carlos Alberto Briceño Bellorin

PROYECTO DE GRADO Presentado ante la Ilustre Universidad Simón Bolívar como requisito parcial para optar al título de Ingeniero Geofísico

Sartenejas, Abril de 2013

UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACIÓN DE INGENIERÍA GEOFÍSICA PREDICCIÓN DE VP USANDO TRANSFORMADAS
UNIVERSIDAD SIMÓN BOLÍVAR INGENIERÍA GEOFÍSICA PREDICCIÓN DE VP USANDO TRANSFORMADAS MULTI-ATRIBUTOS Y REDES NEURONALES Por: Carlos

UNIVERSIDAD SIMÓN BOLÍVAR INGENIERÍA GEOFÍSICA

PREDICCIÓN DE VP USANDO TRANSFORMADAS MULTI-ATRIBUTOS Y REDES NEURONALES

Por:

Carlos Alberto Briceño Bellorin

Realizado con la asesoría de:

Dra. Milagrosa Aldana

PROYECTO DE GRADO Presentado ante la Ilustre Universidad Simón Bolívar como requisito parcial para optar al título de Ingeniero Geofísico

Sartenejas, Abril de 2013

UNIVERSIDAD SIMÓN BOLÍVAR INGENIERÍA GEOFÍSICA PREDICCIÓN DE VP USANDO TRANSFORMADAS MULTI-ATRIBUTOS Y REDES NEURONALES Por: Carlos

Prof . Milagros a Aldan a - US B

Tuto r Académico :

Peralt a - US B

Alfred o

Jurado : Prof .

Prof . An a Cabrer a - US B

Jurado :

=" ^—2M ¿

E l Jurad o

 

cas o positivo , justifica r razonadamente :

nE

S I

BUENO :

EXCEPCIONALMENT E

se

consider a po r unanimida d qu e e l trabaj o

 

OBSERVACIONES :

 

REPROBADO :

APROBADO :

 

Peralt a

Alfred o

Prof . An a Cabrer a y

JURADO :

Prof . Milagros a Aldan a

TUTO R ACADÉMICO :

ATRIBUTO S Y REDE S NEURONALE S

MULTI -

TRANSFORMADA S

USAND O

PV

ED

"PREDICCIÓ N

TRABAJO :

DE L

TÍTUL O

4

074067

CARNET :

Albert o Briceñ o Bellorí n

Carlo s

 

ESTUDIANTE :

25/01/201 3

FECHA :

EP331 2

ASIGNATURA :

AL

ED

CÓDIG O

ED EVALUACIÓ DE PROYECT O ED GRAD O

L

N

A

ACT

 
 

Geofísic a

Ingenierí a

ed

Coordinació n

Estudio s Profesionale s

ed

Decanat o

BOLÍVA R

SIMÓ N

UNIVERSIDA D

 

PREDICCIÓN DE VP USANDO TRANSFORMADAS MULTI-ATRIBUTOS Y REDES NEURONALES

Por:

Carlos Alberto Briceño Bellorin

RESUMEN

El presente trabajo muestra la implementación de transformadas Multi-atributos para predecir velocidades de ondas P, a partir de registros de pozo y atributos extraídos de datos sísmicos, con el objeto de caracterizar los yacimientos gasíferos de los campos West Waha y Worsham Bayer, Texas, Estados Unidos.

Se utilizó la licencia de Hampson and Russell, versión CE8, que permitió realizar el cálculo de transformadas multi-atributos y el entrenamiento de los resultados mediante el uso de transformadas no lineales, generadas con de Redes Neuronales Supervisadas.

Durante el proceso se estudió la relación entre los diferentes registros de pozo con VP. Al igual que la relación entre dicha propiedad y atributos extraídos de los datos sísmicos disponibles en el área. El proceso de entrenamiento se realizó con la Regresión de Paso Aprendido, descrito por Hampson en 1999.

Se calcularon diferentes

transformadas usando, primeramente registros de pozo para

predecir registros de pozo, para luego incluir predicciones de registros de pozo con datos de sísmica, el resultado de este último, fue extendido a la totalidad del volumen sísmico, para obtener una distribución espacial de VP en el área.

Los resultados obtenidos muestran que las redes neuronales usadas (MLFN y PNN) mejoran, en todos los casos, el poder de predicción inicial obtenido con las transformadas Multi- atributos, siendo mejor la red MLFN. Se determinó que, dada la alta complejidad de la zona, el cubo de VP generado ayuda a identificar rasgos geológicos de interés como una capa de baja velocidad, que afecta los estudios de sísmica convencional. Además, se observaron contrastes de velocidades en zonas donde, mediante datos extraídos de pozos en el área, se conocía la existencia de yacimientos gasíferos.

iv

DEDICATORIA

A todos los que se han decidido luchar por un sueño y no pararon hasta verlo realizado.

v

AGRADECIMIENTOS

Sean estas palabras una herramienta para expresar, a todas las personas que me han ayudado a realizar este sueño realidad, la constancia de que no se han borrado de mi mente todas la vivencias compartidas.

Un agradecimiento muy especial a mis Padres, Jesús Alfredo Briceño y Yolides Bellorin Rojas, por depositar en mí la confianza y el amor que impulsa cada nuevo paso que doy, son ustedes, mi mayor logro.

Gracias a mis hermanos, en especial a Jesús Briceño, abuelos, tíos y tías, primos y primas por ayudarme siempre con todo lo que estaba a su alcance, me han regalado su tiempo y yo valoro inmensamente su cariño.

Gracias a las personas que me abrieron las puertas de sus hogares y me hicieron parte de sus familias: Alicia Quintana, Marieta Duque, José Antonio Frías y especialmente a mi tía Eugenia Bellorin, quien con su consejo y paciencia siempre ha sido para mí un ejemplo.

Gracias mis compañeros de clases, por ayudarme a pesar de las locuras y presiones que el mundo académico acarrea, especialmente a Andreína Henríquez quien me ha acompañado a lo largo de esta aventura llamada geofísica.

Por último mi mayor reconocimiento es para los profesores que conforman el equipo que se encarga de convertirnos en profesionales: Milagrosa Aldana, Andrés Pilloud, Ana Cabrera, Francis Cordero, son ustedes personas que se han ganado mi admiración y respeto, por su capacidad de sacrificio, de lucha y humildad que han sido ejemplo constante durante estos cinco años.

vi

ÍNDICE GENERAL

ACTA DE EVALUACIÓN………………………………………………………………..…….iii

RESUMEN

iv

DEDICATORIA

v

vi

vii

ÍNDICE DE FIGURAS

x

ÍNDICE DE TABLAS

xvi

INTRODUCCIÓN

1

CAPÍTULO 1

3

MARCO GEOLÓGICO

3

  • 1.1 Ubicación del Área de Estudio

3

  • 1.2 Geología Regional

4

  • 1.3 Geología Local (Tomado de Major et al 1998)

6

  • 1.3.1 Grupo Ellenburger ...........................................................................................................

7

  • 1.3.2 Formación Fusselman

.....................................................................................................

9

  • 1.3.3 Thirtyone .......................................................................................................

Formación

9

  • 1.3.4 Misisipiense...............................................................................................

Reservorios

10

CAPÍTULO 2

12

MARCO TEÓRICO ....................................................................................................................

12

  • 2.1 Registros de

Pozo .................................................................................................................

12

  • 2.1.1 Registro Sónico (Onda P)

..............................................................................................

13

Registros

  • 2.1.2 Gamma Ray ...................................................................................................

13

  • 2.1.3 de Porosidad

Registros

14

  • 2.1.4 Registro de Densidad

....................................................................................................

15

  • 2.1.5 Tiros de Verificación (Check Shots)

15

  • 2.2 Símica de Reflexión ..............................................................................................................

16

  • 2.2.1 Sísmica 3D

16

vii

2.3

Atributos Sísmicos

 

18

2.4

Transformadas Multi-atributos

19

2.4.1

Regresión Lineal Atributo

20

2.4.2

Regresión Lineal Multi-Atributos

22

2.4.3

Operador Convolucional

24

2.4.4

Regresión de Paso Aprendido

.......................................................................................

26

2.4.5

Validación Cruzada (Cross Validation)

27

2.5

Redes

29

2.5.1

Modelo de una neurona

.................................................................................................

30

2.5.2

Tipos de Entrenamiento de Redes Neuronales

31

2.5.2.1

Aprendizaje No Supervisado

31

2.5.2.2

Aprendizaje Supervisado

........................................................................................

32

2.5.3

Arquitectura de las Redes Neuronales

32

2.5.3.1

Red Neuronal Multi-Capa entrenada por retro-propagación (MLFN)

32

2.5.3.2

Red Neuronal Probabilística (PNN)

36

CAPÍTULO 3

40

METODOLOGÍA ........................................................................................................................

40

Etapa 1. Revisión Bibliográfica

 

40

 

40

Etapa 3. Generación de Resultados

43

Fase I

44

Fase

53

Fase

55

CAPÍTULO 4

 

58

RESULTADOS

58

4.1

Transformadas Simples y Transformadas Multiatributos en un

58

4.1.1

Transformadas Simples

 

58

4.1.1.1

Pozo 29

58

4.1.1.2

Pozo 37

62

4.1.1.3

Pozo 41

64

4.1.2

Transformadas Multi-Atributos

.....................................................................................

68

4.1.2.1

Pozo 29

68

4.1.2.2

Pozo 37

71

4.1.2.3

Pozo 41

74

4.1.3

Transformadas Multi-Atributos Entrenadas con Redes Neuronales

76

viii

  • 4.1.3.1 ...................................................................................................................

Pozo 29

76

  • 4.1.3.2 ...................................................................................................................

Pozo 37

79

  • 4.1.3.3 ...................................................................................................................

Pozo 41

82

  • 4.2 Transformadas Simples y Transformadas Multi-atributos- Multi-Pozos

85

  • 4.2.1 Transformadas Simples

86

  • 4.2.1.1 ...............................................................................................................

Proyecto 1

86

  • 4.2.1.2 ...............................................................................................................

Proyecto 2

90

  • 4.2.2 Transformadas Multi-Atributos,

..............................................................

94

  • 4.2.2.1 ...............................................................................................................

Proyecto 1

94

  • 4.2.2.2 ...............................................................................................................

Proyecto 2

99

  • 4.2.3 Transformadas Multi-Atributos con Redes Neuronales,

103

  • 4.2.3.1 .............................................................................................................

Proyecto 1

103

  • 4.2.3.2 .............................................................................................................

Proyecto 2

110

  • 4.3 Transformadas Simples y Transformadas Mult-iatributos Sísmica/Pozo

115

  • 4.3.1 Transformadas Simples Sísmica/Pozo

116

  • 4.3.2 Transformadas Muli-Atributos Sísmica/Pozo

.............................................................

119

  • 4.3.3 Transformadas Muli-Atributos con Redes Neuronales, Sísmica/Pozo

124

  • 4.4 Aplicación de Transformadas al Volumen

129

  • 4.4.1 Aplicación de Transformada

129

En la Figura 4.71, se observa que, a 900 ms, la transformada Multi-atributos es variable. Se debe notar que los cortes realizados, presentan una escala de colores en lentitud, con unidades en microsegundos por pie, lo que significa que, con respecto a las líneas

presentadas anteriormente, las escalas están

136

  • 4.4.2 Aplicación de MLFN

137

CONCLUSIONES Y RECOMENDACIONES

144

REFERENCIAS BIBLIOGRÁFICAS

146

ix

ÍNDICE DE FIGURAS

Figura 1. 1 Ubicación global del Área de Estudio. Estados Unidos de América, Estado de Texas 3 Figura 1. 2 Ubicación geográfica de La Cuenca Delaware, campos West Waha, Worsham Bayer

(Modificado de Hardage et al, 1999)

4

interés (Modificado de Hardage 1998)

6

Figura 1. 4 Esquema depositacional del Grupo Ellenburger (Modificado de Adams,

7

Figura 1. 5 Esquema depositacional de la Cuenca Delaware (Modificado de Adams, 1995)

11

Figura 2. 1 Registro Esquemático de Gamma Ray, mostrando Línea de Arena y Línea de Arcilla

(Modificado de Rider, 2000)

14

Figura 2. 2 Registro esquemático de Porosidad Neutrón, mostrando el efecto de diferentes fluidos

en el registro (Modificado de Rider, 2000)

15

15

Figura 2. 4 Esquema de Adquisición de datos Sísmicos (Tomada de Sheriff, 2002)

16

17

Figura 2. 6 Esquema de Gerencia de Yacimiento (Tomado de Regueiro, 2007)

17

20

relación entre los atributos externos y el registro objetivo (Tomado de Ruiz, 2011)

22

Figura 2. 9 Esquematización de la diferencia de contenidos de frecuencia entre los registros de

pozo y los datos Sísmicos (Tomado de Ruiz,

24

Figura 2. 10 Esquematización del Operador Convolucional para Transformadas Multi-atributos.

Cada muestra en el registro corresponde a 5 muestras de los atributos (Modificado de Ruiz, 2011)

 

25

negra= error promedio (Modificado de Hampson et al, 1999)

28

30

(azul) y capa de salida (amarilla) (Tomado de Ruiz, 2011)

32

escondida, a mayor número de nodos, mejor ajuste (Modificado de Ruiz, 2011)

33

Figura 2. 15 Esquematización de Gradiente conjugado (Tomado de Ruiz 2011)

34

evaluación (líneas negras) para el reconocimiento de mínimos globales (Modificado De H&R Assistant)

.......................................................................................................................................

35

x

Figura 2. 17 Diagrama de flujo, que muestra la aplicación del Gradiente Conjugado con el

recocido simulado (Modificado de Ruiz, 2011)

36

Figura 2. 18 Comportamiento de la PNN. Al momento de realizar predicciones realiza un buen

ajuste de la nube de puntos (Modificado de Cedillo, 2003)

39

Figura 3. 1 Distribución espacial de los Pozos en el área de estudio

42

Figura 3. 2 Esquematización de la geometría de adquisición sísmica

...........................................

43

Figura 3. 3 Comparación entre gráficos cruzados. Figura superior sin eliminación de valores

nulos. Figura inferior

46

Figura 3. 4 Interfaz gráfica del Programa H&R. Activación del Módulo “Well Explorer”

47

Figura 3. 5 Modulo “Well Explorer”, con registros

48

Figura 3. 6 Gráfico de error en función del operador de longitud, para una Transformada

Multiatributos, donde se observa que el menor error corresponde a un operador de un

49

 

51

Figura 3. 8 Gráfico Cruzado, comparando registro original con registro

52

Figura 3. 9 Menú principal del Módulo Emerge de H&R, donde se muestra el procedimiento para

la extensión de las transformadas al volumen sísmico

56

Figura 3. 10 Menú Procesos, Módulo Emerge. Proceso de extensión de la transformada al

volumen

56

Figura 3. 11 Ventana de Parámetros de Salida, Módulo Emerge

57

Figura 4.1 Datos de Entrenamiento para el Pozo 29. Registro rojo: Propiedad Objetivo. Registros

Azules: Atributos Externos

............................................................................................................

59

Figura 4. 2 Gráficos Cruzados Transformadas Simples del Pozo 29. A) Raíz Cuadrada de Onda P Vs Raíz Cuadrada de Gamma Ray, Corr= 0,77 y Error= 5,14. B) Onda P vs Raíz Cuadrada de Gamma Ray, Corr= 0,78 y Error = 5,15. Se observa la regresión lineal obtenida en ambos casos

 

60

predicho, Registro Negro= Registro Original. Registro Vinotinto= diferencia entre registro

Original y Predicho. Corr= 0,78 y Error= 5,15. Se observan diferencias en

61

Figura 4. 4 Datos de Entrenamiento para el Pozo 37. Registro rojo: Propiedad Objetivo. Registros

Azules: Atributos Externos

62

Figura 4. 5 Gráficos Cruzados Transformadas Simples del Pozo 37. A) Onda P Vs Gamma Ray al Cuadrado, Corr= 0,88 y Error= 3,65. B) Raíz Cuadrada de Onda P vs Gamma Ray al Cuadrado,

Corr= 0,89 y Error = 3,65. Se aprecia una distribución cuasi lineal de los datos Figura 4. 6 Aplicación de Transformadas Simples, Pozo 37. Rojo = Registro predicho; Negro=

..........................

63

Registro Original; Vinotinto= diferencia entre registro Original y Predicho. A) Corr= 0,88 y

xi

Error= 3,65. B) Corr 0,89 y Error 3,65. Se pude observar que se sigue la tendencia general de los

registros

64

Figura 4. 7 Datos de Entrenamiento para el Pozo 41. Registro rojo: Propiedad Objetivo. Registros

Azules: Atributos Externos

65

Figura 4. 8, Gráficos Cruzados Transformadas Simples del Pozo 41. A) Onda P Vs Porosidad

Neutrón,

Corr=0,96 y Error= 4,70. B) Sqtr (Onda P) vs Porosidad Neutrón, Corr= 0,95 y Error

= 4,80. Se observa una buena correlación entre Sónico de Onda P y Porosidad

66

Figura 4. 9, Aplicación de Transformadas Simples en el Pozo 41. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. A) Corr=

0,95 y Error= 4,70. B) Corr 0,94 y Error 4,79. Se observa la calidad de la

67

Figura 4. 10 Gráfico Cruzado Transformada Multi-atributo Pozo 29. Onda P Predicha Vs Onda P

original,

Corr=0,86 y Error= 4,11. Mostrando un buen ajuste entre los

69

Figura 4. 11, Aplicación de Transformada Multi-atributo Pozo 29. Rojo = Registro predicho.

Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,86 y

Error=

70

Figura 4. 12 Error Promedio Vs Número de atributos Pozo 29. Línea roja = error de validación;

 

71

Figura 4. 13 Gráfico Cruzado Transformada Multi-atributo Pozo 37. Onda P Predicha Vs Onda P

original,

Corr=0,95 y Error=

72

Figura 4. 14, Aplicación de Transformada Multi-atributo Pozo 37. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,95 y

Error= 2,31. Se sigue la tendencia del registro original a lo largo de todo el

73

Figura 4. 15 Error Promedio Vs Número de atributos Pozo 37. Línea roja = validación; línea negra Número de Atributos. El error de entrenamiento disminuye con el número de atributos

73

Figura 4. 16 Gráfico Cruzado Transformada Multi-atributo Pozo 41. Onda P Predicha Vs Onda P

original,

Corr=0,96 y Error=

75

Figura 4. 17 Aplicación de Transformada Multi-atributo Pozo 41. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,96 y

Error= 2,04

.....................................................................................................................................

75

Figura 4. 18 Gráficos Cruzados Redes Neuronales Pozo 29. A) PNN Corr= 0,95 y Error= 2,44.

  • B) MLFN Corr= 0,90 y Error= 3,65. Se observa un mejor ajuste para la PNN

78

Figura 4. 19 Aplicación de Redes Neuronales Pozo 29. Rojo = Registro predicho. Negro=

Registro Original. Vinotinto= diferencia Original y Predicho. A) PNN Corr= 0,95 y Error= 2,55.

  • B) MLFN Corr=0,90 y Error= 3,65. La red no se entrenó fuera del intervalo de procesamiento . 79

Figura 4. 20 Gráficos Cruzados Redes Neuronales Pozo 37. A) MLFN Corr= 0,96 y Error= 2,04.

  • B) PNN Corr= 0,99 y Error= 0,84. El mejor ajuste se obtiene con la

PNN. .................................

81

Figura 4. 21 Aplicación de Redes Neuronales Pozo 37. Rojo = Registro predicho, Negro= Registro Original. Vinotinto= diferencia Original y Predicho. A) MLFN Corr= 0,96 y Error= 2,03.

xii

  • B) PNN Corr=0,99 y Error= 0,84. El entrenamiento sólo se realiza dentro de intervalo de

 

81

Figura 4. 22 Gráficos Cruzados Redes Neuronales Pozo 41. A) MLFN Corr= 0,96 y Error= 4,16.

  • B) PNN Corr= 0,995 y Error= 1,43. Mejoró el entrenamiento para ambas

83

Figura 4. 23 Aplicación de Redes Neuronales Pozo 41. Rojo = Registro predicho, Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. A) MLFN Corr= 0,96

y Error= 4,16 B) PNN Corr=0,994 y Error=

84

Figura 4. 24 Datos de Entrenamiento Proyecto 1. Registro rojo: Propiedad Objetivo. Registros Azules: Atributos Externos ............................................................................................................ Figura 4. 25 Gráficos Cruzados Proyecto 1. A) (Onda P)**2 Vs Sqrt (Gamma Ray) Corr= 0,64

86

Error= 11,85. B) Sqrt (Onda P) Vs Log (Gamma Ray) Corr= 0,70 Error= 11,86. Se observa una

correlación aceptable, en términos

experimentales. ......................................................................

88

Figura 4. 26 Aplicación de Transformadas Simples Proyecto 1. Rojo = Registro predicho. Negro=

Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Error Promedio

11,86; Corr= 0,69. Se aprecian las diferencias de las aplicaciones en cada

89

Figura 4. 27 Error promedio Vs Pozos de entrenamiento, Proyecto 1. Se aprecia diferentes errores

promedios, en todos los

90

Figura 4. 28 Datos de Entrenamiento Proyecto 2. Registro rojo: Propiedad Objetivo. Registros

Azules: Atributos Externos

91

Figura 4. 29 Gráfico Cruzado Transformada Simple, Proyecto 2. Onda P Vs Sqrt (Gamma Ray)

Corr= 0,77 Error= 6,46. Se aprecia la regresión lineal

92

Figura 4. 30 Aplicación de Transformada Simple, Proyecto 2. Rojo = Registro predicho. Negro=

Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,77 Error=

6,46. Se observa un buen ajuste en las ventanas de

93

Figura 4. 31 Error promedio vs Pozos incluidos, Proyecto 2. El error aumenta con el número de

pozos

94

Figura 4. 32 Gráficos Cruzados Transformadas Multi-atributos Proyecto 1. A) Corr= 0,70 Error=

11,75. B) Corr= 0,69 Error= 11,84. Se observa una regresión lineal

95

Figura 4. 33 Aplicación de Transformada Multi-atributo, Proyecto

96

Figura 4. 34 Validación Cruzada de Transformadas Multi-atributos, Proyecto 1. Error

Validación= 6,87. Corr=

97

Figura 4. 35 Error Promedio vs el Número de atributos, para cada operador de longitud. El mejor

operador es el de seis

98

Figura 4. 36 Error Promedio vs número de atributos. Proyecto 1. El error de validación es menor

que el error

98

Figura 4. 37 Gráfico Cruzado, Transformada Multi-atributo Proyecto 2. Corr= 0,65 Error= 7,65

 

100

Figura 4. 38 Error Promedio Vs Número de Atributos evaluados con operadores de longitud. El

mejor operador resulto ser el de 5

100

xiii

Figura 4. 39 Aplicación de la Transformada Multi-atributo Proyecto 2. Corr= 0,65 Error 7,65. Se

observa diferencia en de frecuencias entre el registro predicho y el original

101

Figura 4. 40 Validación Cruzada de Transformada Multi-atributos, Proyecto 2, sobre el Pozo 43.

Error de Validación= 4,76 Corr= 0,35. Se observa bajo error de

102

Figura 4. 41 Gráfico Cruzado de PNN Proyecto 1. Registro Predicho vs Registro Original. Corr=

0,71 Error= 12,94. Se observa una pobre regresión

105

Figura 4. 42 Gráfico Cruzado de MLFN Proyecto 1. Registro Predicho vs Registro Original.

Corr= 0,88 Error= 7,82. Se presenta una buena regresión

106

Figura 4. 43 Aplicación de PNN Proyecto 1. Corr=0,71 Error Promedio 12,94 us/ft. Diferencia

entre los contenidos de frecuencia del registro predicho con respecto al registro

107

Figura 4. 44 Ampliación de la Figura 4.43. Se muestran amplitudes de los registros predichos.

Donde se observa las variaciones del registro

108

Figura 4. 45 Aplicación de MLFN Proyecto 1. Corr= 0,88 Error Promedio = 7,82 us/ft

108

Figura 4. 46 Resultado de Validación, Pozo 46. A) PNN: Error de Validación=11.25 Corr=0,80. B) MLFN: Error de Validación=13,42 Corr= 0,03. So observa buena correlación en el intervalo

de entrenamiento

..........................................................................................................................

109

Figura 4. 47 Gráfico Cruzado de PNN, Proyecto 2. Registro Predicho vs Registro Original. Corr=

0,71 Error= 7,10. Se observa una buena correlación, a pesar de la alta

111

Figura 4. 48 Gráfico Cruzado de MLFN Proyecto 2. Registro Predicho vs Registro Original.

Corr= 0,78 Error=

111

Figura 4. 49 Aplicación de Transformada PNN Proyecto 2. Corr= 0,71 Error= 7,10 us/ft

112

112

Figura 4. 51 Validación Cruzada. A) PNN Corr=0,36 Error de Validación= 4,81. B) MLFN

Corr=0,37 Error de Validación= 5,76

113

Figura 4. 52 Distribución Espacial de Pozos en el Área de

114

Figura 4. 53 Datos de Entrenamiento, Transformadas Sísmica/Pozo. Rojo= Registro Objetivo; Negro= Traza Sísmica en la vecindad del pozo; Azul= Atributos externos

116

Figura 4. 54 Gráficos Cruzados Transformadas Simples Sísmica/Pozo 1. A) Corr= -0,25 Error= 13,95. B) Corr= -0,28 Error= 14,00. Se observa que la nube de puntos, no siguen una tendencia

 

117

Figura 4. 55 Aplicación de la Primera Transformada Simple Sísmica/Pozo. Línea Roja= Registro

Predicho; Línea Negra= Registro Original. Líneas Azules= Ventana de

118

Figura 4. 56 Aplicación de la Segunda Transformada Simple Sísmica/Pozo. Línea Roja= Registro

Predicho; Línea Negra= Registro Original. Líneas Azules= Ventana de

118

Figura 4. 57 Error Promedio en Función de Los Pozos para las Transformadas Simples Sísmica/Pozo. Se observa la variación del error promedio en los diferentes pozos del proyecto.

 

119

120

xiv

Figura 4. 59 Error Promedio vs Número de Atributos, Transformadas Multi-atributos Sísmica

 

121

Figura 4. 60 Variación del Error Promedio en función del

121

Figura 4. 61 Error Promedio en Función del Operador de

122

Figura 4. 62 Aplicación de Transformada Multi-atributo Sísmica/Pozo. Error Promedio= 13,02

(us/ft); Corr=

123

Figura 4. 63 Validación de Transformada Multi-atributo Sísmica/Pozo. Pozo 46. Error de Validación= 14,14 Corr= 0,48

124

4,13 us/ft. B) MLFN: Corr= 0,76 Error= 9,07 us/ft

126

us/ft. B) MLFN: Corr= 0,76 Error= 9,07 us/ft

127

128

Validación= 11,51us/ft. B) MLFN: Corr= 0,66 Error de Validación= 12,17

128

Figura 4. 68 Líneas del Volumen de Onda P, Transformada Multi-Atributo. A) Inline 759. B)

Inline

130

Figura 4. 69 Líneas del Volumen de Onda P, Transformada Multi-Atributo. C) Inline 893. D)

Inline

132

Figura 4. 70 Línea del Volumen de Onda P, Transformada Multi-Atributo E) Inline

134

Figura 4. 71 Corte en tiempo de Cubo de Onda P, Transformada Multi-atributo. 900 ms

135

136

137

  • 838 ............................................................................................................................................... Figura 4. 75 Aplicación de Transformada MLFN al volumen Sísmico. A) Inline 893. B) Inline

138

  • 734 ...............................................................................................................................................

140

Figura 4. 76 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 900

141

Figura 4. 77 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 1190

142

Figura 4. 78 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 1200

143

xv

ÍNDICE DE TABLAS

Tabla 3. 1 Registros de Pozos disponibles en el área de Estudio

41

Tabla 3. 2 Coordenadas del Estudio de Sísmica 3D

43

Tabla 3. 3 Intervalos en profundidad estudiados

45

50

54

59

Tabla 4. 1 Transformadas Simples Pozo 29 Tabla 4. 2 Transformadas Simples Pozo 37

63

Tabla 4. 3 Transformadas Simples Pozo 41

65

68

Tabla 4. 5 Transformadas Multiatributos Pozo 37

72

Tabla 4. 6 Transformadas Multiatributos Pozo 41

74

76

Tabla 4. 8 Parámetros de Entrenamiento MLFN Pozo 29

77

Tabla 4. 9 Parámetros de Entrenamiento PNN Pozo 37

80

Tabla 4. 10 Parámetros de Entrenamiento MLFN Pozo 37

80

Tabla 4. 11 Parámetros de Entrenamiento PNN Pozo 41

82

83

85

Tabla 4. 14 Transformadas Simple Proyecto

87

Tabla 4. 15 Transformadas Simple Proyecto

92

Tabla 4. 16 Transformadas Multi-Atributos Proyecto

94

Tabla 4. 17 Transformada Multi-atributo Proyecto 2

99

Tabla 4. 18 Parámetros de PNN Proyecto 1

103

104

110

110

116

Tabla 4. 23 Transformadas Multi-atributos Sísmica/Pozo

120

Tabla 4. 24 Parámetros de PNN Transformadas

125

Tabla 4. 25 Parámetros MLFN Transformada Sísmica/Pozo

126

Tabla 4. 26

133

xvi

1

INTRODUCCIÓN

El estudio de yacimientos Carbonáticos es interesante, ya que este tipo de litología, por sus propiedades inherentes, son complejos de delimitar en estudios sísmicos convencionales. Los yacimientos fracturados son especialmente difíciles de Caracterizar, porque presentan una alta heterogeneidad lateral. La sísmica tridimensional (3D), permite una mejor interpretación de estos yacimientos; sin embargo, existen casos donde este dato no es suficiente para delimitar el yacimiento.

Las rocas carbonáticas son excelentes rocas yacimiento. Estadísticamente, más de la mitad de los reservorios de hidrocarburo a nivel mundial, están formados por rocas carbonáticas (Zao et al, 1998)

La cuenca Delaware es, mundialmente, conocida por su gran potencial de producción de hidrocarburo (30 billones de barriles de hidrocarburo movible) (Major et al, 1998). Siendo el Grupo Ellenburger la mayor unidad productora. Además, existen intervalos superiores, que contienen cantidades importantes de gas natural.

En 1998 el “Bureau of Economic Geology” hizo público, un estudio de sísmica, realizado en el área de West Waha Y Worsham Bayer incluyendo, además, registros de pozo medidos dentro de los límites del estudio sísmico, con el fin de proporcionar datos reales para el estudio de la zona por parte de los estudiantes y el público en general.

Diversos autores como Bob Hardage, Shumaker, Major, etc., han estudiado la zona y la han calificado como una zona estructuralmente compleja, debido a la historia tectónica a la que ha sido sometida el área.

En las siguientes páginas se emplea una metodología que combina el uso de

Transformadas Multiatributos y Redes Neuronales, con la finalidad de extender los datos duros (registros de Pozo) al volumen sísmico disponible, incluyendo la información que se pueda

extraer de diferentes atributos, calculados a

partir

de

la

traza

sísmica.

2

Esta metodología permite considerar las complejidades de la zona y obtener un volumen de una propiedad objetivo, en este caso velocidad de Onda P, que permita identificar zonas de interés económico y científico.

CAPÍTULO 1

MARCO GEOLÓGICO

1.1 Ubicación del Área de Estudio

Los datos fueron medidos como parte de un proyecto de investigación, realizado por la Universidad de Austin Texas (UTA, por sus siglas en ingles), y constan de un estudio de sísmica 3D migrada y once (11) registros de pozo, medidos en el área correspondiente a los campos de West Waha y Worsham Bayer, ubicados en Texas, Estados Unidos, en la sección centro-sur del país (Figura 1.1). A nivel regional estos campos se ubican en la parte sureste de La Subcuenca de Delaware, del Oeste de Texas.

CAPÍTULO 1 MARCO GEOLÓGICO 1.1 Ubicación del Área de Estudio Los datos fueron medidos como parte

Figura 1. 1 Ubicación global del Área de Estudio. Estados Unidos de América, Estado de Texas

Los campos de West Waha y Worsham-Bayer se caracterizan por producir gas de rocas sedimentarias de edad Pre-Pensilvaniense. Los estratos objetivos estuvieron conformados por diferentes formaciones y grupos de edades comprendidas entre el Ordovícico y el Carbonífero Inferior (Misisipiense), dentro de la cuenca Delaware, la cual corresponde a la parte occidental de

4

las cuencas Pérmicas con una extensión aproximada de 13000 mi 2 (33000 km 2 ) en el oeste de Texas y al sureste de Nuevo México (Major et al, 1998) (Figura 1.2).

4 las cuencas Pérmicas con una extensión aproximada de 13000 mi (33000 km ) en el

Figura 1. 2 Ubicación geográfica de La Cuenca Delaware, campos West Waha, Worsham Bayer (Modificado de Hardage et al, 1999)

Las cuencas Pérmicas han sido ampliamente estudiadas, ya que se consideran una de las más proliferas en el territorio Estadounidense, donde se estima que aún existen, aproximadamente, treinta (30) billones de barriles de hidrocarburos movibles (Hardage et al, 1998). La cuenca de Delaware representa una parte importante del gran potencial de producción que posee la cuenca Pérmica.

El grupo Ellenburger, del Ordovícico Inferior, es la mayor unidad productora de esta área, aunque existen otras unidades de producción menor como la Formación Fusselman del Silúrico, la Formación Thirtyone del Devónico y las Calizas sin diferenciar del Misisipiense (las cuales no han sido asignadas a ninguna formación oficial) (Major et al, 1998).

1.2 Geología Regional

La Cuenca Delaware es una amplia depresión estructural ubicada en el Oeste de Texas y al suroeste de Nuevo México. En su inicio formó parte del oeste de la Cuenca de Tobosa

5

(Paleozoico Medio). Su historia como cuenca individual comenzó con el levantamiento de una Cresta Media (Median Ridge) durante el Pensilvaniense Temprano dentro de la cuenca de Tobosa. Entre el Pensilvaniense y el Pérmico, 20000 ft (aprox. 6100 m) de sedimentos fueron acumulados en el canal profundo de la cuenca de Delaware (Adams, 1965)

La deformación cortical a lo largo del suroeste del Cratón de Norte América fue fundamental en la formación de las estructuras geológicas que capturaron las bastas reservas de hidrocarburos en la región (Ibídem). Al Oeste de Texas y Sureste de Nuevo México, estas estructuras están cubiertas por rocas del Pérmico y el Mesozoico, relativamente sin deformar (Shumaker, 1992).

La historia de esta zona involucra una intensa deformación cortical que se extiende dentro del Cratón con la presencia de rocas alóctonas, provenientes del cinturón orogénico de Ouachita- Marathon (Paleozoico), que se formó a lo largo del margen sur de la placa de Norte América. La cuenca Delaware, al igual que otras cuencas Pérmicas, se desarrolló bajo regímenes de Rift (apertura), Hundimiento y levantamiento (Cuencas Yoked).

El rifting del Cámbrico, a lo largo del margen sur de Norte América, formó una amplia plataforma de aguas someras en el área, que cubrió la mayor parte del Oeste de Texas durante el Ordovícico (Major et al, 1998). Las estructuras a escala de yacimientos de gas y petróleo, iniciaron durante el Misisipiense Tardío, con el levantamiento de parte media de la Cuenca Central, subdividiendo la cuenca de Tobosa en una parte superficial (Cuenca Midland) y una parte profunda (Cuenca Delaware). Las estructuras generadas tuvieron suficiente relieve como para afectar la distribución de los sedimentos durante el Pensilvaniense (Shumaker, 1992)

Estudios de afloramientos realizados por Gardner en 1992, sugieren tres escalas espaciales (y temporales) de los ciclos estratigráficos presentes dentro de la cuenca de Delaware: Ciclos de Orden Bajo: con espesores de 900 a 1200 ft (270 -360 m) que responden a largos cambios en el nivel relativo del mar con espacio de acomodación; Ciclos de Orden Intermedio: 100-300 ft (30- 90 m) de espesor que definen mayores sucesiones de turbiditas; y Ciclos de Alto Orden < 100 ft (30 m) de espesor que muestran la agradación de canales individuales (Hardage et al, 1998)

Los sedimentos Carbonáticos del Grupo Ellenburger fueron transportados por una transgresión sobre basamento Precámbrico, alcanzando un espesor cercano a los 1750 ft. Luego

6

de una exposición kárstica generalizada del Grupo Ellenburger en el Ordovícico Medio, se produjo la depositación de las areniscas y arcillitas del grupo Simpson. Esta fue seguida por la depositación de rocas carbonáticas y silicicatos de grano fino de las Formaciones Montoya, Fusselman, el Grupo Wristen y la Formación Thirtyone. Durante el Devónico Tardío y el Misisipiense Temprano, las condiciones anóxicas dieron paso a la depositación de la Formación Woodford, una unidad lutítica y la mayor Roca Madre del Oeste de Texas, posteriormente empezó un periodo de sedimentación aguas someras y las rocas carbonáticas del Misisipiense fueron depositadas.

1.3 Geología Local (Tomado de Major et al 1998)

La geología local la comprenden las diferentes formaciones que presentan acumulaciones económicamente rentables de hidrocarburos. Como se mencionó, los estratos productores lo comprenden: el Grupo Ellenburger, del Ordovícico Inferior, la Formación Fusselman del Silúrico, la Formación Thirtyone del Devónico y las Calizas sin diferenciar del Misisipiense (Figura 1.3)

6 de una exposición kárstica generalizada del Grupo Ellenburger en el Ordovícico Medio, se produjo la

Figura 1. 3 Columna Lito-Estratigráfica, Cuenca Delaware, donde se muestran las formaciones de interés (Modificado de Hardage 1998)

7

1.3.1 Grupo Ellenburger

El Grupo Ellenburger (Ordovícico Inferior), en el centro y el oeste de Texas está compuesto dominantemente por rocas carbonáticas, muchas de las cuales están dolomitizadas y depositadas en una amplia plataforma carbonática. Este grupo alcanza un espesor de aproximadamente 1750 ft, afinándose hacia el Arco de Texas en el Noroeste de Texas y hacia el sur y sureste. Las facies depositacionales de Ellenburger muestran un registro de transgresión, seguido por agradación y progradación en una configuración de plataforma de aguas someras. El grupo Ellenburger reposa sobre basamento cristalino, mientras que su tope es una superficie regional de erosión kárstica formada durante un destacado periodo de exposición del Ordovícico Medio (Figura 1.4)

7 1.3.1 Grupo Ellenburger El Grupo Ellenburger (Ordovícico Inferior), en el centro y el oeste de

Figura 1. 4 Esquema depositacional del Grupo Ellenburger (Modificado de Adams, 1995)

La porosidad, permeabilidad y buena calidad de yacimiento en este grupo fueron atribuidas por muchos años al fracturamiento tectónico; sin embargo, aunque se sigue considerando este como un factor de calidad del reservorio, recientemente se ha observado que en la mayoría del Grupo Ellenburger los controles de calidad son: el fracturamiento, la brechamiento y la disolución asociada a la karstificación durante el evento de exposición mayor, ocurrido en el Ordovícico Medio.

Holtz y Kerans (1992) diferenciaron tres yacimientos en el Grupo Ellenburger, en la parte Oeste de Texas:

Las Dolomías Modificadas por Karstificación.

Rampas Carbonáticas.

Dolomías Fracturadas tectónicamente.

8

Los yacimientos de Dolomías Modificadas por Karstificación, localizados en el Oeste de Texas, principalmente sobre la Plataforma de la Cuenca Central, son productores de petróleo, en estos reservorios se ha producido el 37% del hidrocarburo total producido por el Grupo Ellenburger.

Los reservorios de Rampas Carbonáticas están localizados en la parte Este de Shelf y al sur de la Cuenca de Midland. Estos yacimientos son responsables del 4% de la producción de hidrocarburo total del Grupo Ellenburger.

Los yacimientos de Dolomías, Tectónicamente Fracturadas, están localizados en las cuencas de Delaware y Val Verde en la parte sur y oeste de Oeste de Texas (Major et al, 1998). Estos reservorios, dominantemente productores de gas, han producido el 58% de la producción total de hidrocarburo del Grupo Ellenburger y contiene el 79% del gas y el petróleo movible. La calidad de reservorio en este grupo es controlada tanto por fracturas inducidas por kasrtificación, las brechas y las fracturas tectónicas. Las Fracturas Tectónicas están generalmente asociadas con la deformación del Pensilvaniense que dió origen a la formación de las cuencas de Delaware, Val Verde y la Cuenca de la Plataforma Central.

El área de los campos de West Waha y Worsham Bayer está localizada en el grupo de reservorios Tectónicamente Fracturados descrito por Holtz y Kerans en 1992 (Major et al, 1998). Un factor geográfico importante es la proximidad con el cinturón orogénico de Ouachita, el cual ha resultado considerablemente complejo, dominado por estructuras compresionales dentro del área de estudio. Por otra parte, los fluidos calientes impulsados hacia el norte durante la Orogénesis de Ouachita han resultado en la dolomitización y cementación del Grupo Ellenburger en esta área.

Aunque el Grupo Ellenburger es la principal fuente de gas natural en esta zona, existen tres unidades estratigráficas productoras por encima de este grupo (Fusselman, Treintaiuno y las unidades Misisipiense). Estas unidades más someras pueden representar objetivos importantes de recompletación por pozos abandonados de Ellenburger, además de servir como objetivos secundarios para reducir el riesgo durante el proceso de recuperación secundaria de hidrocarburos en estos pozos.

9

  • 1.3.2 Formación Fusselman

La sección estratigráfica del Silúrico en el Oeste de Texas está compuesta por dolomías y calizas de La Formación Fusselman, cuyo tope está en contacto con la base de las rocas siliciclásticas de grano fino y carbonáticas del Grupo Wristen. Las rocas de Fusselman, pertenecientes a la sección estratigráfica de rocas reservorio, están generalmente dolomitizadas en la parte norte del Oeste de Texas, pero son calizas en los al redores de los campos de West Waha y Worsham Bayer.

Ruppel y Holtz (1994) describen La Formación Fusselman como una sucesión de facies carbonáticas de aguas someras. Una grainstone ooide, comúnmente porosa y permeable, generalmente roca reservorio, está cubierto por una fina capa de arcillitas, las cuales a su vez están por debajo de una espesa sección de grainstone y packstone pelmatozoan. Las grainstones y packstones pelmatozoan contienen esparita, que fueron interpretadas como evidencias de diferentes procesos de lixiviación.

Ruppel y Holtz (1994) han incluido los yacimientos de la Formación Fusselman en el Play de La Plataforma Carbonática Somera de Fusselman, el cual produce petróleo para más de 300 reservorios en el Oeste de Texas. El área del los campos de West Waha y Worsham Bayer está al suroeste del control usado para designar este Play y, aunque están probablemente relacionados, la Formación Fusselman produce gas en esta zona.

  • 1.3.3 Formación Thirtyone

Pertenece a la sección del Devónico Inferior, es una formación productora de hidrocarburos en Calizas, Dolomías, Cherts con Vuggys intercristalinas, caracterizadas por una porosidad producto de fracturas.

Ruppel y Holtz (1994) interpretaron que esta formación había sido depositada en una configuración de talud de cuenca, en la cual lo sedimentos silíceos de la cuenca fueron transgredidos por la agradación y progradación de carbonatos depositados en aguas someras en una configuración de rampa-pendiente.

Los Cherts fueron depositados tanto por sedimentación pelágica, como por flujos turbidíticos de poca pendiente. El apilado cíclico de sedimentos silíceos y carbonaticos, sugiere

10

una fluctuación relativa del nivel del mar o de los mecanismos de distribución. En general, la Formación Thirtyone es más silícea hacia la base y se hace más rica en carbonatos hacia el tope.

En la Formación Thirtyone se reconocen cuatro facies (Ruppel y Holtz, 1994):

Laminación Chert/Carbonatos, de color oscuro.

Capas Gruesas a Masivas de Chert, de colores claros.

Cherts Burrowed (bioturbadas)/Laminadas.

Skeletal Packstone.

Ruppel y Holtz (1994) dividieron los yacimientos de la Formación Thirtyone en dos Plays: El Play de La Rampa Carbonática y el Play de Las Cherts de Aguas Profundas, ambos productores de petróleo, aunque en las cercanías del los campos de West Waha y Worsham Bayer, la formación en cuestión produce gas. Los campos nombrados anteriormente caen fuera y al suroeste del límite del Play petrolero de Las Cherts de Aguas Profundas, pero se piensa que en esta área la Formación Thirtyone, es un yacimiento de gas equivalente a ese Play (Major et al,

1998).

Las rocas del Play de Cherts de Aguas Profundas están comprendidas por dos tipos:

Cherts Translucida sin poros y Cherts Porcelana porosa. La porosidad está aparentemente controlada por las tasas de cambio de las fases metaestable del silíceo a fases estables durante el soterramiento y la compactación (Ruppel y Hovork, 1995).

1.3.4 Reservorios Misisipiense

Las rocas del Misisipiense Inferior en la parte sur del Oeste de Texas son similares a las rocas de la Formación Woodford. Estas rocas son suprayacidas concordantemente por una plataforma carbonática de aguas someras, depositada por agradación y progradación. Las rocas carbonáticas del Misisipiense que se encuentran por encima del plano de buzamiento (updip) son calizas de colores claros que cambian gradualmente a colores oscuros en el Downdip silíceo y con calizas de aguas profundas, las cuales a su vez se encuentran en un contacto agradacional con las arcillas del downdip de la cuenca.

En la Figura 1.5, se muestra un esquema propuesto por Adams (1995), que explica el proceso de depositación de la cuenca de Delaware.

11

11 Figura 1. 5 Esquema depositacional de la Cuenca Delaware (Modificado de Adams, 1995)

Figura 1. 5 Esquema depositacional de la Cuenca Delaware (Modificado de Adams, 1995)

CAPÍTULO 2

MARCO TEÓRICO

La Ingeniería Geofísica aplica distintas áreas del conocimiento tales como la Física, las Matemáticas y la Geología, al estudio de la constitución interna e historia de la Tierra (Coordinación de Ingeniera Geofísica, Universidad Simón Bolívar).

Las técnicas usadas por los geofísicos han ido evolucionado a lo largo de los años para “contar” cada vez mejor la historia de tierra y en el caso de este proyecto la historia de yacimientos productores de hidrocarburo, con un alto interés económico. Una de las técnicas más usadas para este propósito son los estudios de sísmica de reflexión, tanto 2D como 3D, al igual que la perforación de pozos en la zona y la medición de registros petrofísicos de las propiedades de las distintas formaciones objetivos. En este proyecto se estudia una técnica relativamente nueva, que permite integrar estudios de pozo con estudios de sísmica a fin de realizar una mejor caracterización del yacimiento.

El método utilizado para la correlación de sísmica/pozo consta de la generación de Transformadas Multiatributos y Redes Neuronales, que permitirán extender la información obtenida en los registros de pozo (Datos Duros) al volumen sísmico, el cual ofrece una información más regional de la zona de interés.

2.1 Registros de Pozo

Los registros de pozos son los que realmente proporcionan la información más fiable sobre las condiciones del subsuelo, ya que son medidos directamente dentro de pozos.

En este proyecto se han utilizado diferentes registros de pozo que sirvieron de datos de entrada para los diferentes cálculos que se realizaron.

13

De los registros disponibles es prudente realizar una descripción de aquellos que fueron más utilizados para el desarrollo del presente informe.

  • 2.1.1 Registro Sónico (Onda P)

Estos registros proporcionan información sobre el tiempo de tránsito interválico de una onda acústica a través de una formación, designado como Δt, el cual es un recíproco de la velocidad (Rider, 2000). A nivel geológico las variaciones en Δt están relacionadas con variaciones en la litología, la textura de la roca y la porosidad.

Los registros sónicos son usados para evaluar la porosidad de las formaciones, además proveen información importante para relacionar estudios sísmicos con las velocidades interválicas. También juegan un papel fundamental en la generación de sismogramas sintéticos (Quijada, 2012)

  • 2.1.2 Registros Gamma Ray

Es un registro que permite realizar mediciones de la radiación natural emitida por la formación. La radiación gamma se produce por elementos que poseen isótopos inestables, que al tratar de llegar a un equilibrio energético liberan energía en forma de radiación. Los elementos más comunes, con estas características en rocas, son: uranio, torio y potasio (Rider, 2000). Existen también, registros de gamma ray espectrales, los cuales permiten medir la contribución radiactiva, separada de cada elemento.

El registro de Gamma Ray es un registro útil al momento de distinguir litologías. En rocas sedimentarias, altos niveles de radiación gamma generalmente, corresponden a acumulaciones de arcillas, ya que los minerales que poseen isotopos radioactivos se acumulan, generalmente, en estas litologías (Quijada, 2012; Rider, 2000). Es por ello, que para el análisis de estos registros, tal como se muestra en la Figura 2.1 se puede estimar una línea en la que se tiene la mayor acumulación de arcillas y otra donde se tenga la menor concentración de las mismas (mayor concentración de arenas o carbonatos, según el caso).

14

14 Figura 2. 1 Registro Esquemático de Gamma Ray, mostrando Línea de Arena y Línea de

Figura 2. 1 Registro Esquemático de Gamma Ray, mostrando Línea de Arena y Línea de Arcilla (Modificado de Rider, 2000)

2.1.3 Registros de Porosidad Neutrón.

Son registros contínuos de la reacción de una formación al bombardeo de neutrones. Las formaciones influyen la medición del registro, dependiendo del índice de hidrógeno presente en la misma. En caso de la presencia de agua (H 2 O) este registro incrementa sus amplitudes. Este registro es excelente para diferenciar gas y petróleo (valores bajos) (Figura 2.2). Ya que, en presencia de gas, los valores de neutrón disminuyen debido a que su índice de hidrogeno es bajo.

15

15 Figura 2. 2 Registro esquemático de Porosidad Neutrón, mostrando el efecto de diferentes fluidos en

Figura 2. 2 Registro esquemático de Porosidad Neutrón, mostrando el efecto de diferentes fluidos en el registro (Modificado de Rider, 2000)

  • 2.1.4 Registro de Densidad

Con este registro se evalúa la densidad volumétrica, que es una medida de la densidad total de la roca incluyendo los fluidos que ésta contenga. Cuantitativamente, se puede usar este registro para estimar la porosidad e indirectamente calcular de la densidad del hidrocarburo. También es usado para realizar el cálculo de la impedancia acústica y sirve como indicador de litología (Quijada, 2012; Rider, 2000).

  • 2.1.5 Tiros de Verificación (Check Shots)

Son registros que representan una medida directa del tiempo de viaje entre la superficie y un punto a una profundidad específica (Quijada, 2012). Las mediciones corresponden al tiempo de viaje de una onda desde la superficie hasta un punto en profundidad mediante el uso de geófonos colocados dentro del pozo (Figura 2.3). Esta relación permite realizar un correcto amarre de los datos sísmicos con los datos de pozo (Ibídem)

15 Figura 2. 2 Registro esquemático de Porosidad Neutrón, mostrando el efecto de diferentes fluidos en

Figura 2. 3 Esquema de medición para Tiros de Verificación (Tomado de Regueiro, 2007)

16

2.2 Símica de Reflexión

Es un método utilizado para realizar un mapeo de estructuras o características estratigráficas del subsuelo, basándose en el principio de la reflexión de ondas sísmicas. Se miden los tiempos de llegada de los eventos atribuidos a ondas sísmicas que fueron reflejadas en interfaces, donde se producen cambios en la impedancia acústica (Sheriff, 2002). Las fuentes varían entre explosivos, camiones vibradores, martillos, entre otros. Con la información obtenida se busca generar un modelo del subsuelo mediante el trazado de la trayectoria de las ondas (Quijada, 2012). En la Figura 2.4, se muestra un esquema de adquisición sísmica convencional y el fenómeno de reflexión que experimentan las ondas sísmicas.

16 2.2 Símica de Reflexión Es un método utilizado para realizar un mapeo de estructuras o

Figura 2. 4 Esquema de Adquisición de datos Sísmicos (Tomada de Sheriff, 2002)

2.2.1 Sísmica 3D

Son estudios de sísmica de reflexión que involucran la recolección de datos en un área, con el objeto de determinar relaciones espaciales en tres dimensiones, lo que optimiza el proceso de recolección de las componentes en líneas de estudios separados (Sheriff, 2002)

El producto principal de los estudios sísmicos 3D son los volúmenes sísmicos, los cuales pueden ser presentados de diferentes formas y permiten una interpretación espacial más acertada.

17

En la Figura 2.5, se muestra un volumen de datos, en el cual se realizaron interpretaciones en diferentes líneas y horizontes.

17 En la Figura 2.5, se muestra un volumen de datos, en el cual se realizaron

Figura 2. 5 Cubo Sísmico, resultado de Adquisición Sísmica 3D (Tomado de Sheriff, 2002)

En general, los estudios en tres dimensiones buscan obtener un alto grado de resolución de las superficies geológicas, estudiadas previamente con la recolección de datos en dos dimensiones (Kearey et al, 2002). De esta forma, Regueiro (2007) establece un patrón lógico en la gerencia de yacimientos y las técnicas geofísicas que deben aplicarse para realizar una gestión eficaz del mismo (Figura 2.6)

17 En la Figura 2.5, se muestra un volumen de datos, en el cual se realizaron

Figura 2. 6 Esquema de Gerencia de Yacimiento (Tomado de Regueiro, 2007)

18

2.3 Atributos Sísmicos

Existen diferentes definiciones para los atributos sísmicos:

“Un atributo sísmico es cualquier información medida o calculada a partir de los datos sísmicos”

(Ruiz, 2011)

“Toda la información que pueda ser obtenida de los datos sísmicos, sea por medidas directas o por razonamiento lógico y/o basado en la experiencia” (Turhan, 2001)

El enunciado varía dependiendo del enfoque con el cual se esté trabajando, en el caso de este proyecto se tomará la versión ofrecida por Hampson et al en 1999:

“Cualquier transformada matemática de la traza sísmica, la cual puede incorporar o no otras fuentes de datos”

Esta definición es conveniente, ya que permite introducir el término de transformada matemática, que no es más que una función que permite definir una operación (suma, derivada, integral, etc) sobre una función de entrada. Este término está relacionado con las transformadas multiatributos que se explicarán en las próximas páginas de este texto.

De la misma forma en que existen múltiples definiciones para los atributos sísmicos, no existen menor número de clasificaciones para los mismos.

Siguiendo la clasificación de Chen, los atributos sísmicos pueden dividirse en dos categorías (Hampson et al, 1997):

Atributos Basados en Horizontes (Horizon-Based Attributes): estos son propiedades promedios de la traza sísmica entre dos límites, generalmente definidos por horizontes elegidos.

Atributos Basados en Muestras (Sample-Based Attributes): son transformadas, de la traza original, en la cual se produce una traza de salida con el mismo número de muestras de la traza de entrada.

Los mapas de atributos sísmicos se utilizan para definir la distribución de los parámetros de roca involucrados en el cálculo de las reservas (porosidad, espesores, etc.). (Regueiro, 2007)

19

En la actualidad, son considerados una de las herramientas más importantes en la interpretación y caracterización de yacimientos, debido a que poseen la capacidad de distinguir rasgos geológicos y propiedades del yacimiento (Ruiz, 2011)

Es conveniente, además, hacer una clasificación extra de los atributos sísmicos. Esta clasificación responde a la utilizada por el programa Hampson and Russel, en el cual existe una distinción entre atributos Externos y atributos Internos.

Los atributos Externos, son aquellos que no se pueden calcular dentro del programa y que deben ser cargados como una entrada extra al proceso de entrenamiento. Pueden ser tanto transformadas de la traza sísmica, como registros de pozo, en el caso de transformadas calculadas entre pozos. Los atributos internos son entonces, todos aquellos que puedan calcularse dentro del programa.

2.4 Transformadas Multi-atributos

“Se

basa en la búsqueda

de

un operador o trasformada, lineal

o

no lineal,

capaz de

predecir propiedades petrofísicas a partir de atributos sísmicos” (Ruiz, 2011).

Según Hampson et al, 1999, los análisis multiatributos deben realizarse a partir de atributos sísmicos, ya que la mayoría son no lineales, hecho que aumenta el poder predictivo de la técnica.

Matemáticamente, se puede resumir lo antes expresado, mediante la siguiente expresión.

(1)

Donde Y es la propiedad

a predecir (parámetro de salida); ɛ es el operador lineal o no

lineal y X es el atributo sísmico (parámetro de entrada).

20

Existen diferentes formas de determinar relaciones entre parámetros, la forma más sencilla es a través de los gráficos cruzados (crossplot), teniendo en cuenta que se deben aplicar transformadas no lineales (logaritmo, raíz cuadrada, etc.) tanto al parámetro objetivo, como al atributo para mejorar la correlación entre ambos (Hampson et al, 1999). En este tipo de gráficos, el eje de las ordenadas corresponde a la propiedad objetivo, mientras que el eje de las abscisas corresponde al atributo con el cual se está comparando la propiedad (Figura 2.7). Es importante tomar en cuenta que este proceso sólo se puede llevar a cabo, bajo la premisa de que los pozos han sido convertidos de profundidad a tiempo (mediante el uso de tiros de verificación), con un intervalo de muestro igual que el del atributo con el cual se está comparando (Cedillo, 2003)

2.4.1 Regresión Lineal Atributo Simple

Una de las formas más comunes en las geociencias para ajustar un conjunto de datos y establecer relaciones cuantitativas entre los mismos, es el uso de las regresiones lineales, que consisten en ajustar una distribución de puntos mediante la ecuación de una recta, definida por la tendencia más general de la nube de puntos (Figura 2.7)

20 Existen diferentes formas de determinar relaciones entre parámetros, la forma más sencilla es a través

Figura 2. 7 Gráfico Cruzado Onda P vs Gamma Ray. Regresión Lineal (Lía Roja)

Si se supone una regresión lineal de los parámetros mostrados en la figura anterior, se puede modelar la distribución de puntos con la siguiente ecuación:

21

(2)

Donde los coeficientes a y b de la ecuación 2, se calculan por la minimización del error de predicción promedio cuadrado (Ibídem), cuya ecuación está dada por:

Siendo N el número de puntos del gráfico.

(3)

El valor del error de predicción, E, permite obtener una medida de la calidad del ajuste realizado. La correlación normalizada es una medida equivalente (Hampson et al, 1999) cuya ecuación es la expresión:

 

(4)

Donde los coeficientes están dados por las expresiones

 

(4.1)

(4.2)

(4.3)

(4.2.1)

(4.3.1)

22

2.4.2 Regresión Lineal Multi-Atributos

Es una extensión del método anteriormente explicado a M variables, donde se emplean M atributos para predecir el registro L. Para ello, se determinan M+1 pesos que permiten obtener el resultado más cercano al registro objetivo, teniendo en cuenta el método de los mínimos cuadrados (Hampson et al, 1999).

En términos matemáticos, se puede realizar una regresión lineal extendida, en este caso para tres atributos, de la siguiente forma:

(5)

Donde w son los pesos que ajustan cada atributo dentro de la expresión, los cuales se calculan, nuevamente, en términos de la minimización del error de predicción al cuadrado (ecuación 6)

(6)

Gráficamente, se puede esquematizar este proceso como se muestra en la Figura 2.8

22 2.4.2 Regresión Lineal Multi-Atributos Es una extensión del método anteriormente explicado a M variables, donde

Figura 2. 8 Esquematización del proceso de Regresión Lineal Multiatributos, donde se observa la relación entre los atributos externos y el registro objetivo (Tomado de Ruiz, 2011)

23

En la Figura 2.8, se observa cómo cada muestra de los atributos sísmicos (A 1, A 2 , A 3 ) guarda una relación lineal con la muestra del registro (L 1 ), modulada por los pesos w 0 , w 1, w 2, w 3.

De forma general, para N muestras en el registro objetivo, se puede escribir el siguiente grupo de ecuaciones:

 

˸

˸

˸

˸

˸

(7)

La ecuación 7 puede ser reescrita en notación matricial como sigue:

(7.1)

Donde la entrada A ij representa la j-ésima muestra del i-ésimo atributo.

En forma resumida,

 

(8)

Siendo L una matriz (Nx1) que representa los valores conocidos del registro; A la matriz (Nx4) con las muestras de los atributos y w el vector (1x4) de los pesos incógnitas.

Si se resuelve el sistema de ecuaciones 7.1 y se aplica el método de mínimos cuadrados se deduce que:

(9)

24

Cuya

solución

expandida,

para

cuatro

pesos,

se

resuelve

mediante

las

siguientes

ecuaciones:

(10)

Nuevamente, para estas ecuaciones el valor al cuadrado del error promedio, E, dado en la ecuación 6 es una medida de la bondad del ajuste, al igual que la correlación normalizada descrita por la ecuación 4 donde, la coordenada xcorresponde con los valores del registro estimado y la coordenada yes el valor del registro original (Cedillo, 2003)

2.4.3 Operador Convolucional (*)

El operador convolucional es una solución teórica dada a la diferencia que existe entre los contenidos de frecuencias de los registros de pozo y la data sísmica (Figura 2.9). Como el objetivo de este estudio consiste en encontrar una función de predicción que permita relacionar los atributos calculados a partir de la sísmica con los datos de pozo, se debe corregir dicho problema para que la correlación entre ambos conjuntos de datos, sea óptima.

24 Cuya solución expandida, para cuatro pesos, se resuelve mediante las siguientes ecuaciones: (10) Nuevamente, para

Figura 2. 9 Esquematización de la diferencia de contenidos de frecuencia entre los registros de pozo y los datos Sísmicos (Tomado de Ruiz, 2011)

25

Según lo expresado por Hampson et al (1999), la alternativa es suponer que cada muestra en el registro objetivo está relacionada con un conjunto de muestras vecinas dentro del atributo símico, como se muestra en la Figura 2.10

25 Según lo expresado por Hampson et al (1999), la alternativa es suponer que cada muestra

Figura 2. 10 Esquematización del Operador Convolucional para Transformadas Multi-atributos. Cada muestra en el registro corresponde a 5 muestras de los atributos (Modificado de Ruiz, 2011)

En la Figura 2.10 se muestra el ejemplo para un operador convolucional de cinco puntos, en el cual, cada punto en el registro objetivo, es asociado a cinco muestras para cada atributo. Este operador se basa en el modelo convolucional clásico, partiendo de la premisa de que los atributos sísmicos están relacionados con la ondícula original de la sísmica. En general, para cualquier registro de pozo, se puede esperar que la ondícula enmascare los efectos de cada muestra sobre un rango contínuo de muestras sísmicas (Hampson et al, 1999)

Si se agrega esta nueva consideración a los cálculos, antes detallados, la ecuación 5 se reescribe de la siguiente forma:

(11)

Donde w 0 es una constante y w i son los operadores con una longitud específica. Como se observa en la ecuación 11, el número de atributos ha aumentado:

N c = (Número de atributos Operador de longitud) + 1

Donde N c es el número de coeficientes.

(11.1)

26

Al aumentar el valor del operador de longitud, el error de predicción RMS siempre

disminuye, pero se debe tener en cuenta que esto puede traer problemas de sobre-entrenamiento

del sistema (Hampson and Russel Assistant…)

De forma similar, lo coeficientes del operador, pueden ser derivados minimización del error de predicción promedio elevado al cuadrado, ecuación 12

mediante la

(12)

La inclusión del operador convolucional es equivalente a introducir una serie de nuevos atributos, lo cuales son versiones desplazadas en tiempo de los atributos originales (Ibídem).

2.4.4 Regresión de Paso Aprendido

Una vez determinados los operadores que permiten realizar un cálculo óptimo de las transformadas multiatributos, en términos del error de predicción medio cuadrado, el siguiente paso consiste en determinar la mejor combinación de K atributos que se puede usar a partir de un conjunto de N atributos.

Existen diferentes metodologías para realizar tal tarea, una de ellas se basa en realizar una “Búsqueda Exhaustiva, es decir, probar todas las posibles combinaciones de K atributos del conjunto N. La mejor combinación será aquella cuyo error de predicción sea el menor. El problema del método de “Búsqueda Exhaustiva” es que el tiempo de cómputo es muy grande lo cual lo convierte en un método poco práctico (Todorov, 1999).

Todorov (1999) expresa que una forma más rápida de determinar la mejor combinación de K es la señalada por Draper y Smith en 1981, denominada Regresión de Paso Aprendido (Step-wise Regression). La premisa de este método es que si se conoce la mejor combinación de K atributos, se sabe también cual es la mejor combinación de K+1 atributos, la cual incluye los atributos anteriores (Cedillo, 2003). Es de hacer notar que los coeficientes previamente calculados deben ser recalculados para la nueva combinación (Hampson et al, 1999). La regresión se puede realizar en los siguientes pasos:

27

  • a. Encontrar el mejor atributo simple mediante Búsqueda Exhaustiva, de la lista de atributos disponibles, este atributo será aquel cuyo error de predicción sea menor (i.e Frecuencia promedio). Este atributo se nombrara A 1

  • b. Determinar el mejor par de atributos, suponiendo que el primer miembro es A 1 . Para ello, se forman todos los pares posibles y se calcula nuevamente el error de predicción, el par con el menor error se denomina [A1, A 2 ] (i.e. A 1 , Polaridad aparente)

  • c. Encontrar el mejor triplete de atributos asumiendo que los primeros dos atributos son A 1 y A 2 , así se tendrá [A 1 , A 2 , A 3 ]

  • d. Análogamente, se busca la combinación de los mejores k atributos [A 1 , A 2 , A 3 ,…, A K ].

Desde un punto de vista teórico, la combinación obtenida será la que tenga el menor error de predicción en términos del error promedio al cuadrado (Todorov, 1999). El problema con este método es que no se puede asegurar que la solución obtenida sea la óptima, sólo se puede afirmar que cada atributo adicional agregado, posee un error de predicción menor o igual al de la combinación anterior (Ruiz, 2011).

Otra de las ventajas de esta metodología es que evita el hecho de tener que determinar cuál de los atributos es linealmente independiente. Esto se debe a que la Regresión de Paso Aprendido elige automáticamente una contribución perpendicular a la obtenida en el paso anterior, debido a que si se eligiera una función linealmente dependiente su contribución seria cero (Hampson et al, 1999).

2.4.5 Validación Cruzada (Cross Validation)

Al aumentar el número de atributos se puede esperar que disminuya el error de predicción, de hecho disminuyen asintóticamente. Sin embargo la adición de nuevos atributos puede ser inútil e incluso desmejorar la calidad del análisis (Quijada, 2012). Este fenómeno se denomina Sobre-Entrenamiento (Figura 2.11).

28

28 Figura 2. 11 Error promedio vs Número de atributos. Línea roja= error de validación. Línea

Figura 2. 11 Error promedio vs Número de atributos. Línea roja= error de validación. Línea negra= error promedio (Modificado de Hampson et al, 1999)

Como se puede observar en la Figura 2.11, la línea de color negro, representa el error promedio, el cual disminuye a medida que aumenta la cantidad de atributos, sin embargo el error de validación comienza aumentar a partir del atributo 4, producto del sobre entrenamiento del sistema.

Existen numerosas técnicas que pretenden evitar este fenómeno, una de ellas es la validación cruzada. Este proceso ofrece información sobre la cantidad de atributos que se pueden usar (Todorov, 1999).

La validación cruzada consiste en excluir un pozo, de los utilizados en el análisis, calcular los pesos y predecir los valores del pozo excluido. Luego como es conocido el valor real de pozo, se puede calcular el error de validación entre el registro real y el predicho (Ibídem) (ecuación 13)

(13)

Donde m son las medidas del registro; p las muestras predichas; N el número de muestras.

El proceso de validación es repetido tantas veces como pozos se hayan incluido en el análisis. De esta forma, el error de validación total será el error promedio de la raíz cuadrada media de los errores individuales (Hampson et al, 1999)

(14)

29

Donde E v es el error total de validación

e vi es el error de validación para le i-ésimo pozo

N el número de pozos incluidos en el análisis.

2.5 Redes Neuronales

Hasta ahora, se ha discutido las formas de obtener una relación funcional entre la propiedad predicha y los atributos externos. En el caso de buscar una relación no lineal se podría aplicar una transformada no lineal, ya que éstas aumentan el poder predictivo del método explicado con anterioridad. Dichas transformadas pueden calcularse mediante el uso de las Redes Neuronales Artificiales (Todorov, 1999)

De forma general, una Red Neuronal Artificial (comúnmente llamadas Redes Neuronales) consiste en un conjunto de componentes electrónicos o programa de computación que han sido designados para modelar un conjunto de datos, de la forma en que los hace el cerebro humano (Todorov, 1999; Bravo, 2005)

Para lograr un óptimo funcionamiento de las redes neuronales, se emplea una interconexión masiva de unidades de procesamiento, llamadas neuronas, usando la jerga definida por Haykin en 1999 (García, 2005)

Las redes neuronales son similares al cerebro humano en dos aspectos básicos (García, 2005):

El conocimiento es adquirido por la red a través de un proceso de aprendizaje. Las fuerzas de conexión entre las neuronas, conocido como pesos sinápticos, son utilizadas para almacenar el conocimiento.

La forma en que se ejecuta el proceso de aprendizaje es denominado “algoritmo de aprendizaje”, cuya función es modificar los pesos sinápticos de la red para obtener el diseño objetivo deseado (Haykin, 1999)

Las ventajas que ofrecen el uso de redes neuronales, son las siguientes (Ruiz, 2011)

30

  • 1. Constituyen sistemas no lineales.

  • 2. Son adaptativas, es decir, tienen a capacidad de adaptar los pesos sinápticos a los cambios del algoritmo de aprendizaje.

  • 3. Pueden usarse para predecir cualquier registro de pozo.

  • 4. No necesitan modelo inicial.

  • 5. No requiere de una ondícula sísmica particular

  • 6. Utiliza la validación cruzada como medida de la bondad del ajuste.

2.5.1 Modelo de una neurona

En la jerga de las redes neuronales, una neurona está definida como una unidad de procesamiento de información fundamental para la operación de estos sistemas (García, 2005)

Los modelos neuronales están constituidos por tres aspectos básicos:

  • 1. Un grupo de sinápticos o conectores, los cuales están caracterizados por un peso o fuerza.

  • 2. Un sumador de las señales de entrada, la cual considera los pesos de la respectiva sinapsis de la neurona. Esta operación constituye un combinador lineal.

  • 3. Una función de activación, que sirve para limitar la amplitud de la salida de una neurona. Esta función también recibe el nombre de Función Limitante y normalmente tiene un rango de amplitud normalizado para la salida de [0,1] o [-1,1]. En la Figura 2.12 se puede observar un modelo de una neurona.

30 1. Constituyen sistemas no lineales. 2. Son adaptativas, es decir, tienen a capacidad de adaptar

Figura 2. 12 Modelo de Red Neuronal con una Neurona (Tomado de García, 2005)

31

Matemáticamente, lo anterior puede expresarse mediante las siguientes relaciones:

(15)

(16)

Donde x 1 , x 2 ,…, x m es la señal de entrada, w k1 , w k2 ,…, w km son los pesos sinápticos de la neurona k, u k es la salida del combinador lineal, b k es el valor externo (denominado bias) cuya función es cambiar la función de activación independiente de la señal de entrada, es la función de activación y es señal de salida de la neurona (García, 2005)

La función de activación define la salida de una neurona en términos del nivel de actividad de sus entradas (Ruiz, 2011). Generalmente, estas funciones son de tipo sigmoidal, las cuales están definidas como una función estrictamente creciente que muestra un suavizado y propiedades asintóticas (Ibídem). Como ejemplo de estas funciones se pueden observar:

 

(17)

Función logística de rango [0,1] contínuo

 

(18)

Función Tangente hiperbólica de rango [-1,1] asimétrica respecto al origen.

2.5.2 Tipos de Entrenamiento de Redes Neuronales

Existen dos algoritmos que pueden aplicarse para el entrenamiento de una red neuronal:

aprendizaje supervisado y aprendizaje no supervisado (Ruiz, 2011)

2.5.2.1 Aprendizaje No Supervisado

Se entrena el conjunto de datos sólo con patrones de entrada, por ello la red “aprende” a adaptarse basada en las experiencias colectadas en los patrones de entrenamiento, por lo tanto, no se conocerá la naturaleza del resultado, lo que dificulta la correcta interpretación del mismo (García, 2005; Ruiz, 2011)

32

  • 2.5.2.2 Aprendizaje Supervisado

Son los más utilizados. Los datos de entrenamiento lo constituyen pares de patrones de entrada y de salida (García, 2008). La finalidad consiste en que la red determina la relación entre los patrones de datos, esto permite que el entrenamiento cuente con un “maestro” que supervisa el aprendizaje de la red y se corrobora que la red se esté comportando adecuadamente, mediante la comparación entre la salida producida y la esperada (García, 2008; Ruiz, 2011).

2.5.3 Arquitectura de las Redes Neuronales

De forma general las redes neuronales están caracterizadas por su arquitectura y el algoritmo de aprendizaje que utilizan durante su entrenamiento. La arquitectura se refiere a los componentes fundamentales como las neuronas, los pesos sináptico y las capas, así como la forma en que estos interactúan entre sí (Haykin, 1999).

A nivel geofísico, las arquitecturas más usadas son las siguientes:

  • 2.5.3.1 Red Neuronal Multi-Capa entrenada por retro-propagación (MLFN)

Las Redes Neuronales Multi-capas entrenadas por retro-propagación (MLFN, por sus siglas en ingles: Multi Layer Feedforward Networks) son una de las redes más usadas en el ámbito geofísico (Tomado de H&R Assistant). Estas redes consisten en un conjunto de neuronas o nodos que están organizadas en dos o más capas. Tienen una capa de entrada y una capa de salida que contiene al menos una neurona (Todorov, 1999). Los nodos presentes en cada capa se relacionan mediante pesos, los cuales determinan el resultado de la capa de salida (Quijada, 2012). Entre estas capas existe una o más capas ocultas (Figura 2.13).

32 2.5.2.2 Aprendizaje Supervisado Son los más utilizados. Los datos de entrenamiento lo constituyen pares de

Figura 2. 13 Arquitectura tipo de MLFN, donde se observa capa de entrada (verde), capa oculta (azul) y capa de salida (amarilla) (Tomado de Ruiz, 2011)

33

En el contexto de este trabajo, la MLFN tendrá un número de nodos igual al número de atributos. La cantidad de nodos aumenta en el caso de que se use un operador convolucional, en tal caso el número de nodos está dado por la siguiente relación:

(19)

Teóricamente, a mayor número de nodos y de iteraciones el error del entrenamiento debe aproximarse a cero, sin embargo, esto puede ser contraproducente y fomentar el fenómeno de sobre entrenamiento, agregando ruido y detalles irrelevantes de casos individuales (Todorov, 1999). En los siguientes gráficos (Figura 2.14) tomados del proyecto de grado de Ruiz en el 2012, se puede observar el comportamiento de las MLFN, a medida que aumenta el número de nodos:

33 En el contexto de este trabajo, la MLFN tendrá un número de nodos igual al

Figura 2. 14 Comportamiento de las MLFN en función de la cantidad de Nodos en la capa escondida, a mayor número de nodos, mejor ajuste (Modificado de Ruiz, 2011)

En la Figura 2.14 se puede observar que al aumentar la cantidad de nodos mejora el ajuste; sin embargo para puntos muy cercanos entre sí, la regresión se vuelve no estable (Cedillo,

2003)

La capa de salida estará compuesta siempre por un nodo, debido a que el objetivo es predecir una sola propiedad petrofísica. Según Hampson, la cantidad de nodos en la capa oculta irá variando gradualmente con la experiencia de la red (Quijada, 2012)

34

El proceso de entrenamiento consistirá en determinar los pesos óptimos entre los nodos. Esto se realiza presentando “ejemplos” a la red, donde cada ejemplo es un conjunto de datos para una muestra de tiempo:

[A 1 , A 2 , A 3 , L]

Siendo A i los atributos disponibles y L la medida del registro objetivo (Hampson et al,

1999).

El problema de la estimación de los pesos puede ser considerado un problema de optimización no lineal, cuyo objetivo es minimizar el error cuadrático medio entre el registro objetivo y los valores del registro predicho (Ibídem).

Tradicionalmente, este problema era resuelto mediante la retro-propagación, el cual es una forma de gradiente descendiente, sin embargo, actualmente estas redes no usan la retro- propagación, ya que ésta converge muy lentamente. En su lugar, se utiliza el método del Gradiente conjugado, el cual es un algoritmo utilizado para resolver sistemas de ecuaciones lineales, iterativamente. Estos sistemas deben ser matrices simétricas.

El nombre de Gradiente Conjugado es usado debido a que las ecuaciones son tratadas como vectores, usando uno como un gradiente y los otros como un vector conjugado del gradiente. El gradiente es un campo vectorial que apunta en la dirección de mayor aumento de una variable, resultando nulo en puntos donde se tengan máximos o mínimos locales (Tomado de H&R Assistant). El problema con el gradiente conjugado es que es incapaz de discriminar entre un mínimo local y el mínimo global (Ruiz, 2011), tal como se muestra en la Figura 2.15

34 El proceso de entrenamiento consistirá en determinar los pesos óptimos entre los nodos. Esto se

Figura 2. 15 Esquematización de Gradiente conjugado (Tomado de Ruiz 2011)

35

Las funciones de error son de comportamiento complicado y contiene gran cantidad de mínimos locales. La solución es buscar un algoritmo que encuentre la forma de escapar de los valles de los mínimos locales para encontrar el mínimo global.

Uno de estos algoritmos es el de Recocido Simulado (Simulated Annealing) (Ruiz, 2011). Se utiliza para problemas de optimización global. Cada paso del algoritmo compara el punto actual con varios puntos al azar para encontrar el valor de error más bajo, es decir, error cuadrático medio. La distancia de búsqueda se limita a un máximo, dado por la desviación estándar del generador de número aleatorio. Cuando la búsqueda se ha realizado en un área, suficientemente grande, este método evita los mínimos locales a causa de la búsqueda aleatoria (Tomado de H&R Assistant).

35 Las funciones de error son de comportamiento complicado y contiene gran cantidad de mínimos locales.

Figura 2. 16 Esquematización de Algoritmo de Recocido Simulado, donde se muestra el área de evaluación (líneas negras) para el reconocimiento de mínimos globales (Modificado De H&R Assistant)

Sin embargo, este proceso es más lento que el algoritmo de Gradiente Conjugado, por tanto, se aplican ambos para optimizar el proceso, de esta forma el programa utilizado para la realización de este proyecto se basa en la aplicación del siguiente flujograma:

36

36 Figura 2. 17 Diagrama de flujo, que muestra la aplicación del Gradiente Conjugado con el

Figura 2. 17 Diagrama de flujo, que muestra la aplicación del Gradiente Conjugado con el recocido simulado (Modificado de Ruiz, 2011)

Según Ruiz (2011), las MLFN pueden trabajar con dos métodos:

Mapeo, el cual permite predecir el valor del registro objetivo

Clasificación, el cual permite predecir un valor interválico.

Para la elaboración del presente trabajo se utilizó el método del Mapeo, en la predicción de los registros de Onda P.

2.5.3.2 Red Neuronal Probabilística (PNN)

Las Redes Neuronales Probabilísticas, PNN, por sus siglas en ingles (Probalistic Neural Networks) son en realidad un esquema de interpolación matemática, que utiliza una arquitectura de red neuronal para su ejecución (Hampson et al, 1999)

37

De

forma

similar a

las redes MLFN, las PNN

son entrenadas con un

conjunto de

ejemplos de entrenamiento (Redes Neuronales Supervisadas), una para cada muestra de la sísmica en la ventana de análisis de todos los pozos:

Donde se tiene nejemplos de entrenamiento y tres atributos disponibles. Los valores de L i son las medidas del registro objetivo para cada uno de los ejemplos (Ibídem).

Las PNN calculan las nuevas salidas, suponiendo que cada nuevo registro de salida puede describirse como una combinación lineal de los valores de los registros en los datos de entrenamiento (Ibídem). En términos matemáticos, lo que se busca es emplear valores medidos, denominados variables independientes, para predecir una variable dependiente.

Si se denota x = [A 1j , A 2j , A 3j ,…, A aj ] al vector de variables independientes, con avariables independientes y L”, el escalar que representa la variable dependiente, los datos de entrada de la red serán entonces las variables independientes mientras que la salida será la variable dependiente (Ruiz, 2011).

De esta forma lo que se busca es determinar la variable dependiente L’ en la ubicación

donde las variables independientes son conocidas. Esto se realiza de la siguiente forma:

 

(20)

Donde

(21)

38

D(x,x i ) se define como la distancia entre el punto de entrada y cada uno de los puntos de entrenamiento. Esta distancia es medida en el espacio multidimensional, ocupado por cada atributo y es escalado por la cantidad σ j , la cual puede ser diferente para cada uno de los atributos (Hampson et al, 1999).

Las relaciones 20

y

21

definen

la aplicación de

la

PNN. El entrenamiento de la red

consiste en determinar el conjunto óptimo de parámetro de suavizado σ j .

Cuando una red probabilística es entrenada, el objetivo es determinar las sigmas que reduzcan el error de validación. Existe una sigma para cada entrada de atributos. Nuevamente, este número aumenta en caso de utilizar un operador convolucional, en un factor igual al número de puntos del operador usado (e.g si se tiene un operador de longitud de 5 puntos y 3 atributos, el número de sigmas será de 3x5= 15) (tomado de H&R Assistant). Determinar estas sigmas es un problema de optimización no lineal.

El criterio para determinar estos parámetros es que la red obtenida tenga el menor error de validación.

El resultado de la validación para la m-ésima muestra objetivo está definido por:

(22)

Conociendo este valor se puede calcular el error de predicción para esa muestra. Iterando este proceso para cada una de las muestras de entrenamiento se obtiene el error de predicción total de los datos de entrenamiento, como:

(23)

El error de validación, como se muestra en la ecuación 23, depende de σ j . Esta cantidad puede ser minimizada de diferentes formas, una de ellas es mediante la aplicación del algoritmo de gradiente conjugado, el cual es descrito ampliamente en diferentes literaturas (e.g Masters, 1995). Este algoritmo es usado por el programa de H&R de la siguiente forma:

39

Primero se determina la mejor sigma sencilla, suponiendo que todas las sigmas restantes son iguales, luego se determinan las sigmas individuales usando el Gradiente Conjugado,

teniendo en cuenta que el primer “Sigma Global” será el punto de inicio.

La ventaja es que la red resultante tiene la propiedad de que el error de validación ha sido minimizado (Hampson et al, 1999).

Comparando las MLFN y PNN, se puede notar que ambas tienen una buena capacidad de ajustar los datos, sin embargo, la PNN no tiene la inestabilidad que posee la MLFN en el rango de los atributos (Figura 2.18).

39 Primero se determina la mejor sigma sencilla, suponiendo que todas las sigmas restantes son iguales,

Figura 2. 18 Comportamiento de la PNN. Al momento de realizar predicciones realiza un buen ajuste de la nube de puntos (Modificado de Cedillo, 2003)

Según Hampson (1999), la mayor limitante de las PNN es que ésta lleva todos los datos de entrenamiento consigo y compara cada muestra de salida con la muestra de entrenamiento, lo que hace que su aplicación sea más lenta que las redes MLFN, por ejemplo.

En el caso de las redes PNN y MLFN la validación de la red consiste en la extracción secuencial de un registro de pozo del entrenamiento y la minimización de la función de error (Misra et al, 2011).

CAPÍTULO 3

METODOLOGÍA

El proyecto fue desarrollado en las siguientes etapas:

Etapa 1. Revisión Bibliográfica

En esta etapa se recolectó y compiló material bibliográfico disponible sobre los aspectos teórico-prácticos que involucra el desarrollo del presente proyecto de tesis. Dicha información permitió la compresión de los diferentes aspectos que involucra el proyecto y conforma la base teórica en la que se sustenta el mismo.

Etapa 2. Revisión y Edición de los Datos

Finalizada la etapa 1 se procedió a la revisión de los datos con los que se contaba para la elaboración del proyecto de tesis. Este paso permite tener un primer contacto con los datos, para determinar la estrategia más adecuada para aplicar el método que se estudió en este proyecto (Transformadas multiatributos y Redes Neuronales). El conjunto de datos lo conformaron un total de once (11) pozos, con diferentes registros tomados en campo, los cuales se presentan en la Tabla 3.1, cuya distribución espacial se presenta en la Figura 3.1

41

Tabla 3. 1 Registros de Pozos disponibles en el área de Estudio

Pozo X Y ILD ILM LL LLS LLD LL8 SN DRHO SP GR GR-R GR-L GR-S
Pozo
X
Y
ILD
ILM
LL
LLS
LLD
LL8
SN
DRHO
SP
GR
GR-R
GR-L
GR-S
NPHI
DPHI
RHOB
DELT
MNOR
MINV
CALI
MSFL
SNP
29
5583,42
26128,80
X
X
X
X
X
X
X
X
X
36
4663,97
13170,69
X
X
X
X
X
X
X
X
37
13478,57
12076,92
X
X
X
X
X
X
X
X
38
19361,25
16316,31
X
X
X
X
X
X
X
X
X
X
X
X
39
19109,67
13328,32
X
X
X X
X
X
41
2106,48
9335,87
X
X
X
X
X
X
X
X
X
X X
X
X
X
42
9406,57
8148,97
X
X
X
X
X
X
X
X
X
X
X
X
X X
X
43
14338,17
7151,12
X
X
X
X
46
12276,49
3561,38
X
X
X
X
47
17998,40
2779,81
X
X
X
X
X
X
X
X
X
X
X
X
98
17467,22
6955,37
X
X
X
X
X
99
2686,93
16459,04
*

ILD: Resistividad Inducida Profunda. ILM: Resistividad Inducida Media. LL: Laterolog. LLS: Laterolog Somero. LLD: Laterolog Profundo DRHO: Delta densidad.

GR: Gamma Ray GR-S: Gamma Ray- acústico. NPHI: Neutron Compesado DPHI: Porosidad por Densidad. RHOB: Densidad de Bulk. DELT: Sonico de onda P

42

42 Figura 3. 1 Distribución espacial de los Pozos en el área de estudio Se contó,

Figura 3. 1 Distribución espacial de los Pozos en el área de estudio

Se contó, además, con cubo sísmico que cubrió un área aproximada de 20 mi 2 (Figura 3.2). Este conjunto de datos contiene 261 líneas con 201 trazas cada una. El rango de tiempo es de 0 a 4 segundos con una tasa de muestreo de 4ms. El valor máximo de amplitud es 32,766, mientras que la amplitud mínima es de -32,768, para un valor de amplitud promedio igual a 3,61.

El volumen sísmico consiste en bins de 110 ft apilados, con los valores inline aumentando de oeste a este y las líneas Crossline aumentando de Sur a Norte (Major et al, 1998). Las coordenadas de las esquinas del área de adquisición se muestran en la Tabla 3.2

43

Tabla 3. 2 Coordenadas del Estudio de Sísmica 3D

43 Tabla 3. 2 Coordenadas del Estudio de Sísmica 3D Además, se incluye un tiro de

Además, se incluye un tiro de verificación (Check Shot), medido en el pozo 37, el cual permite realizar la conversión de profundidad a tiempo para correlacionar los registros de pozo (en el dominio de la profundidad) con los datos sísmicos (dominio del tiempo).

43 Tabla 3. 2 Coordenadas del Estudio de Sísmica 3D Además, se incluye un tiro de

Figura 3. 2 Esquematización de la geometría de adquisición sísmica.

Etapa 3. Generación de Resultados

Los resultados presentados en este proyecto se obtuvieron en tres fases:

44

Fase I, comprendida por la predicción de velocidades ondas longitudinales en registros de

pozo a partir de registros de pozo, mediante la aplicación de transformadas Multiatributos y Redes Neuronales. Fase II, donde se relacionan los datos de pozo con los datos sísmicos, mediante el uso de

las Transformadas Multi-atributos y Redes neuronales a partir de atributos sísmicos. Fase lll, que consistió en extender los resultados obtenidos en la Fase II al volumen sísmico disponible, para obtener un pseudo volumen de onda P.

Fase I

De los pozos disponibles se revisaron y seleccionaron los registros de pozo que podían ser de interés para la predicción de registros de Onda P a partir de otros registros disponibles (e.g Porosidad Neutrón, Densidad, Gamma Ray, etc.) y se verificó qué intervalo de profundidad cubrían, con el fin de determinar si concordaban con las profundidades que se deseaban estudiar, mediante la revisión de los archivos que contenían los datos recolectados en los pozos. Dicho intervalo se definió gracias al material recolectado en la etapa 1, donde se observa que los objetivos del estudio estaban enfocados en estratos productores de gas como La Formación Fusselman, Formación Thirtyone y Las Calizas indiferenciadas del Misisipiense (Figura 1.3)

Debido a que se contó con una cantidad limitada de datos, fue necesario variar el intervalo de interés a fin de usar la mayor cantidad de registros disponibles, ya que entre los cálculos que se presentarán en el Capítulo de Resultados se encuentra el entrenamiento de Redes Neuronales y Transformadas Multiatributos, para predecir registros de pozos a partir de otros registros, lo cual sólo se puede realizar cuando se cuenta con los atributos externos y el registro a predecir dentro del mismo intervalo de profundidad. Es decir, si se desea predecir una propiedad determinada, se debe contar con los registro de la propiedad en cuestión y con los registros en que se basa la predicción en el mismo intervalo de profundidad, de lo contrario no se podrá realizar el entrenamiento. Es por ello que se realizó un inventario de pozos y de los registros disponibles en cada uno de ellos, a fin de introducir en el programa los datos que éste requiere para su correcto funcionamiento. Los intervalos creados variaron, además, por zonas ya que el área de estudio es estructuralmente compleja y en algunos casos los estratos se encontraban a profundidades distintas (variaciones aproximadas de 100 ft de profundidad ó 30 m). Los intervalos definidos con este fin se presentan en la Tabla 3.3.

45

Tabla 3. 3 Intervalos en profundidad estudiados

Intervalos de Procesamiento Especiales de los Registros de Pozo

Pozo

Prof Inicio (ft)

Prof Final (ft)

29

15400

21200

36

15200

17150

37

15200

17150

38

12700

15928

39

13100

15767

41

5250

17150

43

13000

16867

46

8750

17350

En la edición de los pozos también es importante eliminar los elementos nulos en los registros, ya que estos valores afectan los resultados del coeficiente de determinación múltiple R 2 , que es una medida de la bondad del ajuste realizado durante el proceso de entrenamiento. Los valores nulos al realizar el ajuste lineal, producen una dispersión anómala en la distribución de puntos del gráfico cruzado, lo que cambia la pendiente y, en general, la ecuación de la recta que se está ajustando, afectando así el poder de predicción del entrenamiento. Un ejemplo de esta situación se presenta en la Figura 3.1, donde se comparan los ajustes obtenidos para el caso de gráficos con puntos nulos y gráficos donde se eliminaron dichos valores.

46

46 Figura 3. 3 Comparación entre gráficos cruzados. Figura superior sin eliminación de valores nulos. Figura

Figura 3. 3 Comparación entre gráficos cruzados. Figura superior sin eliminación de valores nulos. Figura inferior corregida.

El módulo Geoview del software H&R permite al usuario crear una base de datos con los pozos y sus registros, para poder usarlos en otros módulos del programa. Al realizar este proceso (que se explica en detalle en las próximas líneas) el programa lee, del encabezado de los archivos del pozo, el valor nulo de los registros, que en este caso fue -999,99 y los anula automáticamente, al igual que los valores negativos del registro de pozo. Sin embargo, se debe tener en cuenta que el valor desaparece de la tabla de datos, lo que crea una dispersión en el gráfico del registro y, por ende, afecta el cálculo de las transformadas (Figura 3.3), por ello se debieron definir

47

diferentes ventanas de procesamiento, con el fin de usar la mayor cantidad de datos, tal como se mencionó anteriormente. Esto es reiterado debido a que la edición de los pozos es importante para obtener resultados correctos. En algunos casos la edición debió repetirse varias veces hasta encontrar el intervalo adecuado.

Luego se procedió a realizar la Carga de Datos. Durante la realización del trabajo se usó la licencia de Hampson and Russell, versión CE8, la cual contiene diversos módulos que permiten al usuario realizar diferentes tareas que involucran el procesamiento de datos Sísmicos y de Pozos (generación de sismogramas sintéticos, cálculo de atributos sísmicos, entrenamiento de redes Neuronales, etc.).

Para usar el programa fue necesario cargar los registros de pozo en una base de datos, ésto se realiza en el módulo “Geoview” del programa antes mencionado. La base de datos se genera leyendo los archivos de los registros de pozo a través de diferentes ventanas de diálogo, que permiten al usuario modificar, nombrar e introducir diferentes datos que sean de interés (e.g Nivel de referencia, identificación de los Nemónicos, Identificación de Unidades, etc.). Con esto se creó un archivo de extensión .wdb (Base de datos), que estuvo disponible para realizar ediciones posteriores. Una vez cargados los registros de pozo se activó la ventana “Well Explorer” de “Geoview” donde se observaron los registros de pozo, se definieron las ventanas de procesamiento y se corroboró el estado de los datos, mediante los gráficos de los registros (Figuras 3.4 y 3.5).

47 diferentes ventanas de procesamiento, con el fin de usar la mayor cantidad de datos, tal

Figura 3. 4 Interfaz gráfica del Programa H&R. Activación del Módulo “Well Explorer”

48

48 Figura 3. 5 Modulo “Well Explorer”, con registros desplegados. El siguiente paso consistió en la

Figura 3. 5 Modulo “Well Explorer”, con registros desplegados.

El siguiente paso consistió en la Generación de Transformadas Simples, Transformadas Multi-atributos y Redes Neuronales a partir de Registros de Pozo.

Esta etapa constó de la generación de los diferentes cálculos, descritos en el MARCO TEÓRICO, que permitieron predecir los registros sónicos onda P. Para realizar estas operaciones se usó el módulo “Emerge” del programa Hampson and Russell.

Este módulo permite predecir registros de pozo a partir de otros registros y/o de atributos extraídos de la sísmica. En esta fase, sólo se realizó la predicción de registros de pozo a partir de otros registros. Se debe tener en cuenta que los registros de pozos involucrados en el cálculo deben coincidir en el mismo intervalo de profundidad (incluyendo la propiedad objetivo).

Primero, se importaron los datos desde la base de datos al módulo “Emerge”. Luego se activa la opción de predecir registros a partir de otros registros (Predicting logs from the other logs) y se seleccionan los registros disponibles para realizar tal tarea, inicialmente, con registros dentro de un mismo pozo y luego con registros entre diferentes pozos. Es de hacer notar que; en el caso de realizar las transformadas utilizando sólo un pozo y los registro disponibles para el mismo, no se puede calcular el error de validación, ya que, como se explicó en el Capitulo

49

MARCO TEÓRICO, este error se calcula sacando un pozo del entrenamiento y comparando la transformada obtenida con los datos originales del pozo. Por ende, si sólo se cuenta con un pozo, este proceso es irrealizable.

Posteriormente, se generaron gráficos cruzados de la propiedad objetivo contra el registro con el cual se estaba comparando, ésto permitió observar cuál de los registros disponibles se correlacionaba mejor con el registro objetivo en términos del Error del Entrenamiento y el valor de Correlación. Con esta primera aproximación, se generaron listas de Transformadas Simples de Atributos, las cuales permitieron ver la correlación entre los atributos externos y la propiedad objetivo, tomando en cuenta transformadas no lineales para mejorar la predicción (e.g Log, función inversa, raíz cuadrada, etc.). Seguidamente, se generaron las listas Multi-atributos,

mediante la aplicación de la regresión de “Paso Aprendido”.

Estas transformadas son sensibles a dos cantidades importantes: el operador de longitud y el número de atributos. Es por ello que durante la creación de las transformadas multiatributos se probaron diferentes operadores de longitud. Para ello, el módulo “Emerge” tiene la opción de chequear diferentes operadores de longitud, simultáneamente, con el fin de permitirle al usuario decidir qué operador es el adecuado. Antes de realizar el entrenamiento con las redes neuronales, se procedió a realizar pruebas con diferentes operadores de longitud, los cuales variaron según la particularidad de cada pozo. Un ejemplo de estos gráficos se muestra en la Figura 3.6.

49 MARCO TEÓRICO, este error se calcula sacando un pozo del entrenamiento y comparando la transformada

Figura 3. 6 Gráfico de error en función del operador de longitud, para una Transformada Multiatributos, donde se observa que el menor error corresponde a un operador de un punto.

50

Se escoge la longitud de operador cuyo error de entrenamiento fuera menor y con la mayor correlación.

En el caso del número de atributos, se calculó la transformada y luego mediante la producción de gráficos de error contra el número de atributos, se determinó el número adecuado de atributos a utilizar (Figura 3.6). Debido a la naturaleza de los cálculos involucrados en la generación de la transformada Multi-atributos, es posible notar que, a mayor número de atributos, menor error de entrenamiento se obtendrá. Sin embargo, esto puede sobre-entrenar el sistema, lo que significa que la transformada obtenida no funcionará adecuadamente para datos diferentes a los del entrenamiento original. La forma de determinar si existe o no sobre-entrenamiento es mediante el cálculo del error de validación. Nuevamente, esto sólo es posible en casos donde el entrenamiento involucre al menos dos pozos.

Para la predicción de Velocidad de Onda P, se usaron registros de inducción eléctrica, gamma ray, densidad y porosidad-Neutrón, así como cualquier registro que ayudara a disminuir el error de predicción.

En la Tabla 3.4, se puede observar que el número de atributos externos adecuado es de dos, mientras que con una cantidad mayor, el sistema se sobre entrena, lo que se ve reflejado en un aumento del error de validación (Validation Error).

Tabla 3. 4 Lista de Transformadas Multi-atributos

50 Se escoge la longitud de operador cuyo error de entrenamiento fuera menor y con la

Se puede observar lo anterior generando gráficos, donde se muestra el error de validación junto con el error de predicción (Figura 3.7).

51

51 Figura 3. 7 Gráfico de Error, donde se muestra: Rojo Error de Validación; Negro error

Figura 3. 7 Gráfico de Error, donde se muestra: Rojo Error de Validación; Negro error promedio en función del número de atributos, donde se muestra sobre-entrenamiento a partir de 2 atributos

En la Figura 3.7, se muestra que el error de entrenamiento (línea negra) disminuye con el número de atributos, mientras que el error de validación (línea roja) aumenta a partir del segundo atributo, lo que indica que el sistema se está sobre-entrenando.

Las Transformadas Multi-atributos generadas, con la regresión de “Paso Aprendido”, fueron los datos de entrada con los que se produjeron los entrenamientos de las redes neuronales. Estas se usaron para aumentar el poder de predicción de la transformada, ya que es una forma computacionalmente óptima de realizar regresiones no lineales del conjunto de datos que fueron comparados en los gráficos cruzados (Figura 3.8), según lo expresado por Hampson et al, 1999.

52

52 Figura 3. 8 Gráfico Cruzado, comparando registro original con registro predicho Las redes neuronales utilizadas

Figura 3. 8 Gráfico Cruzado, comparando registro original con registro predicho

Las redes neuronales utilizadas fueron:

Red Neuronal Multicapa por Retro propagación (MLFN)

Red Neuronal Probabilística (PNN)

En el caso de la MLFN, sus parámetros de entradas son las transformadas multiatributos; sin embargo, fue necesario determinar, por medio de pruebas, parámetros como el número de nodos de la capa oculta (se probaron valores entre 1 y 10) y el número de iteraciones (desde 1 a 30 iteraciones). Estas pruebas se realizaron para obtener el mejor resultado sin el riesgo de sobre- entrenamiento. Para ello, se calcularon los gráficos cruzados respectivos y el error de validación correspondiente, similares al mostrado en la Figura 3.8.

Las redes PNN, al igual que las MLFN, tienen como entrada principal las transformadas multiatributos, pero en este caso se escogieron, nuevamente mediante pruebas empíricas, el número de Sigmas e iteraciones de la red.

Los mejores resultados obtenidos con estos procedimientos se presentarán en el capítulo de resultados.

53

Fase II

En esta fase el objetivo fue obtener transformadas multiatributos a partir de atributos sísmicos, para predecir registros de onda P, lo que permitió realizar un cubo de Onda P una vez que fue extendida la relación al volumen sísmico disponible.

Como se mencionó, se cuenta con un volumen sísmico 3D apilado, el cual fue digitalizado en formato SEG-Y en un archivo denominado Wahapub.sgy

El primer paso fue realizar la conversión tiempo profundidad de los registros de onda P disponibles, para ellos se usó el módulo “Elog” de Hampson and Russell. Se usó un tiro de verificación (Check Shot) medido en el pozo 37. Para realizar este proceso fue necesario cargar el archivo del tiro de verificación en la base de datos. Puesto que el archivo no era compatible con el programa fue necesario modificar el encabezado del archivo, para que fuera reconocible por el programa.

Este resultado se utilizó, igualmente, para el resto de los pozos, ya que para generar las transformadas era necesario que todos los registros fueran convertidos de tiempo a profundidad. Esto no es lo ideal, debido a que la información geológica recolectada del área indica que se trata de una zona de alta complejidad. Sin embargo, no se contó con ningún otro tiro de verificación. Luego, se realizó un filtraje de los registros de pozos que fueron utilizados para la generación de las transformadas multiatributos. En esta etapa se aplicó un filtro Paso Banda para eliminar las altas frecuencias (50 a 60 Hz) de los registros de pozo y de esta forma mejorar la correlación sísmica/pozo. El filtraje fue realizado sólo para los registros de onda P, con el fin de evitar modificar los demás registros disponibles en cada pozo. Este procedimiento se repitió para todos los pozos utilizados. Como se mostrará en el capítulo de resultados este procedimiento, si bien mejora los resultados, no es totalmente necesario, ya que el uso de operador convolucional resuelve el problema de las diferencias de frecuencias entre los registros de pozo y los atributos símicos. Los registros corregidos se guardaron y exportaron a la base de datos, para que estuvieran disponibles en cualquier otro módulo que se requiriera.

El siguiente paso fue el cálculo de los diferentes atributos sísmicos que serían la base de las transformadas. Para este proyecto se utilizaron diferentes atributos, lo cuales fueron elegidos,

54

por ser de uso frecuente en la bibliografía consultada y por poseer características que fueran físicamente afines a la propiedad que se estaba buscando predecir.

A continuación se presentan la lista de atributos utilizados (Tabla 3.5)

Tabla 3. 5 Atributos internos empleados en el entrenamiento de las Transformadas Multi- atributos.

ATRIBUTOS INTERNOS CALCULADOS

Amplitud de Fase Ponderada

Amplitud de Frecuencia Ponderada

Amplitud Envolvente

Amplitud Ponderada del Coseno de la Fase

Coordenada X

Coordenada y

Coseno de Fase Instantánea

Derivada de la Amplitud Instantánea

Derivado

Derivada Instantánea

Fase Instantánea

Filtro 15/20-25/30

Filtro 25/30-35/40

Filtro 35/40-45/50

Filtro 45/50-55/60

Filtro 5/10-15/20

Filtro 55/60-60/70

Frecuencia Dominante

Frecuencia Instantánea

Frecuencia Promedio

Integral

Integral de la Amplitud Absoluta

Polaridad Aparente

Segunda Derivada

Segunda Derivada de La Amplitud Instantánea

Tiempo

Traza Cuadratura

55

La lista mostrada en la Tabla 3.5, fue incrementada aplicando operaciones matemáticas no lineales como: exponencial, logaritmo, función inversa, etc.

Generada la lista de atributos se procedió a cargar los datos sísmicos en el módulo antes citado. Al momento de realizar este procedimiento se tuvieron en cuenta los siguientes factores:

Geometría de Adquisición: se debe tener la sísmica georreferenciada, para que la correlación entre la sísmica y el pozo pueda llevarse a cabo con eficiencia. Esto implica que tanto la sísmica como los registros deben estar en el mismo sistema de coordenadas. Se le debe indicar al programa cuál de los volúmenes sísmicos cargados corresponde a los datos originales 3D apilados (Raw Siesmic) y cuales corresponden a los atributos (External Attributes). Finalmente, se debe escoger la vecindad de trazas que se tomarán de la sísmica para correlacionar con los datos de pozo. En el caso de este proyecto, se tomó un radio de uno (1) lo que da un promedio de nueve (9) trazas por punto, ya que con esta aproximación el notó que amentaba el valor de correlación entre los datos de pozo y los datos sísmicos.

Con los datos cargados en “Emerge” el procedimiento es similar al que siguió en la Fase I de este proyecto, es decir se calcularon transformadas simples, transformadas multiatributos y luego se aplican las redes neuronales. En cada uno de los pasos se verificó que el operador de longitud y el número de atributos fuera el mejor. En el caso de las redes neuronales se realizaron las pruebas con los parámetros correspondientes (sigmas, cantidad de nodos, etc.)

Fase III

El paso final fue extender la transformada obtenida (la arrojó el mejor resultado) a todo el volumen sísmico para generar el volumen de la propiedad objetivo. Con la intención de realizar un análisis comparativo, se extendieron al volumen sísmico los resultados obtenidos para la mejor transformada Multi-atributo, red Probabilística y la red de Multicapas por retro- propagación.

Para realizar la extensión de las transformadas se activó el botón “sísmicadel menú principal del módulo emerge” y se eligió la opción “mostrar sísmica” (Display seismic) (Figura

56

3.9). Luego se abrió una nueva ventana, en cuya parte superior se observa el menú de Procesos (Process) (Figura 3.10).

56 3.9). Luego se abrió una nueva ventana, en cuya parte superior se observa el menú

Figura 3. 9 Menú principal del Módulo Emerge de H&R, donde se muestra el procedimiento para la extensión de las transformadas al volumen sísmico

Al desplegarlo se observa la opción de Aplicar Emerge(Apply Emerge) (Figura 3.10).

56 3.9). Luego se abrió una nueva ventana, en cuya parte superior se observa el menú

Figura 3. 10 Menú Procesos, Módulo Emerge. Proceso de extensión de la transformada al volumen sísmico.

57

Luego se presentaron diferentes ventanas de dialogo que permitieron escoger la carpeta y nombre del archivo de salida generado, así como el formato y el resultado que se desea aplicar (e.g Transformada Multi-atributo o redes neuronales) (Figura 3.11).

57 Luego se presentaron diferentes ventanas de dialogo que permitieron escoger la carpeta y nombre del

Figura 3. 11 Ventana de Parámetros de Salida, Módulo Emerge

Generado el cubo de onda P se procedió a realizar la interpretación de los resultados obtenidos. Es importante hacer notar que, cualquier técnica geofísica que se aplique para el procesamiento de un conjunto de datos, comprueba su efectividad cuando los resultados obtenidos tienen alta correlación con la geología presente en el área de estudio.

CAPÍTULO 4

RESULTADOS

Para la presentación de los resultados se seguirá el patrón descrito en el capítulo anterior, de tal forma que se presentarán los productos obtenidos para las Transformadas Simples, las Transformadas Multi-atributos, las Transformadas Multi-atributos entrenadas por Redes Neuronales y, finalmente, la aplicación de los dos últimos al volumen sísmico.

4.1 Transformadas Simples y Transformadas Multiatributos en un Pozo

Con la finalidad de determinar qué registros de pozo eran más correlacionables con la propiedad objetivo, se realizaron diferentes pruebas entre distintos registros de pozo. En este apartado se muestran las transformadas entre registros del mismo pozo.

4.1.1 Transformadas Simples

En esta categoría se han agrupado las transformadas simples obtenidas dentro de un pozo usando como atributos externos registros presentes en el mismo pozo. Se mostrarán los resultados obtenidos para los Pozos 29, 37 y 41. El Pozo 29 es importante porque es la base de las interpretaciones realizadas en cuanto a los topes de las formaciones de interés, el Pozo 37 es el único que posee registro Check Shot, mientras que el Pozo 41 es uno de los pozos con mayor cantidad de registros.

4.1.1.1 Pozo 29

Los datos de entrenamiento para el Pozo 29 fueron los registros: Gamma Ray, Densidad, Laterolog y Porosidad-Neutrón, los cuales se muestran en la Figura 4.1

59

59 Figura 4.1 Datos de Entrenamiento para el Pozo 29. Registro rojo: Propiedad Objetivo. Registros Azules:

Figura 4.1 Datos de Entrenamiento para el Pozo 29. Registro rojo: Propiedad Objetivo. Registros Azules: Atributos Externos

Como se mencionó con anterioridad, los intervalos donde se calcularon las transformadas corresponden a intervalos en los cuales se contó con la mayor cantidad de atributos externos disponibles y que coincidiera con la profundidad de interés.

En la Tabla 4.1 se muestran las primeras 5 transformadas simples obtenidas para el Pozo

29.

Tabla 4. 1 Transformadas Simples Pozo 29

 

Pozo 29

Objetivo

Atributo

Error

Correlación

Sqtr (Onda P)

Sqtr(Gamma Ray)

5,14

0,77

Onda P

Sqtr(Gamma Ray)

5,15

0,78

Log (Onda P)

Sqtr(Gamma Ray)

5,15

0,76

Onda P**2

Gamma Ray

5,19

0,78

Onda P**2

Sqtr(Gamma Ray)

5,22

0,79

60

Los gráficos cruzados con los mejores resultados, en cuanto a la correlación cruzada y al error de entrenamiento, se muestran en la Figura 4.2

60 Los gráficos cruzados con los mejores resultados, en cuanto a la correlación cruzada y al

Figura 4. 2 Gráficos Cruzados Transformadas Simples del Pozo 29. A) Raíz Cuadrada de Onda P Vs Raíz Cuadrada de Gamma Ray, Corr= 0,77 y Error= 5,14. B) Onda P vs Raíz Cuadrada de Gamma Ray, Corr= 0,78 y Error = 5,15. Se observa la regresión lineal obtenida en ambos casos

Como se muestra en la Figura 4.2, la mejor correlación se obtuvo entre el registro de Onda P y el registro de Gamma Ray, lo cual es de esperarse ya que, ambos registros están relacionados a cambios litológicos. Nótese que, para determinar la mejor correspondencia entre los registros utilizados, se han incluido relaciones matemáticas no lineales, en este caso Raíz Cuadrada (Sqtr) para aumentar el poder de predicción del método. Es importante mencionar que en la figura anterior se muestra una relación meramente matemática; esto quiere decir que puede presentarse el caso en que, por algún factor aleatorio, un registro sea totalmente correlacionable con otro registro, aunque, en cuanto a su significado físico, sean totalmente distintos. Por esto es necesario, no sólo discriminar entre los registros con mayor correlación y menor error, sino entre cuáles son los que realmente guardan una relación con sentido físico, entre la propiedad objetivo y el atributo externo.

El resultado de aplicar esta transformada para la predicción de Onda P se muestra en la Figura 4.3

61

61 Figura 4. 3 Aplicación de Transformadas Simples en el Pozo 29. Registro Rojo = Registro

Figura 4. 3 Aplicación de Transformadas Simples en el Pozo 29. Registro Rojo = Registro predicho, Registro Negro= Registro Original. Registro Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,78 y Error= 5,15. Se observan diferencias en frecuencia.

En la Figura 4.3, se muestra el resultado de la transformada simple usada para la predicción del registro de Onda P. Como se observa, la predicción conserva la tendencia general del registro aunque presenta variaciones en cuanto a la amplitud del mismo. Por otra parte, fuera del intervalo definido para realizar el entrenamiento (líneas azules) el poder de predicción disminuye.

Si se analiza el gráfico que muestra la diferencia entre los registros predicho y original (registro de la izquierda) se debe tener en cuenta que las amplitudes mostradas en éste son mayores, pero esto es un efecto producido por la diferencia entre las escalas de ambos gráficos. En la izquierda varía de 50 a 125, mientras que el de la derecha entre -20 y 20. De esta forma se

62

puede apreciar que la diferencia entre ambos registros es menor al 10%, lo cual es aceptable a nivel estadístico y experimental.

4.1.1.2 Pozo 37

Los datos de entrenamiento usados para el Pozo 37 se muestran en la Figura 4.4, los cuales incluyeron un total de cuatro (4) atributos externos, en un intervalo de aproximadamente 2000 ft (600 m).

62 puede apreciar que la diferencia entre ambos registros es menor al 10%, lo cual es

Figura 4. 4 Datos de Entrenamiento para el Pozo 37. Registro rojo: Propiedad Objetivo. Registros Azules: Atributos Externos

En este pozo se contó con un estudio Check Shot, el cual permitió realizar la conversión tiempo profundidad de la sísmica.

En la Tabla 4.2, se muestran las primeras 5 transformadas simples obtenidas en el Pozo 37

63

Tabla 4. 2 Transformadas Simples Pozo 37

 

Pozo 37

Objetivo

Atributo

Error

Correlación

Onda P

Gamma Ray**2

3,65

0,88

Sqtr (Onda P)

Gamma Ray**2

3,65

0,89

Log (Onda P)

Gamma Ray**2

3,66

0,9

Onda P**2

Gamma Ray**2

3,68

0,84

1/Onda P

Gamma Ray**2

3,72

-0,91

Las transformadas mostradas en la Taba 4.2, corresponden a los mejores resultados obtenidos, siendo Gamma Ray el registro que mejor corralciona con el sónico Onda P. Los gráficos cruzados para estas transformadas se presentan en la Figura 4.5

63 Tabla 4. 2 Transformadas Simples Pozo 37 Pozo 37 Objetivo Atributo Error Correlación Onda P

Figura 4. 5 Gráficos Cruzados Transformadas Simples del Pozo 37. A) Onda P Vs Gamma Ray al Cuadrado, Corr= 0,88 y Error= 3,65. B) Raíz Cuadrada de Onda P vs Gamma Ray al Cuadrado, Corr= 0,89 y Error = 3,65. Se aprecia una distribución cuasi lineal de los datos.

En la Figura 4.5 se observa una mayor correlación entre el atributo objetivo y el registro de Gamma Ray, respecto a las transformadas obtenidas para el Pozo 29 (Figura 4.2) lo que puede entenderse como una mayor similitud entre las respuestas de ambos registros al pasar por las diferentes formaciones de estudio.

Las Transformadas, correspondientes a los gráficos mostrados en la Figura 4.5, fueron aplicadas para predecir el registro de Onda P en el pozo en cuestión; los resultados se muestran en la Figura 4.6.

64

64 Figura 4. 6 Aplicación de Transformadas Simples, Pozo 37. Rojo = Registro predicho; Negro= Registro

Figura 4. 6 Aplicación de Transformadas Simples, Pozo 37. Rojo = Registro predicho; Negro= Registro Original; Vinotinto= diferencia entre registro Original y Predicho. A) Corr= 0,88 y Error= 3,65. B) Corr 0,89 y Error 3,65. Se pude observar que se sigue la tendencia general de los registros originales.

Nuevamente, se puede observar que la predicción con un atributo es buena (Figura 4.6) y que el registro predicho (rojo) tiene una alta correspondencia con el registro original (negro). Similar al pozo anterior, se muestra a la derecha, tanto del gráfico A como del B la diferencia entre los registros predichos y los originales. Similar al Pozo 29, la escala de la diferencia es distinta a la de los registros; sin embargo se puede observar que el valor de la misma es menor a 10%, en la ventana de entrenamiento, definidas por las líneas azules.

4.1.1.3 Pozo 41

Los datos de entrenamiento para este pozo estuvieron compuestos por registros de Caliper, Densidad, Gamma Ray, Porosidad- Neutrón y Porosidad por densidad, los cuales se muestran en la Figura 4.7

65

65 Figura 4. 7 Datos de Entrenamiento para el Pozo 41. Registro rojo: Propiedad Objetivo. Registros

Figura 4. 7 Datos de Entrenamiento para el Pozo 41. Registro rojo: Propiedad Objetivo. Registros Azules: Atributos Externos

En este caso se contó con un mayor número de registros para generar las transformadas, las cuales se muestran en la Tabla 4.3. Como se puede observar, el intervalo de entrenamiento ocupó una profundidad de 12000 ft aproximadamente, lo que constituye una muestra significativa de los registros usados en el entrenamiento.

Tabla 4. 3 Transformadas Simples Pozo 41

 

Pozo 41

Objetivo

Atributo

Error

 

Correlación

Onda P

Porosidad Neutrón

4,69

0,95

Sqtr (Onda P)

Porosidad Neutrón

4,80

0,95

Onda P**2

Porosidad Neutrón

4,91

0.93

1/Onda P

Sqrt(Porosidad Neutrón)

4,93

-0,94

Log (Onda P)

Porosidad Neutrón

5,10

0,94

66

Los gráficos cruzados correspondientes a las dos primeras transformadas se muestran en la Figura 4.8

66 Los gráficos cruzados correspondientes a las dos primeras transformadas se muestran en la Figura 4.8

Figura 4. 8, Gráficos Cruzados Transformadas Simples del Pozo 41. A) Onda P Vs Porosidad

Neutrón,

Corr=0,96 y Error= 4,70. B) Sqtr (Onda P) vs Porosidad Neutrón, Corr= 0,95 y Error

= 4,80. Se observa una buena correlación entre Sónico de Onda P y Porosidad Neutrón.

A diferencia de los pozos anteriores, en este caso la mayor correlación se obtuvo con el registro de Porosidad Neutrón y no con el registro de Gamma Ray. Esto tiene sentido ya que, tanto el registro de Porosidad Neutrón como el de Onda P, dependen de las condiciones de poro de la roca o intervalo rocoso, es decir el registro variará dependiendo del elemento con el cual esté saturado el poro y la arquitectura de la roca. El registro de Gamma Ray mide el cambio en las propiedades radiactivas en las rocas (emisión de rayos gamma) y, aunque es un registro efectivo a la hora de discernir entre litologías, las propiedades medidas por el registro de Porosidad Neutrón están más relacionadas con las propiedades medidas por el registro de Sónico (Onda P).

Este resultado no se observó en los pozos anteriores porque no se contó con registros de Porosidad Neutrón para realizar el entrenamiento.

Además, se puede observar una tendencia claramente lineal en ambos gráficos cruzados de la Figura 4.8, con valores de correlación cruzada sobre el 90%; sin embargo, el error de entrenamiento es un poco mayor, respecto al obtenido en el Pozo 37.

67

67 Figura 4. 9, Aplicación de Transformadas Simples en el Pozo 41. Rojo = Registro predicho.

Figura 4. 9, Aplicación de Transformadas Simples en el Pozo 41. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. A) Corr= 0,95 y Error= 4,70. B) Corr 0,94 y Error 4,79. Se observa la calidad de la predicción.

En este caso, la transformada mejoró notablemente su poder de predicción tal como se observa en la Figura 4.9. De igual forma, el registro de diferencia (vinotinto) muestra una menor variación en sus amplitudes comparado con las transformadas obtenidas en el pozo 29 y 37. Nuevamente, se debe tener en cuenta que la escala de este registro es diferente a la escala que se usa en la pista donde se despliegan el registro predicho y el registro original.

Estas transformadas permiten al usuario tener una idea general de cuáles son los registros que correlacionan mejor con la propiedad objetivo y son la base para generar las transformadas Multi-atributos, que se muestran en el siguiente apartado. Con los resultados mostrados hasta ahora es posible deducir que las transformadas Multi-atributos incluirán, necesariamente, los registros de Gamma Ray y Porosidad Neutrón, en los casos donde estos registros estén presentes, ya que, como se ha mostrado, son estos atributos los que mejor correlación presentan, con el registro sónico de onda P

68

4.1.2 Transformadas Multi-Atributos.

Estas transformadas se generaron, como se menciona en el CAPÍTULO III de este libro, siguiendo el método de entrenamiento por paso aprendido. En este caso las entradas corresponden a registros dentro de un mismo pozo.

4.1.2.1 Pozo 29

Las transformadas multiatributos se generaron a partir de los registros mostrados en la Figura 4.1.

Las transformadas obtenidas se muestran en la Tabla 4.4

Tabla 4. 4 Transformadas Multiatributos Pozo 29

 

Pozo 29

Objetivo

Atributo

Error

Correlación

Sqtr (Onda P)

Porosidad Neutron

4,92

0,8

Sqtr (Onda P)

Densidad

4,51

0,84

Sqtr (Onda P)

Log(Laterolog)

4,38

0,85

Sqtr (Onda P)

(Gamma Ray)**2

4,11

0,86

Las transformadas mostradas en la Tabla 4.4 corresponden a una lista de transformadas Multi-Atributos generadas a partir de los registros del Pozo 29, con un operador convolucional de cinco (5) puntos.

Se escogió esta lista en particular porque, a medida que aumentaba el número de puntos del operador, disminuyó el valor del error de entrenamiento y aumentó el valor de la correlación cruzada. Sin embargo, no fue posible calcular el error de validación. El cual, como se mencionó anteriormente ofrece información de la calidad de la predicción en intervalos fuera de la ventana de procesamiento. Este error no se calculó porque sólo se ha usado un pozo para generar la transformada y se necesitan mínimo dos pozos para realizar el proceso de validación. Esta situación se presenta también en las transformadas obtenidas para el Pozo 37 y el Pozo 41.

La mejor transformada corresponde, como se deduce de la Tabla 4.4, a la raíz cuadrada de Onda P vs (Gamma Ray)**2. Cabe destacar que esta transformada incluye los atributos

69

mostrados en las líneas superiores de la tabla citada, es decir, el resultado final es una combinación matemática de los atributos anteriores incluyendo el atributo final.

En

la

Figura 4.10

se

muestra un gráfico cruzado del registro objetivo contra

la

transformada Multi-Atributo obtenida.

69 mostrados en las líneas superiores de la tabla citada, es decir, el resultado final es

Figura 4. 10 Gráfico Cruzado Transformada Multi-atributo Pozo 29. Onda P Predicha Vs Onda P

original,

Corr=0,86 y Error= 4,11. Mostrando un buen ajuste entre los registros.

Como se puede observar en la Figura 4.10, el valor de la correlación es del 86% lo que muestra una buena relación entre la velocidad onda P predicha y la velocidad de onda P original. Este resultado, si bien resulta bueno, no es concluyente ya que no existe la posibilidad de determinar si la transformada obtenida es la mejor que se puede obtener o, por el contrario, fue sobre entrenada. Esta incertidumbre se presenta porque no se cuenta con el total del error de validación.

Sin embargo, al aplicar la transformada obtenida para predecir el registro sónico de onda P y compararlo con el original, se puede suponer que la transformada efectivamente resulta útil para obtener una predicción bastante buena (Figura 4.11)

70

70 Figura 4. 11, Aplicación de Transformada Multi-atributo Pozo 29. Rojo = Registro predicho. Negro= Registro

Figura 4. 11, Aplicación de Transformada Multi-atributo Pozo 29. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,86 y Error= 4,11

De forma similar al caso de las transformadas simples, el registro de la derecha en la Figura 4.11 (vinotinto) posee una escala diferente a la de los registros en la izquierda.

En esta figura se puede observar que la predicción es buena a lo largo de todo el pozo y, al compararlo con los resultados obtenidos con las transformadas simples, se puede notar una mejoría en el entrenamiento, en función del error de entrenamiento y el valor de la correlación cruzada en ambos casos.

Otra ventaja de las transformadas Multi-Atributos es que se puede evaluar si la cantidad de atributos utilizados mejoró o empeoró el proceso de entrenamiento. Como se menciona en el

71

Marco Teórico de este trabajo, la literatura expresa que a mayor número de atributos externos mejor será la predicción. Esto se puede observar en la Figura 4.12.

71 Marco Teórico de este trabajo, la literatura expresa que a mayor número de atributos externos

Figura 4. 12 Error Promedio Vs Número de atributos Pozo 29. Línea roja = error de validación; línea Negra Número de Atributos. Se observa que el error disminuye con el número de atributos.

En el gráfico anterior se pueden observar dos líneas; la línea negra muestra cómo varía el error promedio de predicción con respecto al número de atributos, el cual está representado por los cuadros negros que se observan en la línea. Como puede notarse, efectivamente el error promedio disminuye con el aumento del número de atributos. Además, se puede ver en la línea roja inferior el valor de error de validación, el cual es nulo, ya que por las razones antes explicadas no pudo ser calculado.

4.1.2.2 Pozo 37

Los atributos de entrada para generar la transformada Multi-atributos para este pozo se muestran en la Figura 4.4. Las transformadas obtenidas se muestran en la Tabla 4.5

72

Tabla 4. 5 Transformadas Multiatributos Pozo 37

 

Pozo 37

Objetivo

Atributo

Error

Correlación

Onda P

1/Short Normal

2,96

0,92

Onda P

(Gamma Ray)**2

2,35

0,95

Onda P

Sqrt(Inducción Profunda)

2,32

0,95

Onda P

1/SP

2,31

0,95

En el caso del Pozo 37, la mejor transformada Multi-atributos resultó ser la combinación del inverso del registro Short Normal, el cuadrado del registro Gamma Ray, la raíz cuadrada de Inducción Profunda y el inverso del Potencial Espontaneo (SP). El gráfico cruzado correspondiente a esta transformada se muestra en la Figura 4.13

72 Tabla 4. 5 Transformadas Multiatributos Pozo 37 Pozo 37 Objetivo Atributo Error Correlación Onda P

Figura 4. 13 Gráfico Cruzado Transformada Multi-atributo Pozo 37. Onda P Predicha Vs Onda P

original,

Corr=0,95 y Error= 2,31.

Nuevamente, se observa que, con respecto a los resultados obtenidos para la transformada simple, se ha mejorado el poder de predicción con la aplicación de las transformadas Multi- atributos. En el caso de la correlación cruzada se pasó de un valor de 88% en las transformadas simples a un valor de 95% con las transformadas Multi-atributos.

73

73 Figura 4. 14, Aplicación de Transformada Multi-atributo Pozo 37. Rojo = Registro predicho. Negro= Registro

Figura 4. 14, Aplicación de Transformada Multi-atributo Pozo 37. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,95 y Error= 2,31. Se sigue la tendencia del registro original a lo largo de todo el pozo.

El gráfico de error promedio en función del número de atributos se muestra en la Figura

4.15.

73 Figura 4. 14, Aplicación de Transformada Multi-atributo Pozo 37. Rojo = Registro predicho. Negro= Registro

Figura 4. 15 Error Promedio Vs Número de atributos Pozo 37. Línea roja = validación; línea negra Número de Atributos. El error de entrenamiento disminuye con el número de atributos

74

Como se muestra en la

Figura 4.15, a mayor número de atributos, menor es el error

promedio, aunque la tendencia no es tan marcada como la observada en el caso del Pozo 29. Nuevamente, el error de validación no tiene un valor calculado.

4.1.2.3 Pozo 41

Los datos de entrenamiento corresponden a los mostrados en la Figura 4.7, mientras que las transformadas resultantes se muestran en la Tabla 4.6

Tabla 4. 6 Transformadas Multiatributos Pozo 41

 

Pozo 41

Objetivo

Atributo

Error

Correlación

Onda P

Porosidad Neutrón

4,52

0,95

Onda P

Sqrt(Porosidad)

4,38

0,95

Onda P

Log (Delta)

4,29

0,95

Onda P

Sqrt(Gamma Ray)

4,21

0,96

Onda P

(Caliper)**2

4,16

0,96

La última fila de la Tabla 4.6, muestra la transformada Multi-atributo con el menor error y la mayor correlación, la cual corresponde a una combinación matemática de las transformadas anteriores, según la regresión de paso aprendido. El gráfico cruzado asociado a esta expresión se presenta en la Figura 4.16, mientras que el resultado de la aplicación de la transformada, se muestra en la Figura 4.17.

75

75 Figura 4. 16 Gráfico Cruzado Transformada Multi-atributo Pozo 41. Onda P Predicha Vs Onda P

Figura 4. 16 Gráfico Cruzado Transformada Multi-atributo Pozo 41. Onda P Predicha Vs Onda P

original,

Corr=0,96 y Error= 2,04.

75 Figura 4. 16 Gráfico Cruzado Transformada Multi-atributo Pozo 41. Onda P Predicha Vs Onda P

Figura 4. 17 Aplicación de Transformada Multi-atributo Pozo 41. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. Corr= 0,96 y Error= 2,04.

76

Los resultados mostrados en la sección 4.1.2 muestran de forma inequívoca que las transformadas Multi-atributos mejoran el poder de predicción del método empleado. Esto se debe a que, al incluir mayor número de atributos la transformada, no solo adquiere más muestras sino que puede realizar un aprendizaje más completo, con mayor peso en el significado físico de los registros y no sólo en su relación matemática.

4.1.3 Transformadas Multi-Atributos Entrenadas con Redes Neuronales

En este apartado se muestran los resultados obtenidos al combinar las Transformadas Multi-atributos, con operadores no lineales como las redes neuronales. Las redes usadas fueron supervisadas, de tal forma que los datos de entrada, son pares ordenados del atributo externo y el registro objetivo. Se aplicaron dos arquitecturas de redes neuronales: redes de Multicapas entrenadas por Retro-propagación (MLFN) y la Red Neuronal Probabilista (PNN).

4.1.3.1 Pozo 29

De forma análoga a las secciones anteriores, los datos de entrada son los mostrados en la Figura 4.1. Las características de las redes entrenadas se presentan las Tablas 4.7 y 4.8.

Tabla 4. 7 Parámetros de Entrenamiento PNN Pozo 29

PNN

Entrenada en: Pozo 29 Intervalo: (15400 a 21200) ft

Atributos Usados:

Porosidad Neutrón Densidad Log (Laterolog) ( Gamma Ray )**2 Operador de Longitud: 5 Pre Blanqueo usado en el entrenamiento: 0,1% Error de Entrenamiento: 2,55 (us/ft) Correlación: 0,95

Parámetros de la Red

Red en Modo Mapeo Número de Sigmas: 25 Rangos de Sigmas: 0,1 a 3 Iteraciones de Gradientes Conjugados: 20

77

Tabla 4. 8 Parámetros de Entrenamiento MLFN Pozo 29

MLFN

Entrenada en: Pozo 29 Intervalo: (15400 a 21200) ft

Atributos Usados:

Porosidad Neutrón Densidad Log (Laterolog) (Gamma Ray )**2 Operador de Longitud: 5 Pre Blanqueo usado en el entrenamiento: 0,1% Error de Entrenamiento: 3,65 (us/ft) Correlación: 0,90

Parámetros de la Red

Red en Modo Mapeo Número de Nodos en Capa Escondida: 13 Número de Iteraciones: 10 Iteraciones de Gradientes Conjugados: 100

En las Tablas 4.7 y 4.8 se muestran los parámetros de entrenamiento de las dos arquitecturas de redes neuronales usadas durante la realización del proyecto. En ellas se muestran parámetros de interés como el intervalo en donde fueron entrenadas, así como el número de Sigmas y su rango (redes PNN), el número de Nodos en la capa escondida y el número de iteraciones (redes MLFN). Estos parámetros son importantes porque de ellos depende la calidad de la red, en el sentido de que ellos determinan si la red fue sobreentrenada o está funcionando de forma óptima. Los parámetros expuestos en las tablas anteriores son los que mostraron el menor error de entrenamiento después de probar empíricamente otros parámetros.

Los gráficos cruzados correspondientes a las redes entrenadas en el Pozo 29 se muestran en la Figura 4.18.

78

78 Figura 4. 18 Gráficos Cruzados Redes Neuronales Pozo 29. A) PNN Corr= 0,95 y Error=

Figura 4. 18 Gráficos Cruzados Redes Neuronales Pozo 29. A) PNN Corr= 0,95 y Error= 2,44. B) MLFN Corr= 0,90 y Error= 3,65. Se observa un mejor ajuste para la PNN

En la Figura 4.18 se observan los resultados obtenidos al introducir las redes neuronales. Si se comparan con los valores de correlación cruzada y error de las transformadas anteriores (simple y multi-atributo) se observa que, incluyendo las redes neuronales se mejoraron estos valores, ya que se ha incluido una transformada no lineal efectiva para la predicción de los registros.

Si se observan los valores obtenidos para la PNN se notará que son mejores que los obtenidos en el caso de la MLFN, una posible explicación de este resultado es que el intervalo de entrenamiento es amplio y ocupa una gran cantidad de datos (5800 ft o 1767,64 m) lo cual le permite a la red PNN realizar un mejor ajuste de la combinación lineal en la que se basa su funcionamiento, es decir, mientras más registros tenga el entrenamiento más refinada será la combinación lineal de los mismos para predecir el registro objetivo, pues se trata de una red probabilística.

La aplicación de estas redes se muestra en la Figura 4.19

79

79 Figura 4. 19 Aplicación de Redes Neuronales Pozo 29. Rojo = Registro predicho. Negro= Registro

Figura 4. 19 Aplicación de Redes Neuronales Pozo 29. Rojo = Registro predicho. Negro= Registro Original. Vinotinto= diferencia Original y Predicho. A) PNN Corr= 0,95 y Error= 2,55. B) MLFN Corr=0,90 y Error= 3,65. La red no se entrenó fuera del intervalo de procesamiento

En la Figura 4.19, se observa que las redes funcionaron bien, dentro del intervalo de entrenamiento definido por las líneas azules; sin embargo, no se realizó el entrenamiento fuera del mismo. Esta es una limitación del software usado.

4.1.3.2 Pozo 37

Los parámetros de entrenamiento de las redes generadas en este pozo se muestran en las Tablas 4.9 y 4.10.

80

Tabla 4. 9 Parámetros de Entrenamiento PNN Pozo 37

PNN

Entrenada en: Pozo 37 Intervalo: (15200 a 17148) ft

Atributos Usados:

1 / ( Short Normal ) ( Gamma Ray )**2 Sqrt( Induction Deep ) 1 / ( SP )

Operador de Longitud: 5 Pre Blanqueo usado en el entrenamiento: 0,1% Error de Entrenamiento: 0,84 (us/ft) Correlación: 0,99

Parámetros de la Red

Red en Modo Mapeo Número de Sigmas: 25 Rangos de Sigmas: 0,1 a 3 Iteraciones de Gradientes Conjugados: 20

Tabla 4. 10 Parámetros de Entrenamiento MLFN Pozo 37

MLFN1

Entrenada en: Pozo 37 Intervalo: (15200 a 17148) ft

Atributos Usados:

1 / ( Short Normal ) ( Gamma Ray )**2 Sqrt( Induction Deep ) 1 / ( SP )

Operador de Longitud: 5 Pre Blanqueo usado en el entrenamiento: 0,1% Error de Entrenamiento: 2,35 (us/ft) Correlación: 0,95

Parámetros de la Red

Red en Modo Mapeo Número de Nodos en Capa Escondida: 13 Número de Iteraciones: 20 Iteraciones de Gradientes Conjugados: 100

81

Los gráficos cruzados obtenidos para cada una de las redes se presentan en la Figura 4.20.

81 Los gráficos cruzados obtenidos para cada una de las redes se presentan en la Figura

Figura 4. 20 Gráficos Cruzados Redes Neuronales Pozo 37. A) MLFN Corr= 0,96 y Error= 2,04. B) PNN Corr= 0,99 y Error= 0,84. El mejor ajuste se obtiene con la PNN.

Al aplicar las transformadas entrenadas con las redes neuronales se obtuvieron los gráficos de la Figura 4.21

81 Los gráficos cruzados obtenidos para cada una de las redes se presentan en la Figura

Figura 4. 21 Aplicación de Redes Neuronales Pozo 37. Rojo = Registro predicho, Negro= Registro Original. Vinotinto= diferencia Original y Predicho. A) MLFN Corr= 0,96 y Error= 2,03. B) PNN Corr=0,99 y Error= 0,84. El entrenamiento sólo se realiza dentro de intervalo de procesamiento.

82

En el pozo 37, se obtuvieron los mejores resultados correspondientes al entrenamiento con el uso de redes neuronales. Aunque, presentó las mismas limitaciones que en el pozo anterior, también se mantiene la tendencia general a mejorar los valores de correlación cruzada y disminución de los errores de entrenamiento.

4.1.3.3 Pozo 41

En este caso los parámetros de las redes se muestran en las Tablas 4.11 y 4.12

Tabla 4. 11 Parámetros de Entrenamiento PNN Pozo 41

PNN

Entrenada en: Pozo 41 Intervalo: (5252 a 21200) ft

Atributos Usados:

Sqtr (Porosidad) Log (Delta) Sqtr (Gamma Ray)

(Caliper)**2

Operador de Longitud: 5 Pre Blanqueo usado en el entrenamiento: 0,1% Error de Entrenamiento: 1,43 (us/ft) Correlación: 0,995

Parámetros de la Red

Red en Modo Mapeo Número de Sigmas: 25 Rangos de Sigmas: 0,1 a 3 Iteraciones de Gradientes Conjugados: 20

83

Tabla 4. 12 Parámetros de Entrenamiento MLFN Pozo 41

MLFN

Entrenada en: Pozo 41 Intervalo: (5252 a 21200) ft

Atributos Usados:

Sqtr (Porosidad) Log (Delta) Sqtr (Gamma Ray)

(Caliper)**2

Operador de Longitud: 5 Pre Blanqueo usado en el entrenamiento: 0,1% Error de Entrenamiento: 4,16 (us/ft) Correlación: 0,96

Parámetros de la Red

Red en Modo Mapeo Número de Nodos en Capa Escondida: 16 Número de Iteraciones: 20 Iteraciones de Gradientes Conjugados: 100

De forma similar a los Pozos 29 y 37, las redes neuronales han mejorado el resultado obtenido con el uso de las transformadas Multi-atributos. Los gráficos cruzados obtenidos con los registros predichos se muestran en la Figura 4.22

83 Tabla 4. 12 Parámetros de Entrenamiento MLFN Pozo 41 MLFN Entrenada en: Pozo 41 Intervalo:

Figura 4. 22 Gráficos Cruzados Redes Neuronales Pozo 41. A) MLFN Corr= 0,96 y Error= 4,16. B) PNN Corr= 0,995 y Error= 1,43. Mejoró el entrenamiento para ambas redes.

84

La aplicación se muestra en la Figura 4.23.

84 La aplicación se muestra en la Figura 4.23. Figura 4. 23 Aplicación de Redes Neuronales

Figura 4. 23 Aplicación de Redes Neuronales Pozo 41. Rojo = Registro predicho, Negro= Registro Original. Vinotinto= diferencia entre registro Original y Predicho. A) MLFN Corr= 0,96 y Error= 4,16 B) PNN Corr=0,994 y Error= 1,43.

En los resultados presentados en las Figuras 4.19, 4.21 y 4.23, se debe tener en cuenta que el registro de diferencia entre los datos originales y los registros predichos está a una escala diferente a la escala de los registros. El error nuevamente es menor a 10%.

Todas las transformadas generadas con un sólo pozo le dan al usuario una idea, con base cuantitativa, de cómo están funcionando las redes y qué tipos de atributos ayudan a mejorar la predicción del registro sónico de Onda P.

Un resumen de los resultados obtenido en las secciones 4.1.1, 4.1.2 y 4.1.3 se muestra en la Tabla 4.13

85

Tabla 4. 13 Tabla Resumen de los resultaos obtenidos dentro de un Pozo

85 Tabla 4. 13 Tabla Resumen de los resultaos obtenidos dentro de un Pozo 4.2 Transformadas

4.2 Transformadas Simples y Transformadas Multi-atributos- Multi-Pozos

Con el fin de probar el poder de predicción de las transformadas a nivel espacial y de área, se realizaron los cálculos anteriores, pero incluyendo registros de diferentes pozos. Con esto se buscaba una relación que funcionara lo mejor posible para predecir el registro objetivo fuera del pozo de entrenamiento.

Este procedimiento fue complejo ya que, entre la gama de pozos con los que se contó, sólo se pueden incluir en el cálculo aquellos que tienen registros comunes en la misma zona de profundidad. Por ello, el número de pozos incluidos se vio limitado, al igual que los registros disponibles en los mismos.

Las transformadas fueron calculadas para diferentes combinaciones de pozo, con el fin de tener una base comparativa entre los resultados obtenidos. Estas combinaciones se agruparon en proyectos, los cuales fueron:

Proyecto 1: Transformadas generadas a partir de los Pozos 36, 37, 41 y 46

Proyecto 2: Transformadas generadas a partir de los Pozos 38, 39 y 43

Los resultados obtenidos se presentan en las siguientes subsecciones.