Carlos Briceno PDF

UNIVERSIDAD SIMN BOLVAR
DECANATO DE ESTUDIOS PROFESIONALES

COORDINACIN DE INGENIERA GEOFSICA

PREDI CCI N DE VP USANDO TRANSFORMADAS MULTI -ATRI BUTOS Y
REDES NEURONALES

Por:
Carlos Alberto Briceo Bellorin

PROYECTO DE GRADO
Presentado ante la Ilustre Universidad Simn Bolvar
como requisito parcial para optar al ttulo de
Ingeniero Geofsico

Sartenejas, Abril de 2013

UNIVERSIDAD SIMN BOLVAR
INGENIERA GEOFSICA

REDES NEURONALES

Por:

Realizado con la asesora de:
Dra. Milagrosa Aldana

PROYECTO DE GRADO
Presentado ante la Ilustre Universidad Simn Bolvar
como requisito parcial para optar al ttulo de
Ingeniero Geofsico

Sartenejas, Abril de 2013
U N I V E R S I D A D S I M N B O L V A R
D e c a n a t o d e E s t u d i o s P r o f e s i o n a l e s
C o o r d i n a c i n d e I n g e n i e r a G e o f s i c a
A C T A D E E V A L U A C I N D E L P R O Y E C T O D E G R A D O
C D I G O D E L A A S I G N A T U R A : E P 3 3 1 2
E S T U D I A N T E : C a r l o s A l b e r t o B r i c e o B e l l o r n
F E C H A : 2 5 / 0 1 / 2 0 1 3
C A R N E T : 0 7 4 0 6 7 4
T T U L O D E L T R A B A J O : " P R E D I C C I N D E V P U S A N D O T R A N S F O R M A D A S M U L T I -
A T R I B U T O S Y R E D E S N E U R O N A L E S
T U T O R A C A D M I C O : P r o f . M i l a g r o s a A l d a n a
J U R A D O : P r o f . A n a C a b r e r a y A l f r e d o P e r a l t a
A P R O B A D O : R E P R O B A D O :
O B S E R V A C I O N E S :
E l J u r a d o
c o n s i d e r a p o r u n a n i m i d a d q u e e l t r a b a j o e s E X C E P C I O N A L M E N T E B U E N O :
E n c a s o p o s i t i v o , j u s t i f i c a r r a z o n a d a m e n t e :S I
" = ^ 2 M
J u r a d o : P r o f . A n a C a b r e r a - U S B J u r a d o : P r o f . A l f r e d o P e r a l t a - U S B
T u t o r A c a d m i c o : P r o f . M i l a g r o s a A l d a n a - U S B

iv

REDES NEURONALES
Por:
RESUMEN
El presente trabajo muestra la implementacin de transformadas Multi-atributos para
predecir velocidades de ondas P, a partir de registros de pozo y atributos extrados de datos
ssmicos, con el objeto de caracterizar los yacimientos gasferos de los campos West Waha y
Worsham Bayer, Texas, Estados Unidos.
Se utiliz la licencia de Hampson and Russell, versin CE8, que permiti realizar el
clculo 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 estudi la relacin entre los diferentes registros de pozo con VP. Al
igual que la relacin entre dicha propiedad y atributos extrados de los datos ssmicos disponibles
en el rea. El proceso de entrenamiento se realiz con la Regresin 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
ssmica, el resultado de este ltimo, fue extendido a la totalidad del volumen ssmico, para
obtener una distribucin espacial de VP en el rea.
Los resultados obtenidos muestran que las redes neuronales usadas (MLFN y PNN)
mejoran, en todos los casos, el poder de prediccin inicial obtenido con las transformadas Multi-
atributos, siendo mejor la red MLFN. Se determin que, dada la alta complejidad de la zona, el
cubo de VP generado ayuda a identificar rasgos geolgicos de inters como una capa de baja
velocidad, que afecta los estudios de ssmica convencional. Adems, se observaron contrastes de
velocidades en zonas donde, mediante datos extrados de pozos en el rea, se conoca la
existencia de yacimientos gasferos.

v

DEDICATORIA

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

vi

AGRADECIMIENTOS

Sean estas palabras una herramienta para expresar, a todas las personas que me han
ayudado a realizar este sueo realidad, la constancia de que no se han borrado de mi mente todas
la vivencias compartidas.
Un agradecimiento muy especial a mis Padres, Jess Alfredo Briceo y Yolides Bellorin
Rojas, por depositar en m la confianza y el amor que impulsa cada nuevo paso que doy, son
ustedes, mi mayor logro.
Gracias a mis hermanos, en especial a Jess Briceo, abuelos, tos y tas, primos y primas
por ayudarme siempre con todo lo que estaba a su alcance, me han regalado su tiempo y yo
valoro inmensamente su cario.
Gracias a las personas que me abrieron las puertas de sus hogares y me hicieron parte de
sus familias: Alicia Quintana, Marieta Duque, Jos Antonio Fras y especialmente a mi ta
Eugenia Bellorin, quien con su consejo y paciencia siempre ha sido para m un ejemplo.
Gracias mis compaeros de clases, por ayudarme a pesar de las locuras y presiones que el
mundo acadmico acarrea, especialmente a Andrena Henrquez quien me ha acompaado a lo
largo de esta aventura llamada geofsica.
Por ltimo mi mayor reconocimiento es para los profesores que conforman el equipo que
se encarga de convertirnos en profesionales: Milagrosa Aldana, Andrs Pilloud, Ana Cabrera,
Francis Cordero, son ustedes personas que se han ganado mi admiracin y respeto, por su
capacidad de sacrificio, de lucha y humildad que han sido ejemplo constante durante estos cinco
aos.

vii

NDICE GENERAL
ACTA DE EVALUACIN...iii
RESUMEN .................................................................................................................................... iv
DEDICATORIA ............................................................................................................................ v
AGRADECIMIENTOS................................................................................................................ vi
NDICE GENERAL .................................................................................................................... vii
NDICE DE FIGURAS ................................................................................................................. x
NDICE DE TABLAS ................................................................................................................ xvi
INTRODUCCIN ......................................................................................................................... 1
CAPTULO 1 ................................................................................................................................. 3
MARCO GEOLGICO ............................................................................................................... 3
1.1 Ubicacin del rea de Estudio .............................................................................................. 3
1.2 Geologa Regional ................................................................................................................. 4
1.3 Geologa Local (Tomado de Major et al 1998) ..................................................................... 6
1.3.1 Grupo Ellenburger ........................................................................................................... 7
1.3.2 Formacin Fusselman ..................................................................................................... 9
1.3.3 Formacin Thirtyone ....................................................................................................... 9
1.3.4 Reservorios Misisipiense............................................................................................... 10
CAPTULO 2 ............................................................................................................................... 12
MARCO TERICO .................................................................................................................... 12
2.1 Registros de Pozo ................................................................................................................. 12
2.1.1 Registro Snico (Onda P) .............................................................................................. 13
2.1.2 Registros Gamma Ray ................................................................................................... 13
2.1.3 Registros de Porosidad Neutrn. ................................................................................... 14
2.1.4 Registro de Densidad .................................................................................................... 15
2.1.5 Tiros de Verificacin (Check Shots) ............................................................................. 15
2.2 Smica de Reflexin .............................................................................................................. 16
2.2.1 Ssmica 3D .................................................................................................................... 16

viii

2.3 Atributos Ssmicos ................................................................................................................ 18
2.4 Transformadas Multi-atributos ............................................................................................ 19
2.4.1 Regresin Lineal Atributo Simple................................................................................. 20
2.4.2 Regresin Lineal Multi-Atributos ................................................................................. 22
2.4.3 Operador Convolucional (*).......................................................................................... 24
2.4.4 Regresin de Paso Aprendido ....................................................................................... 26
2.4.5 Validacin Cruzada (Cross Validation) ........................................................................ 27
2.5 Redes Neuronales................................................................................................................. 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-propagacin (MLFN) ................... 32
2.5.3.2 Red Neuronal Probabilstica (PNN) ....................................................................... 36
CAPTULO 3 ............................................................................................................................... 40
METODOLOGA ........................................................................................................................ 40
Etapa 1. Revisin Bibliogrfica ................................................................................................. 40
Etapa 2. Revisin y Edicin de los Datos .................................................................................. 40
Etapa 3. Generacin de Resultados ........................................................................................... 43
Fase I ...................................................................................................................................... 44
Fase II ..................................................................................................................................... 53
Fase III.................................................................................................................................... 55
CAPTULO 4 ............................................................................................................................... 58
RESULTADOS ............................................................................................................................ 58
4.1 Transformadas Simples y Transformadas Multiatributos en un Pozo................................. 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

ix

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 Multi-Pozos. ........................................................................... 86
4.2.1.1 Proyecto 1 ............................................................................................................... 86
4.2.1.2 Proyecto 2 ............................................................................................................... 90
4.2.2 Transformadas Multi-Atributos, Multi-Pozos. .............................................................. 94
4.2.2.1 Proyecto 1 ............................................................................................................... 94
4.2.2.2 Proyecto 2 ............................................................................................................... 99
4.2.3 Transformadas Multi-Atributos con Redes Neuronales, Multi-Pozos. ....................... 103
4.2.3.1 Proyecto 1 ............................................................................................................. 103
4.2.3.2 Proyecto 2 ............................................................................................................. 110
4.3 Transformadas Simples y Transformadas Mult-iatributos Ssmica/Pozo ......................... 115
4.3.1 Transformadas Simples Ssmica/Pozo ........................................................................ 116
4.3.2 Transformadas Muli-Atributos Ssmica/Pozo ............................................................. 119
4.3.3 Transformadas Muli-Atributos con Redes Neuronales, Ssmica/Pozo ....................... 124
4.4 Aplicacin de Transformadas al Volumen Ssmico. .......................................................... 129
4.4.1 Aplicacin de Transformada Multi-atributos. ............................................................. 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 lneas
presentadas anteriormente, las escalas estn invertidas. ...................................................... 136
4.4.2 Aplicacin de MLFN .................................................................................................. 137
CONCLUSIONES Y RECOMENDACIONES ...................................................................... 144
REFERENCIAS BIBLIOGRFICAS .................................................................................... 146

x

NDICE DE FIGURAS

Figura 1. 1 Ubicacin global del rea de Estudio. Estados Unidos de Amrica, Estado de Texas 3
Figura 1. 2 Ubicacin geogrfica de La Cuenca Delaware, campos West Waha, Worsham Bayer
(Modificado de Hardage et al, 1999) ............................................................................................... 4
Figura 1. 3 Columna Lito-Estratigrfica, Cuenca Delaware, donde se muestran las formaciones de
inters (Modificado de Hardage 1998) ............................................................................................ 6
Figura 1. 4 Esquema depositacional del Grupo Ellenburger (Modificado de Adams, 1995).......... 7
Figura 1. 5 Esquema depositacional de la Cuenca Delaware (Modificado de Adams, 1995) ...... 11

Figura 2. 1 Registro Esquemtico de Gamma Ray, mostrando Lnea de Arena y Lnea de Arcilla
(Modificado de Rider, 2000) ......................................................................................................... 14
Figura 2. 2 Registro esquemtico de Porosidad Neutrn, mostrando el efecto de diferentes fluidos
en el registro (Modificado de Rider, 2000) ................................................................................... 15
Figura 2. 3 Esquema de medicin para Tiros de Verificacin (Tomado de Regueiro, 2007) ....... 15
Figura 2. 4 Esquema de Adquisicin de datos Ssmicos (Tomada de Sheriff, 2002) .................. 16
Figura 2. 5 Cubo Ssmico, resultado de Adquisicin Ssmica 3D (Tomado de Sheriff, 2002) ..... 17
Figura 2. 6 Esquema de Gerencia de Yacimiento (Tomado de Regueiro, 2007) .......................... 17
Figura 2. 7 Grfico Cruzado Onda P vs Gamma Ray. Regresin Lineal (La Roja) .................... 20
Figura 2. 8 Esquematizacin del proceso de Regresin Lineal Multiatributos, donde se observa la
relacin entre los atributos externos y el registro objetivo (Tomado de Ruiz, 2011) .................... 22
Figura 2. 9 Esquematizacin de la diferencia de contenidos de frecuencia entre los registros de
pozo y los datos Ssmicos (Tomado de Ruiz, 2011)...................................................................... 24
Figura 2. 10 Esquematizacin del Operador Convolucional para Transformadas Multi-atributos.
Cada muestra en el registro corresponde a 5 muestras de los atributos (Modificado de Ruiz, 2011)
....................................................................................................................................................... 25
Figura 2. 11 Error promedio vs Nmero de atributos. Lnea roja= error de validacin. Lnea
negra= error promedio (Modificado de Hampson et al, 1999) ...................................................... 28
Figura 2. 12 Modelo de Red Neuronal con una Neurona (Tomado de Garca, 2005) .................. 30
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) .......................................................... 32
Figura 2. 14 Comportamiento de las MLFN en funcin de la cantidad de Nodos en la capa
escondida, a mayor nmero de nodos, mejor ajuste (Modificado de Ruiz, 2011) ........................ 33
Figura 2. 15 Esquematizacin de Gradiente conjugado (Tomado de Ruiz 2011) ......................... 34
Figura 2. 16 Esquematizacin de Algoritmo de Recocido Simulado, donde se muestra el rea de
evaluacin (lneas negras) para el reconocimiento de mnimos globales (Modificado De H&R
Assistant) ....................................................................................................................................... 35

xi

Figura 2. 17 Diagrama de flujo, que muestra la aplicacin 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 Distribucin espacial de los Pozos en el rea de estudio ............................................ 42
Figura 3. 2 Esquematizacin de la geometra de adquisicin ssmica........................................... 43
Figura 3. 3 Comparacin entre grficos cruzados. Figura superior sin eliminacin de valores
nulos. Figura inferior corregida. .................................................................................................... 46
Figura 3. 4 Interfaz grfica del Programa H&R. Activacin del Mdulo Well Explorer .......... 47
Figura 3. 5 Modulo Well Explorer, con registros desplegados. ................................................. 48
Figura 3. 6 Grfico de error en funcin del operador de longitud, para una Transformada
Multiatributos, donde se observa que el menor error corresponde a un operador de un punto. .... 49
Figura 3. 7 Grfico de Error, donde se muestra: Rojo Error de Validacin; Negro error promedio
en funcin del nmero de atributos, donde se muestra sobre-entrenamiento a partir de 2 atributos
....................................................................................................................................................... 51
Figura 3. 8 Grfico Cruzado, comparando registro original con registro predicho....................... 52
Figura 3. 9 Men principal del Mdulo Emerge de H&R, donde se muestra el procedimiento para
la extensin de las transformadas al volumen ssmico .................................................................. 56
Figura 3. 10 Men Procesos, Mdulo Emerge. Proceso de extensin de la transformada al
volumen ssmico. ........................................................................................................................... 56
Figura 3. 11 Ventana de Parmetros de Salida, Mdulo Emerge .................................................. 57

Figura 4.1 Datos de Entrenamiento para el Pozo 29. Registro rojo: Propiedad Objetivo. Registros
Azules: Atributos Externos ............................................................................................................ 59
Figura 4. 2 Grficos Cruzados Transformadas Simples del Pozo 29. A) Raz Cuadrada de Onda P
Vs Raz Cuadrada de Gamma Ray, Corr= 0,77 y Error= 5,14. B) Onda P vs Raz Cuadrada de
Gamma Ray, Corr= 0,78 y Error = 5,15. Se observa la regresin lineal obtenida en ambos casos
....................................................................................................................................................... 60
Figura 4. 3 Aplicacin 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. .............. 61
Figura 4. 4 Datos de Entrenamiento para el Pozo 37. Registro rojo: Propiedad Objetivo. Registros
Figura 4. 5 Grficos Cruzados Transformadas Simples del Pozo 37. A) Onda P Vs Gamma Ray al
Cuadrado, Corr= 0,88 y Error= 3,65. B) Raz Cuadrada de Onda P vs Gamma Ray al Cuadrado,
Corr= 0,89 y Error = 3,65. Se aprecia una distribucin cuasi lineal de los datos.......................... 63
Figura 4. 6 Aplicacin de Transformadas Simples, Pozo 37. Rojo = Registro predicho; Negro=
Registro Original; Vinotinto= diferencia entre registro Original y Predicho. A) Corr= 0,88 y

xii

Error= 3,65. B) Corr 0,89 y Error 3,65. Se pude observar que se sigue la tendencia general de los
registros originales. ........................................................................................................................ 64
Figura 4. 7 Datos de Entrenamiento para el Pozo 41. Registro rojo: Propiedad Objetivo. Registros
Figura 4. 8, Grficos Cruzados Transformadas Simples del Pozo 41. A) Onda P Vs Porosidad
Neutrn, Corr=0,96 y Error= 4,70. B) Sqtr (Onda P) vs Porosidad Neutrn, Corr= 0,95 y Error
= 4,80. Se observa una buena correlacin entre Snico de Onda P y Porosidad Neutrn. ........... 66
Figura 4. 9, Aplicacin 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 prediccin. .............. 67
Figura 4. 10 Grfico 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. ..................... 69
Figura 4. 11, Aplicacin 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..................................................................................................................................... 70
Figura 4. 12 Error Promedio Vs Nmero de atributos Pozo 29. Lnea roja = error de validacin;
lnea Negra Nmero de Atributos. Se observa que el error disminuye con el nmero de atributos.
....................................................................................................................................................... 71
original, Corr=0,95 y Error= 2,31. ............................................................................................. 72
Error= 2,31. Se sigue la tendencia del registro original a lo largo de todo el pozo. ...................... 73
Figura 4. 15 Error Promedio Vs Nmero de atributos Pozo 37. Lnea roja = validacin; lnea
negra Nmero de Atributos. El error de entrenamiento disminuye con el nmero de atributos ... 73
original, Corr=0,96 y Error= 2,04. ............................................................................................. 75
Figura 4. 17 Aplicacin de Transformada Multi-atributo Pozo 41. Rojo = Registro predicho.
Error= 2,04..................................................................................................................................... 75
Figura 4. 18 Grficos 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 Aplicacin 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 entren fuera del intervalo de procesamiento . 79
Figura 4. 20 Grficos 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 Aplicacin 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.

xiii

B) PNN Corr=0,99 y Error= 0,84. El entrenamiento slo se realiza dentro de intervalo de
procesamiento. ............................................................................................................................... 81
B) PNN Corr= 0,995 y Error= 1,43. Mejor el entrenamiento para ambas redes. ........................ 83
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. ........................................................................ 84
Figura 4. 24 Datos de Entrenamiento Proyecto 1. Registro rojo: Propiedad Objetivo. Registros
Figura 4. 25 Grficos Cruzados Proyecto 1. A) (Onda P)**2 Vs Sqrt (Gamma Ray) Corr= 0,64
Error= 11,85. B) Sqrt (Onda P) Vs Log (Gamma Ray) Corr= 0,70 Error= 11,86. Se observa una
correlacin aceptable, en trminos experimentales. ...................................................................... 88
Figura 4. 26 Aplicacin 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 pozo. ........................ 89
Figura 4. 27 Error promedio Vs Pozos de entrenamiento, Proyecto 1. Se aprecia diferentes errores
promedios, en todos los pozos. ...................................................................................................... 90
Figura 4. 29 Grfico Cruzado Transformada Simple, Proyecto 2. Onda P Vs Sqrt (Gamma Ray)
Corr= 0,77 Error= 6,46. Se aprecia la regresin lineal obtenida. .................................................. 92
Figura 4. 30 Aplicacin 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 procesamiento. ............................................ 93
Figura 4. 31 Error promedio vs Pozos incluidos, Proyecto 2. El error aumenta con el nmero de
pozos .............................................................................................................................................. 94
Figura 4. 32 Grficos Cruzados Transformadas Multi-atributos Proyecto 1. A) Corr= 0,70 Error=
11,75. B) Corr= 0,69 Error= 11,84. Se observa una regresin lineal defciente. ........................... 95
Figura 4. 33 Aplicacin de Transformada Multi-atributo, Proyecto 1. ......................................... 96
Figura 4. 34 Validacin Cruzada de Transformadas Multi-atributos, Proyecto 1. Error
Validacin= 6,87. Corr= 0,81. ....................................................................................................... 97
Figura 4. 35 Error Promedio vs el Nmero de atributos, para cada operador de longitud. El mejor
operador es el de seis puntos. ........................................................................................................ 98
Figura 4. 36 Error Promedio vs nmero de atributos. Proyecto 1. El error de validacin es menor
que el error promedio. ................................................................................................................... 98
Figura 4. 37 Grfico Cruzado, Transformada Multi-atributo Proyecto 2. Corr= 0,65 Error= 7,65
..................................................................................................................................................... 100
Figura 4. 38 Error Promedio Vs Nmero de Atributos evaluados con operadores de longitud. El
mejor operador resulto ser el de 5 puntos. ................................................................................... 100

xiv

Figura 4. 39 Aplicacin 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 Validacin Cruzada de Transformada Multi-atributos, Proyecto 2, sobre el Pozo 43.
Error de Validacin= 4,76 Corr= 0,35. Se observa bajo error de validacin. ............................. 102
Figura 4. 41 Grfico Cruzado de PNN Proyecto 1. Registro Predicho vs Registro Original. Corr=
0,71 Error= 12,94. Se observa una pobre regresin lineal. ......................................................... 105
Figura 4. 42 Grfico Cruzado de MLFN Proyecto 1. Registro Predicho vs Registro Original.
Corr= 0,88 Error= 7,82. Se presenta una buena regresin lineal. ............................................... 106
Figura 4. 43 Aplicacin 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 original. ........ 107
Figura 4. 44 Ampliacin de la Figura 4.43. Se muestran amplitudes de los registros predichos.
Donde se observa las variaciones del registro predicho. ............................................................. 108
Figura 4. 45 Aplicacin de MLFN Proyecto 1. Corr= 0,88 Error Promedio = 7,82 us/ft ........... 108
Figura 4. 46 Resultado de Validacin, Pozo 46. A) PNN: Error de Validacin=11.25 Corr=0,80.
B) MLFN: Error de Validacin=13,42 Corr= 0,03. So observa buena correlacin en el intervalo
de entrenamiento.......................................................................................................................... 109
Figura 4. 47 Grfico Cruzado de PNN, Proyecto 2. Registro Predicho vs Registro Original. Corr=
0,71 Error= 7,10. Se observa una buena correlacin, a pesar de la alta dispersin. .................... 111
Corr= 0,78 Error= 6,24. ............................................................................................................... 111
Figura 4. 49 Aplicacin de Transformada PNN Proyecto 2. Corr= 0,71 Error= 7,10 us/ft ........ 112
Figura 4. 50 Aplicacin de Transformada MLFN Proyecto 2. Corr= 0,78 Error= 6,24 us/ft ..... 112
Figura 4. 51 Validacin Cruzada. A) PNN Corr=0,36 Error de Validacin= 4,81. B) MLFN
Corr=0,37 Error de Validacin= 5,76 .......................................................................................... 113
Figura 4. 52 Distribucin Espacial de Pozos en el rea de Estudio. .......................................... 114
Figura 4. 53 Datos de Entrenamiento, Transformadas Ssmica/Pozo. Rojo= Registro Objetivo;
Negro= Traza Ssmica en la vecindad del pozo; Azul= Atributos externos ................................ 116
Figura 4. 54 Grficos Cruzados Transformadas Simples Ssmica/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
lineal. ........................................................................................................................................... 117
Figura 4. 55 Aplicacin de la Primera Transformada Simple Ssmica/Pozo. Lnea Roja= Registro
Predicho; Lnea Negra= Registro Original. Lneas Azules= Ventana de Anlisis. ..................... 118
Figura 4. 56 Aplicacin de la Segunda Transformada Simple Ssmica/Pozo. Lnea Roja= Registro
Predicho; Lnea Negra= Registro Original. Lneas Azules= Ventana de Anlisis. ..................... 118
Figura 4. 57 Error Promedio en Funcin de Los Pozos para las Transformadas Simples
Ssmica/Pozo. Se observa la variacin del error promedio en los diferentes pozos del proyecto.
..................................................................................................................................................... 119
Figura 4. 58 Grfico Cruzado Transformada Multi-atributo. Corr= 0,41 Error= 13,22 .............. 120

xv

Figura 4. 59 Error Promedio vs Nmero de Atributos, Transformadas Multi-atributos Ssmica
Pozo. Se observa la variacin del error (promedio y de validacin) con el nmero de atributos.
..................................................................................................................................................... 121
Figura 4. 60 Variacin del Error Promedio en funcin del Pozo. ............................................... 121
Figura 4. 61 Error Promedio en Funcin del Operador de Longitud. ......................................... 122
Figura 4. 62 Aplicacin de Transformada Multi-atributo Ssmica/Pozo. Error Promedio= 13,02
(us/ft); Corr= 0,37. ....................................................................................................................... 123
Figura 4. 63 Validacin de Transformada Multi-atributo Ssmica/Pozo. Pozo 46. Error de
Validacin= 14,14 Corr= 0,48 ..................................................................................................... 124
Figura 4. 64 Grficos Cruzados Redes Neuronales Ssmica/Pozo. A) PNN: Corr= 0,96 Error=
4,13 us/ft. B) MLFN: Corr= 0,76 Error= 9,07 us/ft .................................................................... 126
Figura 4. 65 Aplicacin de Redes Neuronales, Ssmica/Pozo. A) PNN: Corr= 0,96 Error 4,13
us/ft. B) MLFN: Corr= 0,76 Error= 9,07 us/ft ............................................................................ 127
Figura 4. 66 Error de Entrenamiento en funcin del Pozo. A) PNN; B) MLFN ......................... 128
Figura 4. 67 Validacin de Redes Neuronales, Ssmica/Pozo. A) PNN: Corr= 0,69 Error de
Validacin= 11,51us/ft. B) MLFN: Corr= 0,66 Error de Validacin= 12,17 us/ft. .................... 128
Figura 4. 68 Lneas del Volumen de Onda P, Transformada Multi-Atributo. A) Inline 759. B)
Inline 838. .................................................................................................................................... 130
Figura 4. 69 Lneas del Volumen de Onda P, Transformada Multi-Atributo. C) Inline 893. D)
Inline 734. .................................................................................................................................... 132
Figura 4. 70 Lnea del Volumen de Onda P, Transformada Multi-Atributo E) Inline 825. ....... 134
Figura 4. 71 Corte en tiempo de Cubo de Onda P, Transformada Multi-atributo. 900 ms ......... 135
Figura 4. 72 Corte en tiempo de Cubo de Onda P, Transformada Multi-atributo. 1190 ms ....... 136
Figura 4. 73 Corte en tiempo de Cubo de Onda P, Transformada Multi-atributo. 1200 ms ....... 137
Figura 4. 74 Aplicacin de Transformada MLFN al volumen Ssmico. A) Inline 759. B) Inline
838 ............................................................................................................................................... 138
Figura 4. 75 Aplicacin de Transformada MLFN al volumen Ssmico. A) Inline 893. B) Inline
734 ............................................................................................................................................... 140
Figura 4. 76 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 900 ms. .................... 141
Figura 4. 77 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 1190 ms. .................. 142
Figura 4. 78 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 1200 ms. .................. 143

xvi

NDICE DE TABLAS

Tabla 3. 1 Registros de Pozos disponibles en el rea de Estudio .................................................. 41
Tabla 3. 2 Coordenadas del Estudio de Ssmica 3D ...................................................................... 43
Tabla 3. 3 Intervalos en profundidad estudiados ........................................................................... 45
Tabla 3. 4 Lista de Transformadas Multi-atributos ....................................................................... 50
Tabla 3. 5 Atributos internos empleados en el entrenamiento de las Transformadas Multi-
atributos. ........................................................................................................................................ 54

Tabla 4. 1 Transformadas Simples Pozo 29 .................................................................................. 59
Tabla 4. 4 Transformadas Multiatributos Pozo 29 ........................................................................ 68
Tabla 4. 7 Parmetros de Entrenamiento PNN Pozo 29 ................................................................ 76
Tabla 4. 8 Parmetros de Entrenamiento MLFN Pozo 29 ............................................................. 77
Tabla 4. 9 Parmetros de Entrenamiento PNN Pozo 37 ................................................................ 80
Tabla 4. 10 Parmetros de Entrenamiento MLFN Pozo 37 ........................................................... 80
Tabla 4. 11 Parmetros de Entrenamiento PNN Pozo 41 .............................................................. 82
Tabla 4. 12 Parmetros de Entrenamiento MLFN Pozo 41 ........................................................... 83
Tabla 4. 13 Tabla Resumen de los resultaos obtenidos dentro de un Pozo .................................. 85
Tabla 4. 14 Transformadas Simple Proyecto 1.............................................................................. 87
Tabla 4. 15 Transformadas Simple Proyecto 2.............................................................................. 92
Tabla 4. 16 Transformadas Multi-Atributos Proyecto 1................................................................ 94
Tabla 4. 17 Transformada Multi-atributo Proyecto 2 .................................................................... 99
Tabla 4. 18 Parmetros de PNN Proyecto 1 ................................................................................ 103
Tabla 4. 19 Parmetros de MLFN Proyecto 1 ............................................................................. 104
Tabla 4. 20 Parmetros de PNN Proyecto 2 ................................................................................ 110
Tabla 4. 21 Parmetros de MLFN Proyecto 2 ............................................................................. 110
Tabla 4. 22 Transformadas Simples Ssmica/Pozo ..................................................................... 116
Tabla 4. 23 Transformadas Multi-atributos Ssmica/Pozo .......................................................... 120
Tabla 4. 24 Parmetros de PNN Transformadas Ssmica/Pozo................................................... 125
Tabla 4. 25 Parmetros MLFN Transformada Ssmica/Pozo ...................................................... 126
Tabla 4. 26 .................................................................................................................................. 133
1

INTRODUCCIN

El estudio de yacimientos Carbonticos es interesante, ya que este tipo de litologa, por
sus propiedades inherentes, son complejos de delimitar en estudios ssmicos convencionales. Los
yacimientos fracturados son especialmente difciles de Caracterizar, porque presentan una alta
heterogeneidad lateral. La ssmica tridimensional (3D), permite una mejor interpretacin de estos
yacimientos; sin embargo, existen casos donde este dato no es suficiente para delimitar el
yacimiento.
Las rocas carbonticas son excelentes rocas yacimiento. Estadsticamente, ms de la mitad
de los reservorios de hidrocarburo a nivel mundial, estn formados por rocas carbonticas (Zao et
al, 1998)
La cuenca Delaware es, mundialmente, conocida por su gran potencial de produccin de
hidrocarburo (30 billones de barriles de hidrocarburo movible) (Major et al, 1998). Siendo el
Grupo Ellenburger la mayor unidad productora. Adems, existen intervalos superiores, que
contienen cantidades importantes de gas natural.
En 1998 el Bureau of Economic Geology hizo pblico, un estudio de ssmica, realizado
en el rea de West Waha Y Worsham Bayer incluyendo, adems, registros de pozo medidos
dentro de los lmites del estudio ssmico, con el fin de proporcionar datos reales para el estudio de
la zona por parte de los estudiantes y el pblico 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 tectnica a la que
ha sido sometida el rea.
En las siguientes pginas se emplea una metodologa que combina el uso de
Transformadas Multiatributos y Redes Neuronales, con la finalidad de extender los datos duros
(registros de Pozo) al volumen ssmico disponible, incluyendo la informacin que se pueda
extraer de diferentes atributos, calculados a partir de la traza ssmica.
2

Esta metodologa 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
inters econmico y cientfico.

CAPTULO 1
MARCO GEOLGICO
1.1 Ubicacin del rea de Estudio
Los datos fueron medidos como parte de un proyecto de investigacin, realizado por la
Universidad de Austin Texas (UTA, por sus siglas en ingles), y constan de un estudio de ssmica
3D migrada y once (11) registros de pozo, medidos en el rea correspondiente a los campos de
West Waha y Worsham Bayer, ubicados en Texas, Estados Unidos, en la seccin centro-sur del
pas (Figura 1.1). A nivel regional estos campos se ubican en la parte sureste de La Subcuenca de
Delaware, del Oeste de Texas.

Figura 1. 1 Ubicacin global del rea de Estudio. Estados Unidos de Amrica, 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 Ordovcico y el Carbonfero
Inferior (Misisipiense), dentro de la cuenca Delaware, la cual corresponde a la parte occidental de
4

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

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

Las cuencas Prmicas han sido ampliamente estudiadas, ya que se consideran una de las
ms proliferas en el territorio Estadounidense, donde se estima que an 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 produccin
que posee la cuenca Prmica.
El grupo Ellenburger, del Ordovcico Inferior, es la mayor unidad productora de esta
rea, aunque existen otras unidades de produccin menor como la Formacin Fusselman del
Silrico, la Formacin Thirtyone del Devnico y las Calizas sin diferenciar del Misisipiense (las
cuales no han sido asignadas a ninguna formacin oficial) (Major et al, 1998).
1.2 Geologa Regional
La Cuenca Delaware es una amplia depresin estructural ubicada en el Oeste de Texas y
al suroeste de Nuevo Mxico. En su inicio form parte del oeste de la Cuenca de Tobosa
5

(Paleozoico Medio). Su historia como cuenca individual comenz con el levantamiento de una
Cresta Media (Median Ridge) durante el Pensilvaniense Temprano dentro de la cuenca de Tobosa.
Entre el Pensilvaniense y el Prmico, 20000 ft (aprox. 6100 m) de sedimentos fueron acumulados
en el canal profundo de la cuenca de Delaware (Adams, 1965)
La deformacin cortical a lo largo del suroeste del Cratn de Norte Amrica fue
fundamental en la formacin de las estructuras geolgicas que capturaron las bastas reservas de
hidrocarburos en la regin (Ibdem). Al Oeste de Texas y Sureste de Nuevo Mxico, estas
estructuras estn cubiertas por rocas del Prmico y el Mesozoico, relativamente sin deformar
(Shumaker, 1992).
La historia de esta zona involucra una intensa deformacin cortical que se extiende dentro
del Cratn con la presencia de rocas alctonas, provenientes del cinturn orognico de Ouachita-
Marathon (Paleozoico), que se form a lo largo del margen sur de la placa de Norte Amrica. La
cuenca Delaware, al igual que otras cuencas Prmicas, se desarroll bajo regmenes de Rift
(apertura), Hundimiento y levantamiento (Cuencas Yoked).
El rifting del Cmbrico, a lo largo del margen sur de Norte Amrica, form una amplia
plataforma de aguas someras en el rea, que cubri la mayor parte del Oeste de Texas durante el
Ordovcico (Major et al, 1998). Las estructuras a escala de yacimientos de gas y petrleo,
iniciaron durante el Misisipiense Tardo, 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 distribucin 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 estratigrficos 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 acomodacin; 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 agradacin de canales individuales (Hardage et al, 1998)
Los sedimentos Carbonticos del Grupo Ellenburger fueron transportados por una
transgresin sobre basamento Precmbrico, alcanzando un espesor cercano a los 1750 ft. Luego
6

de una exposicin krstica generalizada del Grupo Ellenburger en el Ordovcico Medio, se
produjo la depositacin de las areniscas y arcillitas del grupo Simpson. Esta fue seguida por la
depositacin de rocas carbonticas y silicicatos de grano fino de las Formaciones Montoya,
Fusselman, el Grupo Wristen y la Formacin Thirtyone. Durante el Devnico Tardo y el
Misisipiense Temprano, las condiciones anxicas dieron paso a la depositacin de la Formacin
Woodford, una unidad luttica y la mayor Roca Madre del Oeste de Texas, posteriormente
empez un periodo de sedimentacin aguas someras y las rocas carbonticas del Misisipiense
fueron depositadas.

1.3 Geologa Local (Tomado de Major et al 1998)
La geologa local la comprenden las diferentes formaciones que presentan acumulaciones
econmicamente rentables de hidrocarburos. Como se mencion, los estratos productores lo
comprenden: el Grupo Ellenburger, del Ordovcico Inferior, la Formacin Fusselman del Silrico,
la Formacin Thirtyone del Devnico y las Calizas sin diferenciar del Misisipiense (Figura 1.3)

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

7

1.3.1 Grupo Ellenburger
El Grupo Ellenburger (Ordovcico Inferior), en el centro y el oeste de Texas est
compuesto dominantemente por rocas carbonticas, muchas de las cuales estn dolomitizadas y
depositadas en una amplia plataforma carbontica. Este grupo alcanza un espesor de
aproximadamente 1750 ft, afinndose 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 transgresin,
seguido por agradacin y progradacin en una configuracin de plataforma de aguas someras. El
grupo Ellenburger reposa sobre basamento cristalino, mientras que su tope es una superficie
regional de erosin krstica formada durante un destacado periodo de exposicin del Ordovcico
Medio (Figura 1.4)

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 aos al fracturamiento tectnico; sin embargo, aunque se sigue
considerando este como un factor de calidad del reservorio, recientemente se ha observado que en
la mayora del Grupo Ellenburger los controles de calidad son: el fracturamiento, la brechamiento
y la disolucin asociada a la karstificacin durante el evento de exposicin mayor, ocurrido en el
Ordovcico Medio.
Holtz y Kerans (1992) diferenciaron tres yacimientos en el Grupo Ellenburger, en la parte
Oeste de Texas:
Las Dolomas Modificadas por Karstificacin.
Rampas Carbonticas.
Dolomas Fracturadas tectnicamente.
8

Los yacimientos de Dolomas Modificadas por Karstificacin, localizados en el Oeste de
Texas, principalmente sobre la Plataforma de la Cuenca Central, son productores de petrleo, en
estos reservorios se ha producido el 37% del hidrocarburo total producido por el Grupo
Ellenburger.
Los reservorios de Rampas Carbonticas estn localizados en la parte Este de Shelf y al
sur de la Cuenca de Midland. Estos yacimientos son responsables del 4% de la produccin de
hidrocarburo total del Grupo Ellenburger.
Los yacimientos de Dolomas, Tectnicamente Fracturadas, estn 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 produccin
total de hidrocarburo del Grupo Ellenburger y contiene el 79% del gas y el petrleo movible. La
calidad de reservorio en este grupo es controlada tanto por fracturas inducidas por kasrtificacin,
las brechas y las fracturas tectnicas. Las Fracturas Tectnicas estn generalmente asociadas con
la deformacin del Pensilvaniense que di origen a la formacin de las cuencas de Delaware, Val
Verde y la Cuenca de la Plataforma Central.
El rea de los campos de West Waha y Worsham Bayer est localizada en el grupo de
reservorios Tectnicamente Fracturados descrito por Holtz y Kerans en 1992 (Major et al, 1998).
Un factor geogrfico importante es la proximidad con el cinturn orognico de Ouachita, el cual
ha resultado considerablemente complejo, dominado por estructuras compresionales dentro del
rea de estudio. Por otra parte, los fluidos calientes impulsados hacia el norte durante la
Orognesis de Ouachita han resultado en la dolomitizacin y cementacin del Grupo Ellenburger
en esta rea.
Aunque el Grupo Ellenburger es la principal fuente de gas natural en esta zona, existen tres
unidades estratigrficas productoras por encima de este grupo (Fusselman, Treintaiuno y las
unidades Misisipiense). Estas unidades ms someras pueden representar objetivos importantes de
recompletacin por pozos abandonados de Ellenburger, adems de servir como objetivos
secundarios para reducir el riesgo durante el proceso de recuperacin secundaria de hidrocarburos
en estos pozos.

9

1.3.2 Formacin Fusselman
La seccin estratigrfica del Silrico en el Oeste de Texas est compuesta por dolomas y
calizas de La Formacin Fusselman, cuyo tope est en contacto con la base de las rocas
siliciclsticas de grano fino y carbonticas del Grupo Wristen. Las rocas de Fusselman,
pertenecientes a la seccin estratigrfica de rocas reservorio, estn 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 Formacin Fusselman como una sucesin de facies
carbonticas de aguas someras. Una grainstone ooide, comnmente porosa y permeable,
generalmente roca reservorio, est cubierto por una fina capa de arcillitas, las cuales a su vez
estn por debajo de una espesa seccin de grainstone y packstone pelmatozoan. Las grainstones y
packstones pelmatozoan contienen esparita, que fueron interpretadas como evidencias de
diferentes procesos de lixiviacin.
Ruppel y Holtz (1994) han incluido los yacimientos de la Formacin Fusselman en el Play
de La Plataforma Carbontica Somera de Fusselman, el cual produce petrleo para ms de 300
reservorios en el Oeste de Texas. El rea del los campos de West Waha y Worsham Bayer est al
suroeste del control usado para designar este Play y, aunque estn probablemente relacionados, la
Formacin Fusselman produce gas en esta zona.
1.3.3 Formacin Thirtyone
Pertenece a la seccin del Devnico Inferior, es una formacin productora de
hidrocarburos en Calizas, Dolomas, Cherts con Vuggys intercristalinas, caracterizadas por una
porosidad producto de fracturas.
Ruppel y Holtz (1994) interpretaron que esta formacin haba sido depositada en una
configuracin de talud de cuenca, en la cual lo sedimentos silceos de la cuenca fueron
transgredidos por la agradacin y progradacin de carbonatos depositados en aguas someras en
una configuracin de rampa-pendiente.
Los Cherts fueron depositados tanto por sedimentacin pelgica, como por flujos
turbidticos de poca pendiente. El apilado cclico de sedimentos silceos y carbonaticos, sugiere
10

una fluctuacin relativa del nivel del mar o de los mecanismos de distribucin. En general, la
Formacin Thirtyone es ms silcea hacia la base y se hace ms rica en carbonatos hacia el tope.
En la Formacin Thirtyone se reconocen cuatro facies (Ruppel y Holtz, 1994):
Laminacin 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 Formacin Thirtyone en dos
Plays: El Play de La Rampa Carbontica y el Play de Las Cherts de Aguas Profundas, ambos
productores de petrleo, aunque en las cercanas del los campos de West Waha y Worsham Bayer,
la formacin en cuestin produce gas. Los campos nombrados anteriormente caen fuera y al
suroeste del lmite del Play petrolero de Las Cherts de Aguas Profundas, pero se piensa que en
esta rea la Formacin Thirtyone, es un yacimiento de gas equivalente a ese Play (Major et al,
1998).
Las rocas del Play de Cherts de Aguas Profundas estn comprendidas por dos tipos:
Cherts Translucida sin poros y Cherts Porcelana porosa. La porosidad est aparentemente
controlada por las tasas de cambio de las fases metaestable del silceo a fases estables durante el
soterramiento y la compactacin (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 Formacin Woodford. Estas rocas son suprayacidas concordantemente por una
plataforma carbontica de aguas someras, depositada por agradacin y progradacin. Las rocas
carbonticas 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 silceo 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 depositacin de la cuenca de Delaware.
11

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

CAPTULO 2
MARCO TERICO

La Ingeniera Geofsica aplica distintas reas del conocimiento tales como la Fsica, las
Matemticas y la Geologa, al estudio de la constitucin interna e historia de la Tierra
(Coordinacin de Ingeniera Geofsica, Universidad Simn Bolvar).
Las tcnicas usadas por los geofsicos han ido evolucionado a lo largo de los aos 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 inters econmico. Una de las tcnicas ms
usadas para este propsito son los estudios de ssmica de reflexin, tanto 2D como 3D, al igual
que la perforacin de pozos en la zona y la medicin de registros petrofsicos de las propiedades
de las distintas formaciones objetivos. En este proyecto se estudia una tcnica relativamente
nueva, que permite integrar estudios de pozo con estudios de ssmica a fin de realizar una mejor
caracterizacin del yacimiento.
El mtodo utilizado para la correlacin de ssmica/pozo consta de la generacin de
Transformadas Multiatributos y Redes Neuronales, que permitirn extender la informacin
obtenida en los registros de pozo (Datos Duros) al volumen ssmico, el cual ofrece una
informacin ms regional de la zona de inters.
2.1 Registros de Pozo
Los registros de pozos son los que realmente proporcionan la informacin ms 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 clculos que se realizaron.
13

De los registros disponibles es prudente realizar una descripcin de aquellos que fueron
ms utilizados para el desarrollo del presente informe.
2.1.1 Registro Snico (Onda P)
Estos registros proporcionan informacin sobre el tiempo de trnsito intervlico de una
onda acstica a travs de una formacin, designado como t, el cual es un recproco de la
velocidad (Rider, 2000). A nivel geolgico las variaciones en t estn relacionadas con
variaciones en la litologa, la textura de la roca y la porosidad.
Los registros snicos son usados para evaluar la porosidad de las formaciones, adems
proveen informacin importante para relacionar estudios ssmicos con las velocidades
intervlicas. Tambin juegan un papel fundamental en la generacin de sismogramas sintticos
(Quijada, 2012)
2.1.2 Registros Gamma Ray
Es un registro que permite realizar mediciones de la radiacin natural emitida por la
formacin. La radiacin gamma se produce por elementos que poseen istopos inestables, que al
tratar de llegar a un equilibrio energtico liberan energa en forma de radiacin. Los elementos
ms comunes, con estas caractersticas en rocas, son: uranio, torio y potasio (Rider, 2000).
Existen tambin, registros de gamma ray espectrales, los cuales permiten medir la contribucin
radiactiva, separada de cada elemento.
El registro de Gamma Ray es un registro til al momento de distinguir litologas. En rocas
sedimentarias, altos niveles de radiacin gamma generalmente, corresponden a acumulaciones de
arcillas, ya que los minerales que poseen isotopos radioactivos se acumulan, generalmente, en
estas litologas (Quijada, 2012; Rider, 2000). Es por ello, que para el anlisis de estos registros,
tal como se muestra en la Figura 2.1 se puede estimar una lnea en la que se tiene la mayor
acumulacin de arcillas y otra donde se tenga la menor concentracin de las mismas (mayor
concentracin de arenas o carbonatos, segn el caso).
14

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

2.1.3 Registros de Porosidad Neutrn.
Son registros contnuos de la reaccin de una formacin al bombardeo de neutrones. Las
formaciones influyen la medicin del registro, dependiendo del ndice de hidrgeno 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 petrleo (valores bajos) (Figura 2.2). Ya que, en
presencia de gas, los valores de neutrn disminuyen debido a que su ndice de hidrogeno es bajo.
15

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

2.1.4 Registro de Densidad
Con este registro se evala la densidad volumtrica, que es una medida de la densidad
total de la roca incluyendo los fluidos que sta contenga. Cuantitativamente, se puede usar este
registro para estimar la porosidad e indirectamente calcular de la densidad del hidrocarburo.
Tambin es usado para realizar el clculo de la impedancia acstica y sirve como indicador de
litologa (Quijada, 2012; Rider, 2000).

2.1.5 Tiros de Verificacin (Check Shots)
Son registros que representan una medida directa del tiempo de viaje entre la superficie y
un punto a una profundidad especfica (Quijada, 2012). Las mediciones corresponden al tiempo
de viaje de una onda desde la superficie hasta un punto en profundidad mediante el uso de
gefonos colocados dentro del pozo (Figura 2.3). Esta relacin permite realizar un correcto
amarre de los datos ssmicos con los datos de pozo (Ibdem)

Figura 2. 3 Esquema de medicin para Tiros de Verificacin (Tomado de Regueiro, 2007)
16

2.2 Smica de Reflexin
Es un mtodo utilizado para realizar un mapeo de estructuras o caractersticas
estratigrficas del subsuelo, basndose en el principio de la reflexin de ondas ssmicas. Se miden
los tiempos de llegada de los eventos atribuidos a ondas ssmicas que fueron reflejadas en
interfaces, donde se producen cambios en la impedancia acstica (Sheriff, 2002). Las fuentes
varan entre explosivos, camiones vibradores, martillos, entre otros. Con la informacin 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 adquisicin ssmica convencional y
el fenmeno de reflexin que experimentan las ondas ssmicas.

Figura 2. 4 Esquema de Adquisicin de datos Ssmicos (Tomada de Sheriff, 2002)

2.2.1 Ssmica 3D
Son estudios de ssmica de reflexin que involucran la recoleccin de datos en un rea,
con el objeto de determinar relaciones espaciales en tres dimensiones, lo que optimiza el proceso
de recoleccin de las componentes en lneas de estudios separados (Sheriff, 2002)
El producto principal de los estudios ssmicos 3D son los volmenes ssmicos, los cuales
pueden ser presentados de diferentes formas y permiten una interpretacin espacial ms acertada.
17

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

Figura 2. 5 Cubo Ssmico, resultado de Adquisicin Ssmica 3D (Tomado de Sheriff, 2002)
En general, los estudios en tres dimensiones buscan obtener un alto grado de resolucin
de las superficies geolgicas, estudiadas previamente con la recoleccin de datos en dos
dimensiones (Kearey et al, 2002). De esta forma, Regueiro (2007) establece un patrn lgico en
la gerencia de yacimientos y las tcnicas geofsicas que deben aplicarse para realizar una gestin
eficaz del mismo (Figura 2.6)

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

18

2.3 Atributos Ssmicos
Existen diferentes definiciones para los atributos ssmicos:
Un atributo ssmico es cualquier informacin medida o calculada a partir de los datos ssmicos
(Ruiz, 2011)
Toda la informacin que pueda ser obtenida de los datos ssmicos, sea por medidas directas o
por razonamiento lgico y/o basado en la experiencia (Turhan, 2001)
El enunciado vara dependiendo del enfoque con el cual se est trabajando, en el caso de
este proyecto se tomar la versin ofrecida por Hampson et al en 1999:
Cualquier transformada matemtica de la traza ssmica, la cual puede incorporar o no otras
fuentes de datos
Esta definicin es conveniente, ya que permite introducir el trmino de transformada
matemtica, que no es ms que una funcin que permite definir una operacin (suma, derivada,
integral, etc) sobre una funcin de entrada. Este trmino est relacionado con las transformadas
multiatributos que se explicarn en las prximas pginas de este texto.
De la misma forma en que existen mltiples definiciones para los atributos ssmicos, no
existen menor nmero de clasificaciones para los mismos.
Siguiendo la clasificacin de Chen, los atributos ssmicos pueden dividirse en dos
categoras (Hampson et al, 1997):
Atributos Basados en Horizontes (Horizon-Based Attributes): estos son propiedades
promedios de la traza ssmica entre dos lmites, 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 nmero de muestras
de la traza de entrada.
Los mapas de atributos ssmicos se utilizan para definir la distribucin de los parmetros
de roca involucrados en el clculo de las reservas (porosidad, espesores, etc.). (Regueiro, 2007)
19

En la actualidad, son considerados una de las herramientas ms importantes en la
interpretacin y caracterizacin de yacimientos, debido a que poseen la capacidad de distinguir
rasgos geolgicos y propiedades del yacimiento (Ruiz, 2011)

Es conveniente, adems, hacer una clasificacin extra de los atributos ssmicos. Esta
clasificacin responde a la utilizada por el programa Hampson and Russel, en el cual existe una
distincin 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 ssmica, 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 bsqueda de un operador o trasformada, lineal o no lineal, capaz de
predecir propiedades petrofsicas a partir de atributos ssmicos (Ruiz, 2011).

Segn Hampson et al, 1999, los anlisis multiatributos deben realizarse a partir de
atributos ssmicos, ya que la mayora son no lineales, hecho que aumenta el poder predictivo de
la tcnica.

Matemticamente, se puede resumir lo antes expresado, mediante la siguiente expresin.

(1)

Donde Y es la propiedad a predecir (parmetro de salida); es el operador lineal o no
lineal y X es el atributo ssmico (parmetro de entrada).

20

Existen diferentes formas de determinar relaciones entre parmetros, la forma ms
sencilla es a travs de los grficos cruzados (crossplot), teniendo en cuenta que se deben aplicar
transformadas no lineales (logaritmo, raz cuadrada, etc.) tanto al parmetro objetivo, como al
atributo para mejorar la correlacin entre ambos (Hampson et al, 1999). En este tipo de grficos,
el eje de las ordenadas corresponde a la propiedad objetivo, mientras que el eje de las abscisas
corresponde al atributo con el cual se est comparando la propiedad (Figura 2.7). Es importante
tomar en cuenta que este proceso slo 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 verificacin), con un
intervalo de muestro igual que el del atributo con el cual se est comparando (Cedillo, 2003)

2.4.1 Regresin Lineal Atributo Simple
Una de las formas ms 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 distribucin de puntos mediante la ecuacin de una recta, definida por la
tendencia ms general de la nube de puntos (Figura 2.7)

Figura 2. 7 Grfico Cruzado Onda P vs Gamma Ray. Regresin Lineal (La Roja)
Si se supone una regresin lineal de los parmetros mostrados en la figura anterior, se
puede modelar la distribucin de puntos con la siguiente ecuacin:
21

(2)

Donde los coeficientes a y b de la ecuacin 2, se calculan por la minimizacin del error de
prediccin promedio cuadrado (Ibdem), cuya ecuacin est dada por:

(3)

Siendo N el nmero de puntos del grfico.

El valor del error de prediccin, E, permite obtener una medida de la calidad del ajuste
realizado. La correlacin normalizada es una medida equivalente (Hampson et al, 1999) cuya
ecuacin es la expresin:

(4)

Donde los coeficientes estn dados por las expresiones

(4.1)

(4.2)

(4.3)

(4.2.1)

(4.3.1)

22

2.4.2 Regresin Lineal Multi-Atributos
Es una extensin del mtodo 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 ms cercano al registro objetivo, teniendo en cuenta el mtodo de los mnimos
cuadrados (Hampson et al, 1999).

En trminos matemticos, se puede realizar una regresin 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 expresin, los cuales se
calculan, nuevamente, en trminos de la minimizacin del error de prediccin al cuadrado
(ecuacin 6)

(6)

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

Figura 2. 8 Esquematizacin del proceso de Regresin Lineal Multiatributos, donde se observa la
relacin entre los atributos externos y el registro objetivo (Tomado de Ruiz, 2011)
23

En la Figura 2.8, se observa cmo cada muestra de los atributos ssmicos (A
1,
A
2
, A
3
) guarda una
relacin 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 ecuacin 7 puede ser reescrita en notacin matricial como sigue:

(7.1)

Donde la entrada A
ij
representa la j-sima muestra del i-simo 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 incgnitas.

Si se resuelve el sistema de ecuaciones 7.1 y se aplica el mtodo de mnimos cuadrados se
deduce que:

(9)

24

Cuya solucin 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
ecuacin 6 es una medida de la bondad del ajuste, al igual que la correlacin normalizada descrita
por la ecuacin 4 donde, la coordenada x corresponde con los valores del registro estimado y la
coordenada y es el valor del registro original (Cedillo, 2003)
2.4.3 Operador Convolucional (*)
El operador convolucional es una solucin terica dada a la diferencia que existe entre los
contenidos de frecuencias de los registros de pozo y la data ssmica (Figura 2.9). Como el
objetivo de este estudio consiste en encontrar una funcin de prediccin que permita relacionar
los atributos calculados a partir de la ssmica con los datos de pozo, se debe corregir dicho
problema para que la correlacin entre ambos conjuntos de datos, sea ptima.

Figura 2. 9 Esquematizacin de la diferencia de contenidos de frecuencia entre los registros de
pozo y los datos Ssmicos (Tomado de Ruiz, 2011)
25

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

Figura 2. 10 Esquematizacin 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 clsico, partiendo de la premisa de que los
atributos ssmicos estn relacionados con la ondcula original de la ssmica. En general, para
cualquier registro de pozo, se puede esperar que la ondcula enmascare los efectos de cada
muestra sobre un rango contnuo de muestras ssmicas (Hampson et al, 1999)
Si se agrega esta nueva consideracin a los clculos, antes detallados, la ecuacin 5 se
reescribe de la siguiente forma:

(11)
Donde w
0
es una constante y w
i
son los operadores con una longitud especfica. Como se
observa en la ecuacin 11, el nmero de atributos ha aumentado:
N
c
= (Nmero de atributos Operador de longitud) + 1 (11.1)
Donde N
c
es el nmero de coeficientes.
26

Al aumentar el valor del operador de longitud, el error de prediccin 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 mediante la
minimizacin del error de prediccin promedio elevado al cuadrado, ecuacin 12

(12)
La inclusin del operador convolucional es equivalente a introducir una serie de nuevos
atributos, lo cuales son versiones desplazadas en tiempo de los atributos originales (Ibdem).

2.4.4 Regresin de Paso Aprendido
Una vez determinados los operadores que permiten realizar un clculo ptimo de las
transformadas multiatributos, en trminos del error de prediccin medio cuadrado, el siguiente
paso consiste en determinar la mejor combinacin de K atributos que se puede usar a partir de un
conjunto de N atributos.
Existen diferentes metodologas para realizar tal tarea, una de ellas se basa en realizar una
Bsqueda Exhaustiva, es decir, probar todas las posibles combinaciones de K atributos del
conjunto N. La mejor combinacin ser aquella cuyo error de prediccin sea el menor. El
problema del mtodo de Bsqueda Exhaustiva es que el tiempo de cmputo es muy grande lo
cual lo convierte en un mtodo poco prctico (Todorov, 1999).
Todorov (1999) expresa que una forma ms rpida de determinar la mejor combinacin de K
es la sealada por Draper y Smith en 1981, denominada Regresin de Paso Aprendido (Step-wise
Regression). La premisa de este mtodo es que si se conoce la mejor combinacin de K atributos,
se sabe tambin cual es la mejor combinacin 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 combinacin (Hampson et al, 1999). La regresin se puede realizar
en los siguientes pasos:
27

a. Encontrar el mejor atributo simple mediante Bsqueda Exhaustiva, de la lista de atributos
disponibles, este atributo ser aquel cuyo error de prediccin 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 prediccin, 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
, as se tendr [A
1
, A
2
, A
3
]
d. Anlogamente, se busca la combinacin de los mejores k atributos [A
1
, A
2
, A
3
,, A
K
].
Desde un punto de vista terico, la combinacin obtenida ser la que tenga el menor error
de prediccin en trminos del error promedio al cuadrado (Todorov, 1999). El problema con este
mtodo es que no se puede asegurar que la solucin obtenida sea la ptima, slo se puede afirmar
que cada atributo adicional agregado, posee un error de prediccin menor o igual al de la
combinacin anterior (Ruiz, 2011).
Otra de las ventajas de esta metodologa es que evita el hecho de tener que determinar
cul de los atributos es linealmente independiente. Esto se debe a que la Regresin de Paso
Aprendido elige automticamente una contribucin perpendicular a la obtenida en el paso
anterior, debido a que si se eligiera una funcin linealmente dependiente su contribucin seria
cero (Hampson et al, 1999).

2.4.5 Validacin Cruzada (Cross Validation)
Al aumentar el nmero de atributos se puede esperar que disminuya el error de prediccin,
de hecho disminuyen asintticamente. Sin embargo la adicin de nuevos atributos puede ser
intil e incluso desmejorar la calidad del anlisis (Quijada, 2012). Este fenmeno se denomina
Sobre-Entrenamiento (Figura 2.11).
28

Figura 2. 11 Error promedio vs Nmero de atributos. Lnea roja= error de validacin. Lnea
negra= error promedio (Modificado de Hampson et al, 1999)

Como se puede observar en la Figura 2.11, la lnea de color negro, representa el error
promedio, el cual disminuye a medida que aumenta la cantidad de atributos, sin embargo el error
de validacin comienza aumentar a partir del atributo 4, producto del sobre entrenamiento del
sistema.
Existen numerosas tcnicas que pretenden evitar este fenmeno, una de ellas es la
validacin cruzada. Este proceso ofrece informacin sobre la cantidad de atributos que se pueden
usar (Todorov, 1999).
La validacin cruzada consiste en excluir un pozo, de los utilizados en el anlisis, 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 validacin entre el registro real y el predicho (Ibdem) (ecuacin 13)

(13)
Donde m son las medidas del registro; p las muestras predichas; N el nmero de muestras.
El proceso de validacin es repetido tantas veces como pozos se hayan incluido en el
anlisis. De esta forma, el error de validacin total ser el error promedio de la raz cuadrada
media de los errores individuales (Hampson et al, 1999)

(14)
29

Donde E
v
es el error total de validacin
e
vi
es el error de validacin para le i-simo pozo
N el nmero de pozos incluidos en el anlisis.

2.5 Redes Neuronales
Hasta ahora, se ha discutido las formas de obtener una relacin funcional entre la
propiedad predicha y los atributos externos. En el caso de buscar una relacin no lineal se podra
aplicar una transformada no lineal, ya que stas aumentan el poder predictivo del mtodo
explicado con anterioridad. Dichas transformadas pueden calcularse mediante el uso de las Redes
Neuronales Artificiales (Todorov, 1999)
De forma general, una Red Neuronal Artificial (comnmente llamadas Redes Neuronales)
consiste en un conjunto de componentes electrnicos o programa de computacin 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 ptimo funcionamiento de las redes neuronales, se emplea una
interconexin masiva de unidades de procesamiento, llamadas neuronas, usando la jerga definida
por Haykin en 1999 (Garca, 2005)
Las redes neuronales son similares al cerebro humano en dos aspectos bsicos (Garca, 2005):
El conocimiento es adquirido por la red a travs de un proceso de aprendizaje.
Las fuerzas de conexin entre las neuronas, conocido como pesos sinpticos, son
utilizadas para almacenar el conocimiento.
La forma en que se ejecuta el proceso de aprendizaje es denominado algoritmo de
aprendizaje, cuya funcin es modificar los pesos sinpticos de la red para obtener el diseo
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 sinpticos 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 ondcula ssmica particular
6. Utiliza la validacin cruzada como medida de la bondad del ajuste.

2.5.1 Modelo de una neurona
En la jerga de las redes neuronales, una neurona est definida como una unidad de
procesamiento de informacin fundamental para la operacin de estos sistemas (Garca, 2005)
Los modelos neuronales estn constituidos por tres aspectos bsicos:
1. Un grupo de sinpticos o conectores, los cuales estn caracterizados por un peso o fuerza.
2. Un sumador de las seales de entrada, la cual considera los pesos de la respectiva sinapsis
de la neurona. Esta operacin constituye un combinador lineal.
3. Una funcin de activacin, que sirve para limitar la amplitud de la salida de una neurona.
Esta funcin tambin recibe el nombre de Funcin 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.

Figura 2. 12 Modelo de Red Neuronal con una Neurona (Tomado de Garca, 2005)
31

Matemticamente, lo anterior puede expresarse mediante las siguientes relaciones:

(15)

(16)
Donde x
1
, x
2
,, x
m
es la seal de entrada, w
k1
, w
k2
,, w
km
son los pesos sinpticos de la
neurona k, u
k
es la salida del combinador lineal, b
k
es el valor externo (denominado bias) cuya
funcin es cambiar la funcin de activacin independiente de la seal de entrada, es la
funcin de activacin y
es seal de salida de la neurona (Garca, 2005)

La funcin de activacin define la salida de una neurona en trminos del nivel de
actividad de sus entradas (Ruiz, 2011). Generalmente, estas funciones son de tipo sigmoidal, las
cuales estn definidas como una funcin estrictamente creciente que muestra un suavizado y
propiedades asintticas (Ibdem). Como ejemplo de estas funciones se pueden observar:

(17)
Funcin logstica de rango [0,1] contnuo

(18)
Funcin Tangente hiperblica de rango [-1,1] asimtrica 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 slo 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 conocer la naturaleza del resultado, lo que dificulta la correcta interpretacin del mismo
(Garca, 2005; Ruiz, 2011)
32

2.5.2.2 Aprendizaje Supervisado
Son los ms utilizados. Los datos de entrenamiento lo constituyen pares de patrones de
entrada y de salida (Garca, 2008). La finalidad consiste en que la red determina la relacin 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 est comportando adecuadamente, mediante
la comparacin entre la salida producida y la esperada (Garca, 2008; Ruiz, 2011).
2.5.3 Arquitectura de las Redes Neuronales
De forma general las redes neuronales estn 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 sinptico y las capas, as como la
forma en que estos interactan entre s (Haykin, 1999).
A nivel geofsico, las arquitecturas ms usadas son las siguientes:
2.5.3.1 Red Neuronal Multi-Capa entrenada por retro-propagacin (MLFN)
Las Redes Neuronales Multi-capas entrenadas por retro-propagacin (MLFN, por sus
siglas en ingles: Multi Layer Feedforward Networks) son una de las redes ms usadas en el
mbito geofsico (Tomado de H&R Assistant). Estas redes consisten en un conjunto de neuronas
o nodos que estn organizadas en dos o ms 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 ms capas ocultas (Figura 2.13).

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 tendr un nmero de nodos igual al nmero de
atributos. La cantidad de nodos aumenta en el caso de que se use un operador convolucional, en
tal caso el nmero de nodos est dado por la siguiente relacin:
(19)
Tericamente, a mayor nmero de nodos y de iteraciones el error del entrenamiento debe
aproximarse a cero, sin embargo, esto puede ser contraproducente y fomentar el fenmeno de
sobre entrenamiento, agregando ruido y detalles irrelevantes de casos individuales (Todorov,
1999). En los siguientes grficos (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 nmero de nodos:

Figura 2. 14 Comportamiento de las MLFN en funcin de la cantidad de Nodos en la capa
escondida, a mayor nmero 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 s, la regresin se vuelve no estable (Cedillo,
2003)
La capa de salida estar compuesta siempre por un nodo, debido a que el objetivo es
predecir una sola propiedad petrofsica. Segn Hampson, la cantidad de nodos en la capa oculta
ir variando gradualmente con la experiencia de la red (Quijada, 2012)
34

El proceso de entrenamiento consistir en determinar los pesos ptimos 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 estimacin de los pesos puede ser considerado un problema de
optimizacin no lineal, cuyo objetivo es minimizar el error cuadrtico medio entre el registro
objetivo y los valores del registro predicho (Ibdem).
Tradicionalmente, este problema era resuelto mediante la retro-propagacin, el cual es una
forma de gradiente descendiente, sin embargo, actualmente estas redes no usan la retro-
propagacin, ya que sta converge muy lentamente. En su lugar, se utiliza el mtodo del
Gradiente conjugado, el cual es un algoritmo utilizado para resolver sistemas de ecuaciones
lineales, iterativamente. Estos sistemas deben ser matrices simtricas.
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 direccin de mayor aumento de
una variable, resultando nulo en puntos donde se tengan mximos o mnimos locales (Tomado de
H&R Assistant). El problema con el gradiente conjugado es que es incapaz de discriminar entre
un mnimo local y el mnimo global (Ruiz, 2011), tal como se muestra en la Figura 2.15

Figura 2. 15 Esquematizacin de Gradiente conjugado (Tomado de Ruiz 2011)
35

Las funciones de error son de comportamiento complicado y contiene gran cantidad de
mnimos locales. La solucin es buscar un algoritmo que encuentre la forma de escapar de los
valles de los mnimos locales para encontrar el mnimo global.
Uno de estos algoritmos es el de Recocido Simulado (Simulated Annealing) (Ruiz, 2011).
Se utiliza para problemas de optimizacin global. Cada paso del algoritmo compara el punto
actual con varios puntos al azar para encontrar el valor de error ms bajo, es decir, error
cuadrtico medio. La distancia de bsqueda se limita a un mximo, dado por la desviacin
estndar del generador de nmero aleatorio. Cuando la bsqueda se ha realizado en un rea,
suficientemente grande, este mtodo evita los mnimos locales a causa de la bsqueda aleatoria
(Tomado de H&R Assistant).

Figura 2. 16 Esquematizacin de Algoritmo de Recocido Simulado, donde se muestra el rea de
evaluacin (lneas negras) para el reconocimiento de mnimos globales (Modificado De H&R
Assistant)

Sin embargo, este proceso es ms lento que el algoritmo de Gradiente Conjugado, por
tanto, se aplican ambos para optimizar el proceso, de esta forma el programa utilizado para la
realizacin de este proyecto se basa en la aplicacin del siguiente flujograma:
36

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

Segn Ruiz (2011), las MLFN pueden trabajar con dos mtodos:
Mapeo, el cual permite predecir el valor del registro objetivo
Clasificacin, el cual permite predecir un valor intervlico.
Para la elaboracin del presente trabajo se utiliz el mtodo del Mapeo, en la prediccin
de los registros de Onda P.
2.5.3.2 Red Neuronal Probabilstica (PNN)
Las Redes Neuronales Probabilsticas, PNN, por sus siglas en ingles (Probalistic Neural
Networks) son en realidad un esquema de interpolacin matemtica, que utiliza una arquitectura
de red neuronal para su ejecucin (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
ssmica en la ventana de anlisis de todos los pozos:

Donde se tiene n ejemplos de entrenamiento y tres atributos disponibles. Los valores de
L
i
son las medidas del registro objetivo para cada uno de los ejemplos (Ibdem).
Las PNN calculan las nuevas salidas, suponiendo que cada nuevo registro de salida puede
describirse como una combinacin lineal de los valores de los registros en los datos de
entrenamiento (Ibdem). En trminos matemticos, 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 a
variables independientes y L, el escalar que representa la variable dependiente, los datos de
entrada de la red sern entonces las variables independientes mientras que la salida ser la
variable dependiente (Ruiz, 2011).
De esta forma lo que se busca es determinar la variable dependiente L en la ubicacin
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
j
, la cual puede ser diferente para cada uno de los atributos
(Hampson et al, 1999).
Las relaciones 20 y 21 definen la aplicacin de la PNN. El entrenamiento de la red
consiste en determinar el conjunto ptimo de parmetro de suavizado
j
.
Cuando una red probabilstica es entrenada, el objetivo es determinar las sigmas que
reduzcan el error de validacin. Existe una sigma para cada entrada de atributos. Nuevamente,
este nmero aumenta en caso de utilizar un operador convolucional, en un factor igual al nmero
de puntos del operador usado (e.g si se tiene un operador de longitud de 5 puntos y 3 atributos, el
nmero de sigmas ser de 3x5= 15) (tomado de H&R Assistant). Determinar estas sigmas es un
problema de optimizacin no lineal.
El criterio para determinar estos parmetros es que la red obtenida tenga el menor error de
validacin.
El resultado de la validacin para la m-sima muestra objetivo est definido por:

(22)
Conociendo este valor se puede calcular el error de prediccin para esa muestra. Iterando
este proceso para cada una de las muestras de entrenamiento se obtiene el error de prediccin
total de los datos de entrenamiento, como:

(23)
El error de validacin, como se muestra en la ecuacin 23, depende de
j
. Esta cantidad
puede ser minimizada de diferentes formas, una de ellas es mediante la aplicacin 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 ser el punto de inicio.
La ventaja es que la red resultante tiene la propiedad de que el error de validacin 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).

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)

Segn Hampson (1999), la mayor limitante de las PNN es que sta lleva todos los datos
de entrenamiento consigo y compara cada muestra de salida con la muestra de entrenamiento, lo
que hace que su aplicacin sea ms lenta que las redes MLFN, por ejemplo.
En el caso de las redes PNN y MLFN la validacin de la red consiste en la extraccin
secuencial de un registro de pozo del entrenamiento y la minimizacin de la funcin de error
(Misra et al, 2011).

CAPTULO 3
METODOLOGA

El proyecto fue desarrollado en las siguientes etapas:
Etapa 1. Revisin Bibliogrfica
En esta etapa se recolect y compil material bibliogrfico disponible sobre los aspectos
terico-prcticos que involucra el desarrollo del presente proyecto de tesis. Dicha informacin
permiti la compresin de los diferentes aspectos que involucra el proyecto y conforma la base
terica en la que se sustenta el mismo.
Etapa 2. Revisin y Edicin de los Datos
Finalizada la etapa 1 se procedi a la revisin de los datos con los que se contaba para la
elaboracin del proyecto de tesis. Este paso permite tener un primer contacto con los datos, para
determinar la estrategia ms adecuada para aplicar el mtodo que se estudi 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 distribucin espacial se presenta en la Figura 3.1

4
1

Tabla 3. 1 Registros de Pozos disponibles en el rea de Estudio
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- acstico.
NPHI: Neutron Compesado
DPHI: Porosidad por Densidad.
RHOB: Densidad de Bulk.
DELT: Sonico de onda P
42

4
1

Figura 3. 1 Distribucin espacial de los Pozos en el rea de estudio

Se cont, adems, con cubo ssmico que cubri un rea aproximada de 20 mi
2
(Figura 3.2).
Este conjunto de datos contiene 261 lneas con 201 trazas cada una. El rango de tiempo es de 0 a
4 segundos con una tasa de muestreo de 4ms. El valor mximo de amplitud es 32,766, mientras
que la amplitud mnima es de -32,768, para un valor de amplitud promedio igual a 3,61.
El volumen ssmico consiste en bins de 110 ft apilados, con los valores inline aumentando
de oeste a este y las lneas Crossline aumentando de Sur a Norte (Major et al, 1998). Las
coordenadas de las esquinas del rea de adquisicin se muestran en la Tabla 3.2
43

4
1

Tabla 3. 2 Coordenadas del Estudio de Ssmica 3D

Adems, se incluye un tiro de verificacin (Check Shot), medido en el pozo 37, el cual
permite realizar la conversin de profundidad a tiempo para correlacionar los registros de pozo
(en el dominio de la profundidad) con los datos ssmicos (dominio del tiempo).

Figura 3. 2 Esquematizacin de la geometra de adquisicin ssmica.

Etapa 3. Generacin de Resultados
Los resultados presentados en este proyecto se obtuvieron en tres fases:
44

4
1

Fase I, comprendida por la prediccin de velocidades ondas longitudinales en registros de
pozo a partir de registros de pozo, mediante la aplicacin de transformadas Multiatributos
y Redes Neuronales.
Fase II, donde se relacionan los datos de pozo con los datos ssmicos, mediante el uso de
las Transformadas Multi-atributos y Redes neuronales a partir de atributos ssmicos.
Fase lll, que consisti en extender los resultados obtenidos en la Fase II al volumen
ssmico disponible, para obtener un pseudo volumen de onda P.
Fase I
De los pozos disponibles se revisaron y seleccionaron los registros de pozo que podan ser
de inters para la prediccin de registros de Onda P a partir de otros registros disponibles (e.g
Porosidad Neutrn, Densidad, Gamma Ray, etc.) y se verific qu intervalo de profundidad
cubran, con el fin de determinar si concordaban con las profundidades que se deseaban estudiar,
mediante la revisin de los archivos que contenan los datos recolectados en los pozos. Dicho
intervalo se defini 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 Formacin
Fusselman, Formacin Thirtyone y Las Calizas indiferenciadas del Misisipiense (Figura 1.3)
Debido a que se cont con una cantidad limitada de datos, fue necesario variar el intervalo
de inters a fin de usar la mayor cantidad de registros disponibles, ya que entre los clculos que
se presentarn en el Captulo de Resultados se encuentra el entrenamiento de Redes Neuronales y
Transformadas Multiatributos, para predecir registros de pozos a partir de otros registros, lo cual
slo 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 cuestin y con los registros en que se basa la
prediccin en el mismo intervalo de profundidad, de lo contrario no se podr realizar el
entrenamiento. Es por ello que se realiz un inventario de pozos y de los registros disponibles en
cada uno de ellos, a fin de introducir en el programa los datos que ste requiere para su correcto
funcionamiento. Los intervalos creados variaron, adems, por zonas ya que el rea de estudio es
estructuralmente compleja y en algunos casos los estratos se encontraban a profundidades
distintas (variaciones aproximadas de 100 ft de profundidad 30 m). Los intervalos definidos con
este fin se presentan en la Tabla 3.3.
45

4
1

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 edicin de los pozos tambin es importante eliminar los elementos nulos en los
registros, ya que estos valores afectan los resultados del coeficiente de determinacin mltiple 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 dispersin anmala en la distribucin de
puntos del grfico cruzado, lo que cambia la pendiente y, en general, la ecuacin de la recta que
se est ajustando, afectando as el poder de prediccin del entrenamiento. Un ejemplo de esta
situacin se presenta en la Figura 3.1, donde se comparan los ajustes obtenidos para el caso de
grficos con puntos nulos y grficos donde se eliminaron dichos valores.

46

4
1

Figura 3. 3 Comparacin entre grficos cruzados. Figura superior sin eliminacin de valores
nulos. Figura inferior corregida.

El mdulo Geoview del software H&R permite al usuario crear una base de datos con los
pozos y sus registros, para poder usarlos en otros mdulos del programa. Al realizar este proceso
(que se explica en detalle en las prximas lneas) 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 automticamente,
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 dispersin en el grfico del registro y,
por ende, afecta el clculo de las transformadas (Figura 3.3), por ello se debieron definir
47

4
1

diferentes ventanas de procesamiento, con el fin de usar la mayor cantidad de datos, tal como se
mencion anteriormente. Esto es reiterado debido a que la edicin de los pozos es importante
para obtener resultados correctos. En algunos casos la edicin debi repetirse varias veces hasta
encontrar el intervalo adecuado.
Luego se procedi a realizar la Carga de Datos. Durante la realizacin del trabajo se us la
licencia de Hampson and Russell, versin CE8, la cual contiene diversos mdulos que permiten
al usuario realizar diferentes tareas que involucran el procesamiento de datos Ssmicos y de
Pozos (generacin de sismogramas sintticos, clculo de atributos ssmicos, entrenamiento de
redes Neuronales, etc.).
Para usar el programa fue necesario cargar los registros de pozo en una base de datos, sto
se realiza en el mdulo Geoview del programa antes mencionado. La base de datos se genera
leyendo los archivos de los registros de pozo a travs de diferentes ventanas de dilogo, que
permiten al usuario modificar, nombrar e introducir diferentes datos que sean de inters (e.g
Nivel de referencia, identificacin de los Nemnicos, Identificacin de Unidades, etc.). Con esto
se cre un archivo de extensin .wdb (Base de datos), que estuvo disponible para realizar
ediciones posteriores. Una vez cargados los registros de pozo se activ la ventana Well
Explorer de Geoview donde se observaron los registros de pozo, se definieron las ventanas de
procesamiento y se corrobor el estado de los datos, mediante los grficos de los registros
(Figuras 3.4 y 3.5).

Figura 3. 4 Interfaz grfica del Programa H&R. Activacin del Mdulo Well Explorer
48

4
1

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

El siguiente paso consisti en la Generacin de Transformadas Simples, Transformadas
Multi-atributos y Redes Neuronales a partir de Registros de Pozo.
Esta etapa const de la generacin de los diferentes clculos, descritos en el MARCO
TERICO, que permitieron predecir los registros snicos onda P. Para realizar estas operaciones
se us el mdulo Emerge del programa Hampson and Russell.
Este mdulo permite predecir registros de pozo a partir de otros registros y/o de atributos
extrados de la ssmica. En esta fase, slo se realiz la prediccin de registros de pozo a partir de
otros registros. Se debe tener en cuenta que los registros de pozos involucrados en el clculo
deben coincidir en el mismo intervalo de profundidad (incluyendo la propiedad objetivo).
Primero, se importaron los datos desde la base de datos al mdulo Emerge. Luego se
activa la opcin 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 slo un pozo y los registro disponibles para el
mismo, no se puede calcular el error de validacin, ya que, como se explic en el Capitulo
49

4
1

MARCO TERICO, este error se calcula sacando un pozo del entrenamiento y comparando la
transformada obtenida con los datos originales del pozo. Por ende, si slo se cuenta con un pozo,
este proceso es irrealizable.
Posteriormente, se generaron grficos cruzados de la propiedad objetivo contra el registro
con el cual se estaba comparando, sto permiti observar cul de los registros disponibles se
correlacionaba mejor con el registro objetivo en trminos del Error del Entrenamiento y el valor
de Correlacin. Con esta primera aproximacin, se generaron listas de Transformadas Simples de
Atributos, las cuales permitieron ver la correlacin entre los atributos externos y la propiedad
objetivo, tomando en cuenta transformadas no lineales para mejorar la prediccin (e.g Log,
funcin inversa, raz cuadrada, etc.). Seguidamente, se generaron las listas Multi-atributos,
mediante la aplicacin de la regresin de Paso Aprendido.
Estas transformadas son sensibles a dos cantidades importantes: el operador de longitud y
el nmero de atributos. Es por ello que durante la creacin de las transformadas multiatributos se
probaron diferentes operadores de longitud. Para ello, el mdulo Emerge tiene la opcin de
chequear diferentes operadores de longitud, simultneamente, con el fin de permitirle al usuario
decidir qu operador es el adecuado. Antes de realizar el entrenamiento con las redes neuronales,
se procedi a realizar pruebas con diferentes operadores de longitud, los cuales variaron segn la
particularidad de cada pozo. Un ejemplo de estos grficos se muestra en la Figura 3.6.

Figura 3. 6 Grfico de error en funcin del operador de longitud, para una Transformada
Multiatributos, donde se observa que el menor error corresponde a un operador de un punto.
50

4
1

Se escoge la longitud de operador cuyo error de entrenamiento fuera menor y con la
mayor correlacin.
En el caso del nmero de atributos, se calcul la transformada y luego mediante la
produccin de grficos de error contra el nmero de atributos, se determin el nmero adecuado
de atributos a utilizar (Figura 3.6). Debido a la naturaleza de los clculos involucrados en la
generacin de la transformada Multi-atributos, es posible notar que, a mayor nmero de atributos,
menor error de entrenamiento se obtendr. Sin embargo, esto puede sobre-entrenar el sistema, lo
que significa que la transformada obtenida no funcionar adecuadamente para datos diferentes a
los del entrenamiento original. La forma de determinar si existe o no sobre-entrenamiento es
mediante el clculo del error de validacin. Nuevamente, esto slo es posible en casos donde el
entrenamiento involucre al menos dos pozos.
Para la prediccin de Velocidad de Onda P, se usaron registros de induccin elctrica,
gamma ray, densidad y porosidad-Neutrn, as como cualquier registro que ayudara a disminuir
el error de prediccin.
En la Tabla 3.4, se puede observar que el nmero 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 validacin (Validation Error).
Tabla 3. 4 Lista de Transformadas Multi-atributos

Se puede observar lo anterior generando grficos, donde se muestra el error de validacin
junto con el error de prediccin (Figura 3.7).
51

4
1

Figura 3. 7 Grfico de Error, donde se muestra: Rojo Error de Validacin; Negro error promedio
en funcin del nmero de atributos, donde se muestra sobre-entrenamiento a partir de 2 atributos

En la Figura 3.7, se muestra que el error de entrenamiento (lnea negra) disminuye con el
nmero de atributos, mientras que el error de validacin (lnea roja) aumenta a partir del segundo
atributo, lo que indica que el sistema se est sobre-entrenando.
Las Transformadas Multi-atributos generadas, con la regresin 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 prediccin de la transformada, ya que es una forma
computacionalmente ptima de realizar regresiones no lineales del conjunto de datos que fueron
comparados en los grficos cruzados (Figura 3.8), segn lo expresado por Hampson et al, 1999.
52

4
1

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

Las redes neuronales utilizadas fueron:
Red Neuronal Multicapa por Retro propagacin (MLFN)
Red Neuronal Probabilstica (PNN)
En el caso de la MLFN, sus parmetros de entradas son las transformadas multiatributos;
sin embargo, fue necesario determinar, por medio de pruebas, parmetros como el nmero de
nodos de la capa oculta (se probaron valores entre 1 y 10) y el nmero 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 grficos cruzados respectivos y el error de validacin
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 empricas, el
nmero de Sigmas e iteraciones de la red.
Los mejores resultados obtenidos con estos procedimientos se presentarn en el captulo
de resultados.
53

4
1

Fase II
En esta fase el objetivo fue obtener transformadas multiatributos a partir de atributos
ssmicos, para predecir registros de onda P, lo que permiti realizar un cubo de Onda P una vez
que fue extendida la relacin al volumen ssmico disponible.
Como se mencion, se cuenta con un volumen ssmico 3D apilado, el cual fue digitalizado
en formato SEG-Y en un archivo denominado Wahapub.sgy
El primer paso fue realizar la conversin tiempo profundidad de los registros de onda P
disponibles, para ellos se us el mdulo Elog de Hampson and Russell. Se us un tiro de
verificacin (Check Shot) medido en el pozo 37. Para realizar este proceso fue necesario cargar el
archivo del tiro de verificacin 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 utiliz, 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 informacin geolgica recolectada del rea indica que se trata
de una zona de alta complejidad. Sin embargo, no se cont con ningn otro tiro de verificacin.
Luego, se realiz un filtraje de los registros de pozos que fueron utilizados para la generacin de
las transformadas multiatributos. En esta etapa se aplic un filtro Paso Banda para eliminar las
altas frecuencias (50 a 60 Hz) de los registros de pozo y de esta forma mejorar la correlacin
ssmica/pozo. El filtraje fue realizado slo para los registros de onda P, con el fin de evitar
modificar los dems registros disponibles en cada pozo. Este procedimiento se repiti para todos
los pozos utilizados. Como se mostrar en el captulo 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
smicos. Los registros corregidos se guardaron y exportaron a la base de datos, para que
estuvieran disponibles en cualquier otro mdulo que se requiriera.
El siguiente paso fue el clculo de los diferentes atributos ssmicos que seran la base de
las transformadas. Para este proyecto se utilizaron diferentes atributos, lo cuales fueron elegidos,
54

4
1

por ser de uso frecuente en la bibliografa consultada y por poseer caractersticas que fueran
fsicamente afines a la propiedad que se estaba buscando predecir.
A continuacin 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 Instantnea
Derivada de la Amplitud Instantnea
Derivado
Derivada Instantnea
Fase Instantnea
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 Instantnea
Frecuencia Promedio
Integral
Integral de la Amplitud Absoluta
Polaridad Aparente
Segunda Derivada
Segunda Derivada de La Amplitud Instantnea
Tiempo
Traza Cuadratura
55

4
1

La lista mostrada en la Tabla 3.5, fue incrementada aplicando operaciones matemticas no
lineales como: exponencial, logaritmo, funcin inversa, etc.
Generada la lista de atributos se procedi a cargar los datos ssmicos en el mdulo antes
citado. Al momento de realizar este procedimiento se tuvieron en cuenta los siguientes factores:
Geometra de Adquisicin: se debe tener la ssmica georreferenciada, para que la
correlacin entre la ssmica y el pozo pueda llevarse a cabo con eficiencia. Esto implica
que tanto la ssmica como los registros deben estar en el mismo sistema de coordenadas.
Se le debe indicar al programa cul de los volmenes ssmicos 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 tomarn de la ssmica para
correlacionar con los datos de pozo. En el caso de este proyecto, se tom un radio de uno
(1) lo que da un promedio de nueve (9) trazas por punto, ya que con esta aproximacin el
not que amentaba el valor de correlacin entre los datos de pozo y los datos ssmicos.
Con los datos cargados en Emerge el procedimiento es similar al que sigui 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 verific que el operador de
longitud y el nmero de atributos fuera el mejor. En el caso de las redes neuronales se realizaron
las pruebas con los parmetros correspondientes (sigmas, cantidad de nodos, etc.)
Fase III
El paso final fue extender la transformada obtenida (la arroj el mejor resultado) a todo el
volumen ssmico para generar el volumen de la propiedad objetivo. Con la intencin de realizar
un anlisis comparativo, se extendieron al volumen ssmico los resultados obtenidos para la
mejor transformada Multi-atributo, red Probabilstica y la red de Multicapas por retro-
propagacin.
Para realizar la extensin de las transformadas se activ el botn ssmica del men
principal del mdulo emerge y se eligi la opcin mostrar ssmica (Display seismic) (Figura
56

4
1

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

Figura 3. 9 Men principal del Mdulo Emerge de H&R, donde se muestra el procedimiento
para la extensin de las transformadas al volumen ssmico

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

Figura 3. 10 Men Procesos, Mdulo Emerge. Proceso de extensin de la transformada al
volumen ssmico.
57

4
1

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

Figura 3. 11 Ventana de Parmetros de Salida, Mdulo Emerge
Generado el cubo de onda P se procedi a realizar la interpretacin de los resultados
obtenidos. Es importante hacer notar que, cualquier tcnica geofsica que se aplique para el
procesamiento de un conjunto de datos, comprueba su efectividad cuando los resultados
obtenidos tienen alta correlacin con la geologa presente en el rea de estudio.

CAPTULO 4
RESULTADOS

Para la presentacin de los resultados se seguir el patrn descrito en el captulo anterior,
de tal forma que se presentarn los productos obtenidos para las Transformadas Simples, las
Transformadas Multi-atributos, las Transformadas Multi-atributos entrenadas por Redes
Neuronales y, finalmente, la aplicacin de los dos ltimos al volumen ssmico.
4.1 Transformadas Simples y Transformadas Multiatributos en un Pozo
Con la finalidad de determinar qu registros de pozo eran ms 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 categora se han agrupado las transformadas simples obtenidas dentro de un pozo
usando como atributos externos registros presentes en el mismo pozo. Se mostrarn 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 inters, el Pozo 37 es el
nico 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-Neutrn, los cuales se muestran en la Figura 4.1
59

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

Como se mencion con anterioridad, los intervalos donde se calcularon las transformadas
corresponden a intervalos en los cuales se cont con la mayor cantidad de atributos externos
disponibles y que coincidiera con la profundidad de inters.
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 Correlacin
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 grficos cruzados con los mejores resultados, en cuanto a la correlacin cruzada y al
error de entrenamiento, se muestran en la Figura 4.2

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

Como se muestra en la Figura 4.2, la mejor correlacin se obtuvo entre el registro de
Onda P y el registro de Gamma Ray, lo cual es de esperarse ya que, ambos registros estn
relacionados a cambios litolgicos. Ntese que, para determinar la mejor correspondencia entre
los registros utilizados, se han incluido relaciones matemticas no lineales, en este caso Raz
Cuadrada (Sqtr) para aumentar el poder de prediccin del mtodo. Es importante mencionar que
en la figura anterior se muestra una relacin meramente matemtica; esto quiere decir que puede
presentarse el caso en que, por algn factor aleatorio, un registro sea totalmente correlacionable
con otro registro, aunque, en cuanto a su significado fsico, sean totalmente distintos. Por esto es
necesario, no slo discriminar entre los registros con mayor correlacin y menor error, sino entre
cules son los que realmente guardan una relacin con sentido fsico, entre la propiedad objetivo
y el atributo externo.
El resultado de aplicar esta transformada para la prediccin de Onda P se muestra en la
Figura 4.3

61

Figura 4. 3 Aplicacin 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
prediccin del registro de Onda P. Como se observa, la prediccin 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 (lneas azules) el poder de prediccin
disminuye.
Si se analiza el grfico que muestra la diferencia entre los registros predicho y original
(registro de la izquierda) se debe tener en cuenta que las amplitudes mostradas en ste son
mayores, pero esto es un efecto producido por la diferencia entre las escalas de ambos grficos.
En la izquierda vara 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 estadstico 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).

Figura 4. 4 Datos de Entrenamiento para el Pozo 37. Registro rojo: Propiedad Objetivo.
Registros Azules: Atributos Externos
En este pozo se cont con un estudio Check Shot, el cual permiti realizar la conversin
tiempo profundidad de la ssmica.
En la Tabla 4.2, se muestran las primeras 5 transformadas simples obtenidas en el Pozo 37

63

Pozo 37
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 snico Onda P. Los
grficos cruzados para estas transformadas se presentan en la Figura 4.5

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

En la Figura 4.5 se observa una mayor correlacin 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 grficos mostrados en la Figura 4.5, fueron
aplicadas para predecir el registro de Onda P en el pozo en cuestin; los resultados se muestran
en la Figura 4.6.
64

Figura 4. 6 Aplicacin 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 prediccin 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 grfico 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 lneas azules.
4.1.1.3 Pozo 41
Los datos de entrenamiento para este pozo estuvieron compuestos por registros de
Caliper, Densidad, Gamma Ray, Porosidad- Neutrn y Porosidad por densidad, los cuales se
muestran en la Figura 4.7
65

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

En este caso se cont con un mayor nmero de registros para generar las transformadas,
las cuales se muestran en la Tabla 4.3. Como se puede observar, el intervalo de entrenamiento
ocup una profundidad de 12000 ft aproximadamente, lo que constituye una muestra significativa
de los registros usados en el entrenamiento.
Pozo 41
Onda P Porosidad Neutrn 4,69 0,95
Sqtr (Onda P) Porosidad Neutrn 4,80 0,95
Onda P**2 Porosidad Neutrn 4,91 0.93
1/Onda P Sqrt(Porosidad Neutrn) 4,93 -0,94
Log (Onda P) Porosidad Neutrn 5,10 0,94

66

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

Figura 4. 8, Grficos Cruzados Transformadas Simples del Pozo 41. A) Onda P Vs Porosidad
Neutrn, Corr=0,96 y Error= 4,70. B) Sqtr (Onda P) vs Porosidad Neutrn, Corr= 0,95 y Error
= 4,80. Se observa una buena correlacin entre Snico de Onda P y Porosidad Neutrn.

A diferencia de los pozos anteriores, en este caso la mayor correlacin se obtuvo con el
registro de Porosidad Neutrn y no con el registro de Gamma Ray. Esto tiene sentido ya que,
tanto el registro de Porosidad Neutrn como el de Onda P, dependen de las condiciones de poro
de la roca o intervalo rocoso, es decir el registro variar dependiendo del elemento con el cual
est saturado el poro y la arquitectura de la roca. El registro de Gamma Ray mide el cambio en
las propiedades radiactivas en las rocas (emisin de rayos gamma) y, aunque es un registro
efectivo a la hora de discernir entre litologas, las propiedades medidas por el registro de
Porosidad Neutrn estn ms relacionadas con las propiedades medidas por el registro de Snico
(Onda P).
Este resultado no se observ en los pozos anteriores porque no se cont con registros de
Porosidad Neutrn para realizar el entrenamiento.
Adems, se puede observar una tendencia claramente lineal en ambos grficos cruzados
de la Figura 4.8, con valores de correlacin cruzada sobre el 90%; sin embargo, el error de
entrenamiento es un poco mayor, respecto al obtenido en el Pozo 37.
El resultado del entrenamiento de la transformada simple se muestra en la Figura 4.9
67

Figura 4. 9, Aplicacin 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 prediccin.

En este caso, la transformada mejor notablemente su poder de prediccin tal como se
observa en la Figura 4.9. De igual forma, el registro de diferencia (vinotinto) muestra una menor
variacin 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 cules 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 incluirn, necesariamente, los
registros de Gamma Ray y Porosidad Neutrn, en los casos donde estos registros estn presentes,
ya que, como se ha mostrado, son estos atributos los que mejor correlacin presentan, con el
registro snico de onda P
68

4.1.2 Transformadas Multi-Atributos.
Estas transformadas se generaron, como se menciona en el CAPTULO III de este libro,
siguiendo el mtodo 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
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 escogi esta lista en particular porque, a medida que aumentaba el nmero de puntos
del operador, disminuy el valor del error de entrenamiento y aument el valor de la correlacin
cruzada. Sin embargo, no fue posible calcular el error de validacin. El cual, como se mencion
anteriormente ofrece informacin de la calidad de la prediccin en intervalos fuera de la ventana
de procesamiento. Este error no se calcul porque slo se ha usado un pozo para generar la
transformada y se necesitan mnimo dos pozos para realizar el proceso de validacin. Esta
situacin se presenta tambin 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 raz cuadrada de
Onda P vs (Gamma Ray)**2. Cabe destacar que esta transformada incluye los atributos
69

mostrados en las lneas superiores de la tabla citada, es decir, el resultado final es una
combinacin matemtica de los atributos anteriores incluyendo el atributo final.
En la Figura 4.10 se muestra un grfico cruzado del registro objetivo contra la
transformada Multi-Atributo obtenida.

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 correlacin es del 86% lo que
muestra una buena relacin 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
validacin.
Sin embargo, al aplicar la transformada obtenida para predecir el registro snico de onda
P y compararlo con el original, se puede suponer que la transformada efectivamente resulta til
para obtener una prediccin bastante buena (Figura 4.11)
70

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 prediccin es buena a lo largo de todo el pozo y, al
compararlo con los resultados obtenidos con las transformadas simples, se puede notar una
mejora en el entrenamiento, en funcin del error de entrenamiento y el valor de la correlacin
cruzada en ambos casos.
Otra ventaja de las transformadas Multi-Atributos es que se puede evaluar si la cantidad
de atributos utilizados mejor o empeor el proceso de entrenamiento. Como se menciona en el
71

Marco Terico de este trabajo, la literatura expresa que a mayor nmero de atributos externos
mejor ser la prediccin. Esto se puede observar en la Figura 4.12.

Figura 4. 12 Error Promedio Vs Nmero de atributos Pozo 29. Lnea roja = error de validacin;
lnea Negra Nmero de Atributos. Se observa que el error disminuye con el nmero de atributos.

En el grfico anterior se pueden observar dos lneas; la lnea negra muestra cmo vara el
error promedio de prediccin con respecto al nmero de atributos, el cual est representado por
los cuadros negros que se observan en la lnea. Como puede notarse, efectivamente el error
promedio disminuye con el aumento del nmero de atributos. Adems, se puede ver en la lnea
roja inferior el valor de error de validacin, 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

Pozo 37
Onda P 1/Short Normal 2,96 0,92
Onda P (Gamma Ray)**2 2,35 0,95
Onda P Sqrt(Induccin Profunda) 2,32 0,95
Onda P 1/SP 2,31 0,95

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

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 prediccin con la aplicacin de las transformadas Multi-
atributos. En el caso de la correlacin cruzada se pas de un valor de 88% en las transformadas
simples a un valor de 95% con las transformadas Multi-atributos.
La aplicacin de este resultado se muestra a continuacin, en la Figura 4.14
73

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

El grfico de error promedio en funcin del nmero de atributos se muestra en la Figura
4.15.

Figura 4. 15 Error Promedio Vs Nmero de atributos Pozo 37. Lnea roja = validacin; lnea
negra Nmero de Atributos. El error de entrenamiento disminuye con el nmero de atributos
74

Como se muestra en la Figura 4.15, a mayor nmero 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 validacin 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
Pozo 41
Onda P Porosidad Neutrn 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 ltima fila de la Tabla 4.6, muestra la transformada Multi-atributo con el menor error y
la mayor correlacin, la cual corresponde a una combinacin matemtica de las transformadas
anteriores, segn la regresin de paso aprendido. El grfico cruzado asociado a esta expresin se
presenta en la Figura 4.16, mientras que el resultado de la aplicacin de la transformada, se
muestra en la Figura 4.17.
75

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

Figura 4. 17 Aplicacin de Transformada Multi-atributo Pozo 41. Rojo = Registro predicho.
Error= 2,04.
76

Los resultados mostrados en la seccin 4.1.2 muestran de forma inequvoca que las
transformadas Multi-atributos mejoran el poder de prediccin del mtodo empleado. Esto se debe
a que, al incluir mayor nmero de atributos la transformada, no solo adquiere ms muestras sino
que puede realizar un aprendizaje ms completo, con mayor peso en el significado fsico de los
registros y no slo en su relacin matemtica.
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-propagacin (MLFN) y la Red Neuronal Probabilista (PNN).
4.1.3.1 Pozo 29
De forma anloga a las secciones anteriores, los datos de entrada son los mostrados en la
Figura 4.1. Las caractersticas de las redes entrenadas se presentan las Tablas 4.7 y 4.8.
Tabla 4. 7 Parmetros de Entrenamiento PNN Pozo 29
PNN
Entrenada en: Pozo 29
Intervalo: (15400 a 21200) ft
Atributos Usados:
Porosidad Neutrn
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)
Correlacin: 0,95
Parmetros de la Red
Red en Modo Mapeo
Nmero de Sigmas: 25
Rangos de Sigmas: 0,1 a 3
Iteraciones de Gradientes Conjugados: 20

77

Tabla 4. 8 Parmetros de Entrenamiento MLFN Pozo 29
MLFN
Atributos Usados:
Porosidad Neutrn
Densidad
Log (Laterolog)
(Gamma Ray )**2
Correlacin: 0,90
Parmetros de la Red
Red en Modo Mapeo
Nmero de Nodos en Capa Escondida: 13
Nmero de Iteraciones: 10

En las Tablas 4.7 y 4.8 se muestran los parmetros de entrenamiento de las dos
arquitecturas de redes neuronales usadas durante la realizacin del proyecto. En ellas se muestran
parmetros de inters como el intervalo en donde fueron entrenadas, as como el nmero de
Sigmas y su rango (redes PNN), el nmero de Nodos en la capa escondida y el nmero de
iteraciones (redes MLFN). Estos parmetros son importantes porque de ellos depende la calidad
de la red, en el sentido de que ellos determinan si la red fue sobreentrenada o est funcionando de
forma ptima. Los parmetros expuestos en las tablas anteriores son los que mostraron el menor
error de entrenamiento despus de probar empricamente otros parmetros.
Los grficos cruzados correspondientes a las redes entrenadas en el Pozo 29 se muestran
en la Figura 4.18.
78

Figura 4. 18 Grficos 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 correlacin 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 prediccin de los
registros.
Si se observan los valores obtenidos para la PNN se notar que son mejores que los
obtenidos en el caso de la MLFN, una posible explicacin 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 combinacin lineal en la que se basa su
funcionamiento, es decir, mientras ms registros tenga el entrenamiento ms refinada ser la
combinacin lineal de los mismos para predecir el registro objetivo, pues se trata de una red
probabilstica.
La aplicacin de estas redes se muestra en la Figura 4.19
79

Figura 4. 19 Aplicacin 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 entren 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 lneas azules; sin embargo, no se realiz el entrenamiento fuera
del mismo. Esta es una limitacin del software usado.
4.1.3.2 Pozo 37
Los parmetros de entrenamiento de las redes generadas en este pozo se muestran en las
Tablas 4.9 y 4.10.

80

PNN
Atributos Usados:
1 / ( Short Normal )
( Gamma Ray )**2
Sqrt( Induction Deep )
1 / ( SP )
Correlacin: 0,99
Parmetros de la Red
Red en Modo Mapeo
Nmero de Sigmas: 25

MLFN1
Atributos Usados:
1 / ( Short Normal )
( Gamma Ray )**2
Sqrt( Induction Deep )
1 / ( SP )
Correlacin: 0,95
Parmetros de la Red
Red en Modo Mapeo

81

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

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
grficos de la Figura 4.21

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 slo 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, present las mismas limitaciones que en el pozo anterior,
tambin se mantiene la tendencia general a mejorar los valores de correlacin cruzada y
disminucin de los errores de entrenamiento.
4.1.3.3 Pozo 41
En este caso los parmetros de las redes se muestran en las Tablas 4.11 y 4.12
PNN
Atributos Usados:
Sqtr (Porosidad)
Log (Delta)
Sqtr (Gamma Ray)
(Caliper)**2
Correlacin: 0,995
Parmetros de la Red
Red en Modo Mapeo
Nmero de Sigmas: 25

83

MLFN
Atributos Usados:
Sqtr (Porosidad)
Log (Delta)
Sqtr (Gamma Ray)
(Caliper)**2
Correlacin: 0,96
Parmetros de la Red
Red en Modo Mapeo

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 grficos cruzados obtenidos con los
registros predichos se muestran en la Figura 4.22

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

84

La aplicacin se muestra en la Figura 4.23.

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 est a una escala
diferente a la escala de los registros. El error nuevamente es menor a 10%.
Todas las transformadas generadas con un slo pozo le dan al usuario una idea, con base
cuantitativa, de cmo estn funcionando las redes y qu tipos de atributos ayudan a mejorar la
prediccin del registro snico 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

4.2 Transformadas Simples y Transformadas Multi-atributos- Multi-Pozos
Con el fin de probar el poder de prediccin de las transformadas a nivel espacial y de rea,
se realizaron los clculos anteriores, pero incluyendo registros de diferentes pozos. Con esto se
buscaba una relacin 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 cont,
slo se pueden incluir en el clculo aquellos que tienen registros comunes en la misma zona de
profundidad. Por ello, el nmero 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.
86

4.2.1 Transformadas Simples Multi-Pozos.
4.2.1.1 Proyecto 1
En este proyecto se dispona de dos (2) registros de pozo: Gamma Ray y Potencial
Espontneo (SP). De estos registros, como se mostr en la seccin 4.1, el de Gamma Ray posee
una buena correlacin con el registro snico de Onda P; sin embargo, el registro de SP no es una
de las mejores opciones a utilizar, ms, es un registro que se encuentra disponible en el intervalo
de entrenamiento y es comn a todos los pozos involucrados en el mismo. Los datos de
entrenamiento se presentan en la Figura 4.24.

87

En la figura anterior se observa que el intervalo de entrenamiento definido est entre
15000 y 17500 ft; sin embargo el intervalo es diferente para el Pozo 41, donde la ventana de
entrenamiento est entre 8000 y 14000 ft. Esta diferencia indica que en ese caso los registros
seleccionados no se encontraban a la profundidad elegida y, por ello, el programa
automticamente busca un intervalo en el cual estn disponibles los registros, para poder incluir
la mayor cantidad de datos posibles.
En este proyecto se eligi el Pozo 46 como pozo de control, el cual sirve para realizar el
proceso de validacin cruzada.
A partir de los registros presentes en los pozos 36, 37 y 41, se generaron las transformadas
simples cuyos mejores resultados se muestran en la Tabla 4.14
Tabla 4. 14 Transformadas Simple Proyecto 1
Proyecto 1
(Onda P)**2 Sqtr (Gamma Ray) 11,85 0,64
Sqrt (Onda P)**2 Log (Gamma Ray) 11,86 0,70
Log (Onda P) Log (Gamma Ray) 11,87 0,75
Sqtr (Onda P) Log (Gamma Ray) 11,90 0,73
Onda P Log (Gamma Ray) 11,92 0,71
Sqtr (Onda P) Sqtr (Gamma Ray) 11,93 0,74
1/ (Onda P) Log (Gamma Ray) 11,96 -0,78
(Onda P)**2 Gamma Ray 11,98 0,62

Como se puede observar en la Tabla 4.14, los errores de entrenamiento son un orden de
magnitud mayor a los obtenidos con las transformadas simples calculadas para un slo pozo. En
este caso se han usado los pozos 36, 37 y 41 para el entrenamiento, mientras que, como se
mencion, el pozo 46 fue el pozo de control. An as, los resultados son buenos teniendo en
cuenta que los valores promedio de los registros de snicos Onda P estn alrededor de 80 us/ft, lo
que significa que el error de entrenamiento es aproximadamente el 12% de este valor.
Los grficos cruzados generados para las mejores transformadas (fila 1 y 2 de la Tabla
4.14) se muestran en la Figura 4.25.
88

Figura 4. 25 Grficos Cruzados Proyecto 1. A) (Onda P)**2 Vs Sqrt (Gamma Ray) Corr= 0,64
Error= 11,85. B) Sqrt (Onda P) Vs Log (Gamma Ray) Corr= 0,70 Error= 11,86. Se observa una
correlacin aceptable, en trminos experimentales.

En estos grficos se puede observar que, en comparacin con los grficos de las
transformadas para un slo pozo, la dispersin es mayor. Adems se puede observar una
anomala para valores de Sqrt (Gamma Ray) en 7,5 (grfico A) y en 4,0 para valores de Log
(Gamma Ray) (grfico B). Esta anomala se encuentra en los datos del pozo 36, en el cual el
registro de Gamma Ray se hace constante (posiblemente por un error de medicin) dentro del
intervalo de entrenamiento.
La aplicacin de la primera transformada se muestra en la siguiente figura:
89

Figura 4. 26 Aplicacin 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 pozo.

Como se observa en la Figura 4.26, la transformada probada tiene diferentes grados de
detalles, dependiendo del pozo en donde se aplique. As se observa que en el Pozo 36 su poder de
prediccin es pobre, con un grfico de diferencia (registro vinotinto) que muestra errores
superiores al 10%, mientras que para el Pozo 37 la situacin es totalmente opuesta. A pesar de
esto, la transformada simple tiene un Error Promedio de 11,86 us/ft, que todava se encuentra
dentro del rango experimental de errores aceptables (aprox. 10% del registro original)
En la Figura 4.27 se muestra el error promedio del entrenamiento entre los diferentes
pozos del Proyecto 1
90

Figura 4. 27 Error promedio Vs Pozos de entrenamiento, Proyecto 1. Se aprecia diferentes
errores promedios, en todos los pozos.

Como se observa en la Figura 4.27, el error vara considerablemente entre pozos, siendo
menor en el Pozo 37.

4.2.1.2 Proyecto 2
Los datos de este proyecto fueron tomados de los Pozos 38, 39 y 43(Pozo Control), donde
el nico registro comn fue el de Gamma Ray. Si bien no es lo ideal realizar estas transformadas
con un slo registro, es necesario utilizar la mayor cantidad de datos posibles para poder realizar
una comparacin de resultados ms adecuada. Por otra parte, el registro de Gamma Ray es uno de
los datos que ha mostrado buena correlacin con el registro snico de Onda P. Los datos de
entrada se muestran en la Figura 4.28.

91


A diferencia del Proyecto 1, en esta nueva configuracin todos los pozos involucrados en
el anlisis poseen el registro a la misma profundidad, lo cual permite que el programa trabaje de
forma eficiente para realizar los diferentes clculos.
Nuevamente, se ha dejado un pozo de control para corroborar la efectividad de las
transformadas generadas. En el caso del Proyecto 2, es el Pozo 43.
La lista de las mejores transformadas simples obtenidas, se presentan en la Tabla 4.15

92

Tabla 4. 15 Transformadas Simple Proyecto 2
Proyecto 2
Onda P Sqtr (Gamma Ray) 6,46 0,77
Sqtr (Onda P) Sqtr (Gamma Ray) 6,46 0,73
Onda P Sqtr (Gamma Ray) 6,48 0,72
1/ (Onda P) Sqtr (Gamma Ray) 6,49 -0,76
(Onda P)**2 Gamma Ray 6,50 0,67
(Onda P)**2 Sqtr (Gamma Ray) 6,53 0,67
Onda P Gamma Ray 6,53 0,71
Sqtr (Onda P) Gamma Ray 6,55 0,72

El grfico cruzado para la mejor transformada simple corresponde a la Figura 4.29.

Figura 4. 29 Grfico Cruzado Transformada Simple, Proyecto 2. Onda P Vs Sqrt (Gamma Ray)
Corr= 0,77 Error= 6,46. Se aprecia la regresin lineal obtenida.

De forma similar al Proyecto 1 las transformadas obtenidas poseen errores cercanos al
10% de los valores promedios para los registros snicos de Onda P. Se puede observar que las
transformadas obtenidas son similares, esto es porque, aunque se cont con el registro SP en el
proyecto 1, es el registro de Gamma Ray el que realmente defini las transformadas en ambos
proyectos.
La aplicacin de las transformadas obtenidas se muestra en la Figura 4.30
93

Figura 4. 30 Aplicacin 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 procesamiento.

En el grfico 4.30 se muestran que las transformadas simples siguen la tendencia general
del registro de Onda P; sin embargo, las amplitudes son menores en el registro predicho.
Uno de los factores que determina la calidad de los ajustes es, la cantidad de pozos
incluidos en los proyectos. En la Figura 4. 31, se muestra cmo vari el error promedio en
funcin de los pozos incluidos en el entrenamiento.
94

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

Como se puede observar en la Figura 4.30 el error promedio tiene un aumento mayor al
50% entre el Pozo 38 y el Pozo 39, lo que indica que existe una alta dispersin de los valores del
registro Gamma Ray entre ambos pozos en el intervalo estudiado.
4.2.2 Transformadas Multi-Atributos, Multi-Pozos.
El siguiente paso es comprobar si se pueden mejorar los resultados obtenidos con las
transformadas simples. Para ello se calcularon las transformadas Multi-atributos.
4.2.2.1 Proyecto 1
Los datos de entrada son los presentados en la Figura 4.24, mientras que las transformadas
obtenidas se muestran en la Tabla 4.16. Se debe tener en cuenta que el pozo dejado para realizar
el proceso de validacin es el 46.
Tabla 4. 16 Transformadas Multi-Atributos Proyecto 1
Proyecto 1
Objetivo Atributo
Error de
Entrenamiento
Error de
Validacin
Correlacin
Onda P Log (Gamma Ray) 11,84 6,87 0,69
Onda P (SP)**2 11,75 9,32 0,70

95

Como se observa en la tabla anterior, los valores de correlacin disminuyeron respecto a
los obtenidos con las transformadas simples, mientras que el error de entrenamiento aument. Lo
que indica que la inclusin de otros atributos, adems del Gamma Ray, est perjudicando el
sistema. Esto se produce porque el atributo incluido es el de Potencial Espontneo el cual, a nivel
fsico, no tiene una relacin directa con las propiedades medidas con el registro snico de Onda P.
El registro SP presenta variaciones slo cuando se presenta un cambio en la salinidad dentro de la
formacin, el cual generalmente se presenta en arcillas; sin embargo, se tratan de carbonatos, que
se presumen, estn saturados de gas, por tanto este registro no sigue las variaciones verticales que
presenta el registro snico a lo largo del pozo.
La ventaja que presenta esta transformada respecto a la anterior es que se pudo obtener el
valor del error de validacin. Este error, en pocas palabras, permite estimar cun bien funciona la
transformada fuera del intervalo de entrenamiento. Como se puede observar, los valores de los
errores de validacin son similares a los del entrenamiento, lo cual indica que las transformadas
multi-atributos generadas son buenas para la prediccin fuera del intervalo de entrenamiento.
Adems, se puede observar que, en el caso de la transformada que incluye el registro SP, el
sistema se sobre-entrena, por tanto lo ms conveniente es utilizar la primera transformada (fila 1,
Tabla 4.16) para realizar las predicciones.
Los grficos cruzados correspondientes a estas transformadas se muestran en la Figura
4.32

Figura 4. 32 Grficos Cruzados Transformadas Multi-atributos Proyecto 1. A) Corr= 0,70 Error=
11,75. B) Corr= 0,69 Error= 11,84. Se observa una regresin lineal defciente.

96

Los grficos observados en la Figura 4.32, muestran los puntos correspondientes al
registro predicho contra el registro original de lentitud de Onda P, los ajustes son similares. Esto
indica que la contribucin del segundo atributo es pobre, en comparacin con la contribucin del
primero (Gamma Ray). Por ello, slo se muestra la aplicacin de la primera transformada en la
Figura 4.33.

Figura 4. 33 Aplicacin de Transformada Multi-atributo, Proyecto 1.
La validacin realizada en el Pozo 46 se muestra en la Figura 4.34.
97

Figura 4. 34 Validacin Cruzada de Transformadas Multi-atributos, Proyecto 1. Error
Validacin= 6,87. Corr= 0,81.

La figura anterior muestra la validacin de la transformada mostrada en la primera fila de
la tabla 4.16. Como se aprecia, la aplicacin no se realiz sobre la totalidad del registro original,
esto se produce porque el entrenamiento de la transformada necesita las entradas de los atributos
externos (en este caso registro de Gamma Ray), para poder ser calculada. En las zonas donde no
existe este registro, no se pudo aplicar la transformada.
Las amplitudes del registro predicho, en la Figura 4.34, es menor que la del registro
original. Sin embargo, el valor de correlacin es mayor a 80% y el error de validacin es menor
al 10% para la primera transformada, lo que indica que la relacin obtenida es buena para
predecir el registro objetivo fuera del intervalo de entrenamiento, siempre y cuando se cuente con
el registro de entrada.
98

El entrenamiento de las transformadas presentadas en la Tabla 4.16, se realiz con un
operador de longitud de seis (6) puntos, el cual produjo el menor error de entrenamiento, como se
observa en la Figura 4.35.

Figura 4. 35 Error Promedio vs el Nmero de atributos, para cada operador de longitud. El mejor
operador es el de seis puntos.

De la Figura 4.35, se puede concluir que el operador de 6 puntos es el que produce el
menor error promedio de validacin, dentro del mismo pozo. Adems se observa que el error
aumenta al incluir el segundo atributo. Esta situacin se aprecia, con mayor detalle en la Figura
4.36.

Figura 4. 36 Error Promedio vs nmero de atributos. Proyecto 1. El error de validacin es menor
que el error promedio.
99

En la Figura 4.36, se aprecia que el error de entrenamiento (lnea negra) disminuye con la
inclusin del segundo atributo (Registro SP); sin embargo, aumenta el error de validacin. Esta
situacin es la que se describe en la literatura como sobre-entrenamiento.

4.2.2.2 Proyecto 2
Las transformadas multiatributos de este proyecto se calcularon con el fin de utilizarlas
como entradas para las redes neuronales que se presentarn en la siguiente seccin, ya que se
cont con un nico atributo externo (Gamma Ray), lo cual es equivalente a realizar el
entrenamiento de una transformada simple, pero el programa necesita una transformada Multi-
atributo para el entrenamiento de las redes neuronales. La relacin obtenida, se muestra en la
Tabla 4.17
Tabla 4. 17 Transformada Multi-atributo Proyecto 2
Proyecto 2
Objetivo Atributo
Error de
Entrenamiento
Error de
Validacin
Correlacin
Onda P (Gamma Ray)**2 7,65 4,76 0,65

La transformada Multi-atributos mostrada en la tabla anterior, es la obtenida con un
operador de longitud de cinco (5) puntos. Al comparar los resultados obtenidos con los
parmetros de la transformada simple (correlacin y error de entrenamiento), se notar que los
parmetros de esta ltima fueron ms favorables. Esto se debe a que, en la transformada Multi-
atributo se utilizaron diferentes operadores de longitud, que en general, mostraron una
disminucin del error de entrenamiento conforme aumentaba el nmero de puntos del operador
(Figura 4.38)
El grfico cruzado correspondiente a esta transformada, se muestra en la Figura 4.37.
100

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

Comparando nuevamente con los grficos cruzados presentados en la Figura 4.29, se
puede notar que, el en caso de la Figura 4.37 la regresin lineal es ms dispersa, debido a una
nube de puntos (probablemente del pozo 38) en la parte superior del grfico desva la
aproximacin. Las correlaciones, tanto para la Figura 4.29 como para la 4.37, entre las dos
seales (Original y Predicha), son mayores al 60%.

Figura 4. 38 Error Promedio Vs Nmero de Atributos evaluados con operadores de longitud. El
mejor operador resulto ser el de 5 puntos.
101

Como se observa en la Figura 4.38, el error promedio de validacin, dentro del mismo
pozo, aumenta con el nmero de puntos del operador de longitud. En el grfico slo existen
puntos superpuestos ya que, solo se cuenta con un atributo, lo que imposibilita la variacin en el
correspondiente al Nmero de Atributos (Number of Attributes).
La aplicacin de la transformada mostrada en la tabla 4.17 se presenta en a Figura 4.39.

Figura 4. 39 Aplicacin 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

En la Figura 4.39, se observa que el entrenamiento es eficiente, lo cual se nota por las
bajas diferencias que existen entre los registros predichos y los originales (registro vinotinto). La
mayor diferencia se observa en el Pozo 39, donde se aprecia una anomala de altas amplitudes
entre los 14000 y 16000 ft, que no pudieron ser asociadas a ninguna formacin en el rea de
estudio.
El proceso de validacin, en este proyecto, se realiz con el pozo 43. El resultado se
presenta en la Figura 4.40.
102

Figura 4. 40 Validacin Cruzada de Transformada Multi-atributos, Proyecto 2, sobre el Pozo 43.
Error de Validacin= 4,76 Corr= 0,35. Se observa bajo error de validacin.

Si se comparan las figuras 4.39 y 4.40, se observar que el error de la primera es mayor
que el de la segunda, mientras que la correlacin es mayor en la 4.39. Esto indica que la relacin
obtenida es buena para predecir fuera de intervalo de entrenamiento, pero se encuentra desfasada
respecto a la seal original, presente en el Pozo 43, lo cual podra ser un indicativo de que las
formaciones de inters se encuentran en una posicin vertical diferente a la de los pozos 38 y 39.
Sin embargo, la diferencia entre los valores es aproximadamente de 10%. De cualquier forma, el
resultado a tener en cuenta ser el que posea el menor error de validacin.
Las transformadas generadas en la seccin 4.2.2 sirvieron de datos base para generar las
transformas multi-atributos entrenadas con las arquitecturas neuronales, que se muestran a
continuacin.
103

4.2.3 Transformadas Multi-Atributos con Redes Neuronales, Multi-Pozos.
En esta seccin se mostrarn los resultados de incluir un operador no lineal a las
transformadas Multi-atributos de los Proyectos 1 y 2.
4.2.3.1 Proyecto 1
Los parmetros de las redes entrenadas para este proyecto se muestran en las Tablas 4.18
y 4.19
Tabla 4. 18 Parmetros de PNN Proyecto 1
PNN
Entrenada en:
Pozo 36: (15200 a 17148) ft
Pozo 37: (15200 a 17148) ft
Pozo 41: (9072 a 13936) ft
Atributos Usados:
Sqrt (Gamma Ray)
1/(SP)
Error de Validacin: 11.25 (us/ft)
Correlacin: 0,71
Parmetros de la Red
Red en Modo Mapeo
Nmero de Sigmas: 20

104

Tabla 4. 19 Parmetros de MLFN Proyecto 1
MLFN
Entrenada en:
Pozo 36: (15200 a 17148) ft
Pozo 37: (15200 a 17148) ft
Pozo 41: (9072 a 13936) ft
Atributos Usados:
Sqrt (Gamma Ray)
1/(SP)
Error de Validacin: 13,42 (us/ft)
Correlacin: 0,88
Parmetros de la Red
Red en Modo Mapeo

Como se mostr en la seccin 4.2.1 y 4.2.2 el nmero de pozos para este proyecto es el
mayor, incluyendo hasta pozos (3) pozos de entrenamiento y uno de validacin (Pozo 46). Este
hecho diversific los resultados que se obtuvieron para las redes neuronales.
De las transformadas Multi-atributos se dedujo que el mejor operador de longitud para
este proyecto fue el operador de seis (6) puntos, para evitar el fenmeno de sobre-entrenamiento.
Los grficos cruzados correspondientes a las redes entrenadas son los siguientes:
105

Figura 4. 41 Grfico Cruzado de PNN Proyecto 1. Registro Predicho vs Registro Original. Corr=
0,71 Error= 12,94. Se observa una pobre regresin lineal.

En la Figura 4.41, se observa que la regresin lineal, no es la ms apropiada en este caso.
Es posible obtener un mejor resultado con funciones polinmicas (como raz cuadrada) o
funciones de tipo exponencial. Como es de esperarse el ajuste posee un alto error y, haciendo la
comparacin con los resultados obtenidos con las transformadas Multi-atributos, se puede
concluir que la red no mejor los resultados obtenidos con la metodologa mencionada. Adems,
se puede apreciar que la dispersin de los puntos se produce por las variaciones que existen entre
los diferentes pozos. As se observa que en el rea central del grfico (Valores del eje vertical de
70 us/ft) existe una nube de puntos, correspondientes al Pozo 36, que desvan la tendencia general
del grfico. La situacin es similar en la parte superior donde los puntos que generan dispersin
corresponden al Pozo 41.

106

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

En el caso de MLFN la tendencia del grfico es ms lineal que la presentada en la Figura
4.41. La mayor dispersin de la Figura 4.42 se produce en los valores del pozo 41. Sin embargo,
esta red presenta los menores errores y en cuanto al nivel de confiabilidad es mejor que la red
PNN.
La aplicacin de las redes obtenidas se presenta en las Figuras 4.43 y 4.45, mientras que
las validaciones correspondientes se muestran en la Figura 4.46.
107

Figura 4. 43 Aplicacin 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 original.

Como se aprecia en la Figura 4.43, el entrenamiento con la PNN, mantiene la tendencia de
los registros originales; sin embargo, existe una diferencia apreciable entre las amplitudes de los
registros predichos, en comparacin con los registros originales. Es de hacer notar, que si bien la
prediccin se observa como una lnea recta en la Figura 4.43, sta en realidad posee variaciones
en sus amplitudes. La razn de que no se observen, es un problema de resolucin del grfico. En
la Figura 4.44 se muestra una imagen aumentada del registro predicho, para ilustrar el hecho
mencionado.
108

Figura 4. 44 Ampliacin de la Figura 4.43. Se muestran amplitudes de los registros predichos.
Donde se observa las variaciones del registro predicho.

Estos resultados presentan errores mayores al 20% de los valores promedios del registro
snico original. Por tanto el resultado no es confiable en zonas diferentes a la zona de
entrenamiento.
La aplicacin de la MLFN, se presenta en la Figura 4.45

Figura 4. 45 Aplicacin de MLFN Proyecto 1. Corr= 0,88 Error Promedio = 7,82 us/ft
109

Los resultados observados en la Figura 4.45, son similares a los observados en la Figura
4.43, pero en este caso en particular, se puede apreciar que la MLFN ha mejorada el
entrenamiento y que las amplitudes de los registros predichos guardan mayor similitud con los
registros originales. Las validaciones de las redes neuronales entrenadas se presentan a
continuacin.

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

Como se aprecia en el 4.46, los resultados la validacin cruzada muestran que PNN es
ms efectiva para predecir la propiedad objetivo fuera de intervalo de entrenamiento, mientras
que la MLFN, presenta mayor grado de incertidumbre. Como se mencion en el Captulo I, de
este trabajo, se trata de una zona estructuralmente compleja, con variaciones laterales y verticales,
considerables, afectadas adems por un proceso de fracturamiento intenso de las formaciones.
110

Por ello, es lgico pensar que la alta complejidad estructural del rea de estudio, afecte la
prediccin generadas por las redes.
4.2.3.2 Proyecto 2
Los parmetros de las redes entrenadas en este proyecto se muestran en las Tablas 4.20 y
4.21.
Tabla 4. 20 Parmetros de PNN Proyecto 2
PNN
Entrenada en:
Pozo 38: (13100 a 15760) ft
Pozo 39: (13100 a 15760) ft
Atributos Usados:
(Gamma Ray)**2
Error de Validacin: 4.81 (us/ft)
Error de Entrenamiento: 7.10 (us/ft)
Correlacin: 0,71
Parmetros de la Red
Red en Modo Mapeo
Nmero de Sigmas: 25

Tabla 4. 21 Parmetros de MLFN Proyecto 2
MNFL
Entrenada en:
Pozo 38: (13100 a 15760) ft
Pozo 39: (13100 a 15760) ft
Atributos Usados:
(Gamma Ray)**2
Correlacin: 0,78
Parmetros de la Red
Red en Modo Mapeo
111

En las tablas anteriores se puede notar que se presenta una situacin similar a la del
Proyecto 1 donde, las transformadas Multi-atributos con menor error de validacin resultaron ser
las de operadores de longitud con mayor cantidad de puntos. Las redes, con las que se obtuvieron
los mejores resultados, fueron las entrenadas con un operador de longitud de cinco (5) puntos. Sin
embargo, en el caso del Proyecto 2 los resultados del entrenamiento de las redes son mejores,
probablemente porque el entrenamiento se realiz slo con el atributo de Gamma Ray, dejando
por fuera el error producido por el registro SP.
Los grficos cruzados correspondientes, se presentan en las siguientes figuras.

Figura 4. 47 Grfico Cruzado de PNN, Proyecto 2. Registro Predicho vs Registro Original.
Corr= 0,71 Error= 7,10. Se observa una buena correlacin, a pesar de la alta dispersin.

Corr= 0,78 Error= 6,24.
112

Como se puede observar en las Figuras 4.47 y 4.48, sigue existiendo una alta dispersin
de los puntos correspondientes a cada pozo, pero a diferencia del Proyecto 1, ambas redes
presentan tendencias similares, aunque la MLFN posee el mejor ajuste.
Las aplicaciones de las redes pueden observarse en las Figuras 4.49 y 4.50.

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

Figura 4. 50 Aplicacin de Transformada MLFN Proyecto 2. Corr= 0,78 Error= 6,24 us/ft
113

Analizando los resultados obtenidos con las redes neuronales en ambos proyectos se
puede notar que si bien los resultados no son los mejores obtenidos se sigue la tendencia general
del registro snico original. Como se puede observar, tanto en la Figura 4.49 como en la 4.50, la
mayor dispersin se presenta en el Pozo 39, donde existe un intervalo (entre 14200 y 15800 ft)
con amplitudes anmalas, que podran estar relacionadas al grupo Simpson.
La validacin de las redes se realiz en el pozo 43, los resultados obtenidos se presentan
en la Figura 4.51.

Figura 4. 51 Validacin Cruzada. A) PNN Corr=0,36 Error de Validacin= 4,81. B) MLFN
Corr=0,37 Error de Validacin= 5,76

114

Como se puede observar en los grficos de la Figura 4.51, los errores de validacin son
similares en ambos casos, siendo menor en la PNN. Esto indica que existe una buena correlacin
entre los registros usados en el proyecto 2, dentro del intervalo de profundidad estudiado.
La mayor fuente de error de las redes es, posiblemente, la alta complejidad estructural de
la zona de estudio, que se ve reflejada en una alta dispersin de los registros medidos en los
diferentes pozos, que estuvieron disponibles para realizar el estudio. Adems, se seleccion un
intervalo de procesamiento fijo, para poder incluir la mayor cantidad de pozos; sin embargo,
existe evidencia de que los estratos de inters se encuentran a profundidades ms someras, hacia
la parte sur del rea de estudio, producto de movimientos tectnicos en el rea (Orognesis de
Ouachita) (Hardage et al, 1998).
Como se mencion anteriormente, el rea de estudio y en particular el intervalo en
profundidad estudiado, est compuesto por una sucesin de carbonatos, que se depositaron bajo
un rgimen tectnico extensivo, que posteriormente fue afectado por el levantamiento y la
formacin de una cadena montaosa, lo cual ocasion la fractura de los mismos. Esta situacin
afecta el entrenamiento de las redes, sobre todo cuando se tienen registros de diferentes pozos
porque las estructuras no son correlacionables a la misma profundidad. En la Figura 4.52 se
muestra la distribucin espacial de los pozos en el rea de estudio.

Figura 4. 52 Distribucin Espacial de Pozos en el rea de Estudio.
115

Recordando que el Proyecto 1 lo componen los Pozos 36, 37, 41 y 46, se puede notar la
gran separacin que existe entre ellos. Mientras que los pozos que sirvieron de entrada para el
Proyecto 2 fueron el 38, 39 y 43, que si bien estn alejados unos de otros, las distancias son
menores que en caso del Proyecto 1. Es por esto, que los entrenamientos de las redes en la
seccin 4.2.3.1, tienen un margen de error ms alto que los entrenamientos de las redes en la
seccin 4.2.3.2.
4.3 Transformadas Simples y Transformadas Mult-iatributos Ssmica/Pozo
Las transformadas calculadas en esta seccin se generaron de forma anloga a las
presentadas anteriormente. La diferencia es que los atributos externos no fueron registros de pozo,
sino atributos ssmicos calculados a partir de un volumen ssmico medido en el rea de estudio.
Los datos de entrada consistieron en los siguientes atributos ssmicos:
Tiempo
Derivada Instantnea
Derivada de la Amplitud Instantnea
Amplitud Absoluta Integrada
Filtro 55/60 65/70
Filtro 5/10 15/20
Amplitud Envolvente
Los registros Snicos de los Pozos 36, 37, 38, 41 y 46, fueron los registros de entrada.
Estos pozos, si bien no es necesario realizar este proceso, fueron filtrados para disminuir el
contenido de frecuencia de los mismos y as maximizar la correlacin entre los registros y la traza
ssmica. Se dice que no es un proceso necesario debido a que, al generar las transformadas, se
aplica un operador convolucional, que, como se explic en pginas anteriores, modifica el
contenido de frecuencias del pozo para relacionarlo con la ssmica.
Los datos de entrada se muestran en la Figura 4.53.
116

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

Para el caso de las transformadas Ssmica/Pozo se tom, nuevamente el pozo 46, como
pozo de validacin.
4.3.1 Transformadas Simples Ssmica/Pozo
Las mejores diez (10) transformadas simples determinadas se presentan en la Tabla 4.22
Tabla 4. 22 Transformadas Simples Ssmica/Pozo
Transformadas Simples Smica/Pozo
Onda P Tiempo 13,95 -0,25
Sqtr (Onda P) Tiempo 14,00 -0,28
(Onda P)**2 Tiempo 14,01 -0,19
Log (Onda P) Tiempo 14,09 -0,31
Onda P Amplitud Absoluta Integrada 14,13 -0,19
Sqtr (Onda P) Amplitud Absoluta Integrada 14,17 -0,22
(Onda P)**2 Amplitud Absoluta Integrada 14,20 -0,14
Log (Onda P) Amplitud Absoluta Integrada 14,24 -0,24
Onda P Filtro 5/10- 15/20 14,32 -0,11
Onda P Amplitud Envolvente 14,32 -0,10
117

Como se puede apreciar en la Tabla 4.22, los resultados obtenidos para las transformadas
simples son de baja calidad, observndose que el valor mximo de correlacin (en valor
absoluto) es de 31%. El signo negativo en esta ltima columna indica que las variables son
inversamente dependientes, por ejemplo, si el registro de Onda P aumenta, los valores del
atributo ssmico de tiempo disminuyen. El atributo que mostr la mejor transformada simple, es
el atributo de tiempo, el cual proporciona los valores de tiempo de cada muestra de la traza
smica. Estas transformadas se calcularon realizando regresiones lineales entre los diferentes
atributos smicos y los registros de pozo disponibles. Como los registros snicos de Onda P
muestran los valores de lentitud, en las diferentes formaciones atravesadas por el pozo, es lgico
pensar que a mayor tiempo se tendrn valores menores de lentitud, que representara un
incremento de la velocidad de Onda P con la profundidad.
Los grficos cruzados correspondientes a las dos primeras transformadas se muestran en
la Figura 4.54.

Figura 4. 54 Grficos Cruzados Transformadas Simples Ssmica/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
lineal.

De las Figuras 4.54 A y 4.54 B, se puede notar que la regresin lineal no sigue la
tendencia local de los datos, para valores del eje del tiempo entre 700 y 1000; sin embargo, la
aproximacin obtenida, ofrece una idea de que tan buena es la transformada simple en funcin de
la cantidad de pozos. Como se observa, en casi todos los pozos, la distribucin de los puntos es
similar.
118

El resultado de aplicar estas transformadas en la prediccin del registro snico se muestra
en las Figura 4.55 y 4.56.

Figura 4. 55 Aplicacin de la Primera Transformada Simple Ssmica/Pozo. Lnea Roja= Registro
Predicho; Lnea Negra= Registro Original. Lneas Azules= Ventana de Anlisis.

Figura 4. 56 Aplicacin de la Segunda Transformada Simple Ssmica/Pozo. Lnea Roja=
Registro Predicho; Lnea Negra= Registro Original. Lneas Azules= Ventana de Anlisis.
119

Como se puede observar, en las figuras anteriores, las transformadas slo aproximan a
una lnea recata el registro predicho, por tanto no son confiables para realizar la aplicacin de las
mismas al volumen ssmico. En las Figuras 4.55 y 4.56 se ha excluido el registro de diferencia
entre la prediccin y el original, por limitaciones en la calidad de la imagen. De cualquier modo,
la diferencia entre los registros conserva la tendencia del registro original ya que, slo se le ha
restado un valor constante, dado por la recta predicha.
El error promedio de estas transformadas medidas en cada pozo se presenta en la Figura
4.57.

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

Como se aprecia en la Figura 4.57, el error vara de pozo a pozo, presentando el menor
error para el Pozo 38 y el mayor en el Pozo 37.
4.3.2 Transformadas Muli-Atributos Ssmica/Pozo
Las transformadas multi-atributos, obtenidas en este caso, se muestran en la Tabla 4.23.

120

Tabla 4. 23 Transformadas Multi-atributos Ssmica/Pozo
Transformadas Multi-atributos Smica/Pozo
Objetivo Atributo Error Correlacin Validacin
Onda P Frecuencia Dominante 13,73 0,20 15,22
Onda P Tiempo 13,16 0,34 14,50
Onda P Amplitud de Coseno de Fase 13,13 0,35 14,34
Onda P (Derivada Instantnea)**2 13,04 0,36 14,19
Onda P Amplitud Pesada de la Fase 13,02 0,37 14,14

Comparando la Tabla 4.23 con la 4.22, se aprecia que las transformadas Multi-atributos
han mejorado los resultados de las transformadas simples. El operador de longitud usado para
generar estas transformadas fue de seis (6) puntos. El mejor de los resultados de la Tabla 4.23
corresponde a la transformada de la Onda P vs Amplitud Pesada de la Fase (la cual, es una
combinacin matemtica de los atributos externos que se muestran por encima de esta
transformada, en la Tabla 4.23). Con la transformada especificada se generaron las redes
neuronales y los grficos que se presentan a continuacin.
El grfico cruzado, correspondiente a la penltima transformada de la tabla anterior, se
muestra en la Figura 4.58.

Figura 4. 58 Grfico Cruzado Transformada Multi-atributo. Corr= 0,41 Error= 13,22

121

Al igual que en las transformadas simples, la distribucin de los puntos para diferentes
pozos es similar en la Figura 4.58. Se hace nfasis en este hecho debido a que, como se mostr en
las transformadas Multi-atributos/Multi-Pozos, la distribucin de los pozos afecta el
entrenamiento de las transformadas. Los grficos de error de esta transformada se muestran a
continuacin.

Figura 4. 59 Error Promedio vs Nmero de Atributos, Transformadas Multi-atributos Ssmica
Pozo. Se observa la variacin del error (promedio y de validacin) con el nmero de atributos.

En la Figura 4.59, se observa que el nmero de atributos presentes en el proyecto
disminuyen el error promedio y el error de validacin.

Figura 4. 60 Variacin del Error Promedio en funcin del Pozo.
122

En la Figura 4.60, se observa que los pozos usados en el proyecto presentan diferentes
errores. El mayor error se presenta en el pozo 37, mientras que el menor se presenta en el Pozo 38.

Figura 4. 61 Error Promedio en Funcin del Operador de Longitud.

De la Figura 4.61, se aprecia que el operador de cinco (5) puntos es el que presenta el
menor error promedio y que se mantiene una tendencia a disminuir este error para los primeros
cuatro (4) atributos, que luego se hace, aproximadamente, constante para el quinto atributo.
La aplicacin de esta transformada s se puede observar en la Figura 4.62
123

Figura 4. 62 Aplicacin de Transformada Multi-atributo Ssmica/Pozo. Error Promedio= 13,02
(us/ft); Corr= 0,37.

Comparando los resultados obtenidos con las transformadas simples, de la primera fase,
se puede notar que el ajuste de las aplicaciones con el uso de transformadas Multi-atributos es
mejor, en funcin del error de entrenamiento y de la correlacin cruzada. La validacin de la
mejor transformada se muestra en la Figura 4.63.
124

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

En la Figura 4.63, se observa que el error de validacin es similar al error de
entrenamiento (Figura 4.62), lo que indica que la transformada obtenida es confiable fuera del
intervalo de entrenamiento. Tambin se aprecia que el valor de correlacin es mayor en el Pozo
46, lo que indica que la prediccin realizada en este pozo es ms similar al registro original.

4.3.3 Transformadas Muli-Atributos con Redes Neuronales, Ssmica/Pozo
Los resultados obtenidos en la seccin 4.3.2 fueron usados como datos de entrada para el
entrenamiento de dos arquitectura de redes neuronales (PNN y MLFN). Las redes fueron
entrenadas con los parmetros mostrados en las Tablas 4.24 y 4.25.
125

Tabla 4. 24 Parmetros de PNN Transformadas Ssmica/Pozo
PNN
Entrenada en:
Pozo 36: (356 a 1208) ms
Pozo 37: (360 a 1192) ms
Pozo 38 (352 a 1196) ms
Pozo 41: (352 a 1208) ms
Atributos Usados:
Tiempo
Amplitud Coseno de Fase, Pesada
(Derivada instantnea)**2
Amplitud de Pesada de Fase
Correlacin: 0,96
Parmetros de la Red
Red en Modo Mapeo
Nmero de Sigmas: 25

126

Tabla 4. 25 Parmetros MLFN Transformada Ssmica/Pozo

Los grficos cruzados obtenidos a partir de estas arquitecturas neuronales se presentan en
la Figura 4.64.

Figura 4. 64 Grficos Cruzados Redes Neuronales Ssmica/Pozo. A) PNN: Corr= 0,96 Error=
4,13 us/ft. B) MLFN: Corr= 0,76 Error= 9,07 us/ft
MLFN
Entrenada en:
Pozo 36: (356 a 1208) ms
Pozo 37: (360 a 1192) ms
Pozo 38 (352 a 1196) ms
Pozo 41: (352 a 1208) ms
Atributos Usados:
Tiempo
Amplitud Coseno de Fase, Pesada
(Derivada instantnea)**2
Amplitud de Pesada de Fase
Correlacin: 0,76
Parmetros de la Red
Red en Modo Mapeo
127

En la Figura 4.64 A, se observa que la regresin generada (lnea roja) se ajusta a los datos
del entrenamiento con un valor de correlacin cruzada de 96%, esto es un indicativo de la bondad
de la prediccin realizada. En el caso de la Figura 4,64 B, la situacin vara. El error de
entrenamiento es mayor y la correlacin es menor, por tanto se debe esperar que las
transformadas entrenadas con la PNN ofrezcan mejores resultados, al momento de extender los
resultados obtenidos, a la ssmica. De cualquier forma, con lo mostrado en esta seccin, se
observa que el entrenamiento de las redes neuronales, tanto PNN como MLFN, mejoran
significativamente, los resultados obtenidos con las transformadas Multi-atributos.
La aplicacin de ambas redes se exhibe en la siguientes figuras, donde se incluye tanto la
aplicacin en funcin del entrenamiento, como en funcin del error de validacin.

Figura 4. 65 Aplicacin de Redes Neuronales, Ssmica/Pozo. A) PNN: Corr= 0,96 Error 4,13
us/ft. B) MLFN: Corr= 0,76 Error= 9,07 us/ft

En la Figura 4.65, se observa que la aplicacin de las redes es similar para ambas
arquitecturas neuronales. Como era de esperarse la aplicacin de la PNN presenta un mejor ajuste
en el intervalo de entrenamiento, limitado por las lneas azules. El error de entrenamiento
generado en cada pozo, se muestra en la Figura 4.66.

128

Figura 4. 66 Error de Entrenamiento en funcin del Pozo. A) PNN; B) MLFN
Como se observa, los errores en la Figura 4.66 son similares, aunque el entrenamiento
para la PNN muestra un error promedio mximo de 5 us/ft, mientras que el entrenamiento de la
MLFN, el error promedio mximo es 11 us/ft.
Para ambas redes se ha logrado un mejor ajuste de la prediccin, con respecto a los
registros originales. El error de validacin para ambos casos se presenta en la Figura 4.67.

Figura 4. 67 Validacin de Redes Neuronales, Ssmica/Pozo. A) PNN: Corr= 0,69 Error de
Validacin= 11,51us/ft. B) MLFN: Corr= 0,66 Error de Validacin= 12,17 us/ft.
129

En la Figura 4.67, se observa que la aplicacin de las redes posee un bajo error de
validacin. El principal problema se presenta fuera de intervalo de entrenamiento. Esto puede
ocasionarse, porque los atributos externos se encuentran limitados en esa zona (lneas azules).
Este problema se solventa con la aplicacin de la transformada entrenada al volumen ssmico,
donde se dispone de los atributos ssmicos en todo el cubo.
Con la aplicacin de las transformadas obtenidas, se gener un volumen de velocidad de
Onda P que permiti realizar un el anlisis geolgico de la zona de estudio.
4.4 Aplicacin de Transformadas al Volumen Ssmico.
Las transformadas seleccionadas para aplicarlas al volumen ssmico corresponden a:
La mejor transformada Multi-atributo obtenida en la seccin 4.3.2
La transformada entrenada con MLFN (seccin 4.3.3)
A pesar de que existe una tercera opcin dada por la transformada entrenada con PNN,
con la cual se obtuvo la mejor correlacin y el menor error de validacin en la seccin 4.3.3, el
resultado de la aplicacin de esta transformada al volumen ssmico fue poco confiable, ya que
present una alta estratificacin en la zona de estudio, que no corresponde con lo expresado en la
literatura consultada. Adems, la aplicacin de esta transformada al volumen ssmico disponible
requiri de mucho tiempo de cmputo (entre 14 y 12 horas), lo cual hace que su uso sea poco
prctico.
4.4.1 Aplicacin de Transformada Multi-atributos.
Las figuras mostradas a continuacin corresponden a la aplicacin de la mejor
transformada Multi-atributos. Se presentan las lneas en cada uno de los pozos de entrenamiento,
ya que sto permite correlacionar directamente las velocidades predichas con los registros de
pozo originales.

S N

Figura 4. 68 Lneas del Volumen de Onda P, Transformada Multi-Atributo. A) Inline 759. B) Inline 838.
1
3
0

131

Analizando la Figura 4.69, se puede notar que en ambos pozos las transformadas guardan
relacin con los registros de pozos mostrados, lo que indica que el mtodo usado, efectivamente,
est diferenciado entre las estructuras geolgicas presentes en el rea. Como se observa, en las
lneas 759 y 838, se mantiene una tendencia general de aumentar la velocidad de onda P con el
aumento de la profundidad. Sin embargo, se presentan zonas de altas velocidades rodeadas por
zonas de bajas velocidades.
Las estructuras presentes a profundidades entre 1200 y 1300 ms, en el pozo 37 (lnea 838),
pueden estar asociadas a los grupos Ellenburger (aproximadamente 1250 ms) y Simpson
(aproximadamente a 1150 ms). Estos grupos son dos factores importantes y comnmente citados
del sistema petrolero de la cuenca Delaware, en Texas.
Por la naturaleza de la propagacin de las ondas longitudinales (movimiento de las
partculas, paralelo a la direccin de propagacin), la velocidad de onda p, es mayor en la
direccin paralela a la estratificacin o planos de fallas, siendo menor en la direccin
perpendicular. Lo que se observa en la figura es que existen zonas de alta velocidad (colores
purpuras) limitadas por ares de menor velocidad de Onda P (tonalidades amarillas) lo cual podra
estar relacionados con los topes de las formaciones antes mencionadas.

S N

Figura 4. 69 Lneas del Volumen de Onda P, Transformada Multi-Atributo. C) Inline 893. D) Inline 734.
1
3
2

133

En el caso de la Figura 4.69, se presenta una zona de altas velocidades en la parte inferior,
tanto en la figura C como en la D (color fucsia). Estas zonas pueden estar asociadas al inicio del
basamento rocoso o a zonas donde la prediccin de la transformada no fue efectiva. Esto se puede
presentar debido a que el volumen ssmico original es difuso a altas profundidades, producto de
complejidades estructurales en la zona de estudio. Sin embargo, se puede notar la presencia de
una capa de color Azul claro (correspondiente a valores de velocidad entre 17300 y 17500 ft/s) de
alta velocidad que se presenta a lo largo de toda la lnea. Las irregularidades de esta capa,
pueden estar asociadas a sistemas de fallas presentes en el rea y que, posiblemente, ya no son
activas, puesto que no se observa continuidad de la estructura en la parte superior del estrato. Este
hecho se puede observar en la zona presente entre los crossline 505 y 530 a profundidades entre
1400 y 2000 ms.
Para un correcto anlisis de las lneas presentadas, es necesario tener presente como vara
la velocidad de onda P, en funcin del material. En la Tabla 4.26, se muestran algunas
velocidades de inters.

Tabla 4. 26 Velocidad de Onda P en funcin del material (Modificado de Kearey, 2000)
Material VP (ft/s) VP (m/s)
Arena saturada de agua 4920 - 6560 1500 - 2000
Arcillas 3280 - 8200 1000 - 2500
Areniscas 6560 - 19685 2000 - 6000
Calizas 6560 - 19685 2000 - 6000
Dolomas 8200 - 21320 2500 - 6500
Aire 980 300
Agua 4600 - 4920 1400 - 1500
Petrleo 4260 - 4600 1300 - 1400

Figura 4. 70 Lnea del Volumen de Onda P, Transformada Multi-Atributo E) Inline 825.
1
3
4

135

En la Figura 4.70, se aprecia, justo al final del registro de onda P del Pozo 46 una zona de
baja velocidad (Color Verde) limitada por una zona de alta velocidad. Esto puede estar mostrando
un contraste litolgico alto en la zona, que podra estar asociado a la presencia de fluidos en el
rea, ya que como se muestra en la Tabla 4.26, las velocidades de onda P disminuyen en
presencia de gas.
Hardage et al (1998) estima que las formaciones de inters (Ellenburger, Fusselman,
Wristen y Thirtyone), se encuentran en intervalos de tiempo entre 900 y 1200 ms, por ello se
analizaron diferentes secciones de tiempo, extradas del volumen calculado con la transformada
Multi-atributo, las cuales se presentan en las siguientes figuras.

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

136

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 lneas presentadas
anteriormente, las escalas estn invertidas.


En el caso de la Figura 4.72, se aprecian valores altos de lentitud (bajas velocidades),
alternados con valores de baja lentitud, lo cual es una seal de la alta complejidad estructural de
la zona. En la seccin suroeste del corte, se pueden apreciar tonalidades naranjas (lentitudes entre
59.5 y 57.4) que podra estar asociadas a un contraste litolgico, entre una roca de velocidad
menor con una de velocidad mayor. Se podra pensar que se trata del Grupo Ellenburger (color
naranja-amarillo) en contacto con el grupo Simpson (colores Azules y tonos violetas), ya que en
el caso del primer grupo se trata de una sucesin de rocas carbonticas, que segn Major et al
(1998), son en su mayora Dolomas, mientras que el grupo Simpson est compuesto por
intercalaciones de arcillas y areniscas (que adems, podran estar saturadas con gas natural).
137


De forma similar a la Figura 4.72, en la 4.73 se puede apreciar nuevamente tonalidades
amarillas (velocidades de onda P alrededor de 16800 ft/s) en la parte suroeste del corte. Como se
mencion, se piensa que estas tonalidades estn asociadas al grupo Ellenburger, adems el hecho
de que se encuentre presente tanto en el corte a 1200 como 1190 ms, podra indicar que este
grupo se encuentra plegado, formando una cpula al sur del rea de estudio.
4.4.2 Aplicacin de MLFN
De forma anloga se presenta la aplicacin de la transformada entrenada con la MLFN al
volumen ssmico.

Figura 4. 74 Aplicacin de Transformada MLFN al volumen Ssmico. A) Inline 759. B) Inline 838
1
3
8

139

En el caso de las transformadas entrenadas con MLFN, se aprecia una mejor resolucin de
la estratigrafa del rea. En las Figuras 4.74 A y 4.74 B, se observa una espesa capa de color
verde claro, que presenta bajas velocidades. Esta capa es citada por Hardage (1999), como la
razn principal de que los estudios ssmicos realizados en el rea, tengan una mala resolucin de
estratos a grandes profundidades, como las que se encuentran en el Grupo Ellenburger.
A pesar de dicha capa, el mtodo empleado en este trabajo de tesis no parece perder
resolucin vertical, de cualquier forma, se debe esperar una mayor incertidumbre en los valores
que se presentan por debajo de esta capa, ya que todos los parmetros de entrada para el
entrenamiento de las redes fueron extrados de la data ssmica disponible.

Figura 4. 75 Aplicacin de Transformada MLFN al volumen Ssmico. A) Inline 893. B) Inline 734
1
4
0

141

La situacin en Figura 4.75 (A y B), es similar a la descrita en la Figura 4.74. En este,
caso se observa una estructura plegada en la zona central de la seccin, esto evidencia el estilo
estructural de la zona (compresivo). La compresin en el rea, segn se observa en la Figura 4.75,
tiene una direccin Sur-Norte. Esta compresin, se presume, podra ser causada por la orognesis
de Oauchita al sur de Texas. Adems, se puede apreciar que el movimiento compresivo no se
encuentra activo en la actualidad, ya que los estratos superiores se encuentran en posicin plana,
por encima del plegamiento.
Finalmente, se presentan los cortes en tiempo, correspondientes a la transformada
entrenada con MLFN.

Figura 4. 76 Corte en tiempo de Cubo de Onda P, Transformada MLFN. 900 ms.
142

En la Figura 4.76, se aprecia que existen zonas con contrastes de lentitudes bajas. Sin
embargo, la tendencia dominante es hacia las altas lentitudes, lo que muestra, que para el corte de
tiempo estudiado (900 ms), ya en la zona se empienzan a observar estratos ms planos y con un
regimen tectnico menos activo, hecho que podra relacionarse con la culminacin del evento
tectnico que origin la cadena montaosa de Ouachita-Marathon.


143


En las Figuras 4.77 y 4.78, se puede apreciar una distribucin ms uniforme de las
lentitudes en el rea de estudio. Sin embargo, en la parte noreste del corte, existe una zona de
bajas lentitudes, lo que indica altas velocidades. Esta rea, podra estar asociada al basamento de
la cuenca, ya que las velocidades calculadas son de aproximadamente 19920 ft/s, lo que segn la
Tabla 4.26, correspondera a velocidades de onda P, de rocas baslticas o granticas. Tambin se
observa, con mayor claridad en la Figura 4.77, la presencia de posibles carbonatos alrededor del
pozo 37, donde el contraste el valor de lentitud permite calcular velocidades que se encuentran en
el rango de este tipo de litologas (15980 ft/s). Estas rocas posiblemente pertenecen al grupo
Ellenburger.
144

CONCLUSIONES Y RECOMENDACIONES

Los registros con mayor correlacin con el registro Snico (Onda P) fueron aquellos que
guardaban una relacin fsica con la propiedad objetivo: Porosidad Neutrn y Gamma
Ray. En casos donde no exista tal relacin los resultados fueron puntuales (slo eran
aceptables en el intervalo de procesamiento), lo cual se reflej en el aumento del error de
validacin.
El rea de estudio presenta variaciones geolgicas laterales reconocibles mediante la
metodologa aplicada. Las transformadas calculadas entre pozos, resultaron mejores en
pozos cercanos que los lejanos. Por tanto, el clculo de las transformadas entre pozos,
permite interpretar el grado complejidad estructural del rea estudiada.
El operador convolucional mejora la relacin entre las frecuencias de los registros de pozo
y la ssmica; sin embargo, aplicando un filtrado extra de los datos (filtro paso banda, con
frecuencia de corte igual a 60 Hz), se puede refinar el resultado obtenido con la
metodologa aplicada.
La extensin de las transformadas obtenidas, al volumen ssmico, permiti la
identificacin efectiva de rasgos geolgicos importantes, como la capa de baja velocidad
que afecta la resolucin de la ssmica medida en la zona. Adems, permiti identificar
anomalas de velocidad en el rea, posiblemente asociadas a la presencia de gas en las
formaciones de inters.
El rea de estudio se encuentra plegada, producto de una compresin tectnica con
direccin sur-norte impulsada, posiblemente, por la orognesis de Ouachita.
La combinacin de Redes Neuronales con Transformadas Multi-atributos, es una
herramienta efectiva para realizar interpretaciones ssmicas, donde la resolucin de esta
ltima sea deficiente.
Se recomienda: Clculo de Atributos externos como coherencia, Inversiones Ssmicas,
para mejorar el entrenamiento de las redes; la medicin de, mnimo dos, nuevos tiros de
verificacin (Check Shots) para lidiar con las complejidades geolgicas de la zona.
Aplicar la metodologa expuesta para predecir propiedades que permitan realizar
145

comparaciones con las ya obtenidas (ejemplo, Onda S, Porosidad y/o Permeabilidad), ya
que este tipo de relaciones permitiran enriquecer el anlisis presentado.
Una forma de mejorar los resultados obtenidos en este proyecto consistira, en realizar
una correlacin lateral de los pozos para identificar los topes de inters en los diferentes
registros y as mejorar el entrenamiento de la redes en intervalos especficos de
profundidad. En este caso, no fue posible, debido a que los pozos de entrenamiento no
tenan los registros a todas las profundidades de inters.

146

REFERENCIAS BIBLIOGRFICAS

ADAMS, J., 1965. Stratigraphic-Tectonic Devoloment of Delaware Basin: Bulletin of the
American Association of Petroleum Geologists, Vol. 49, N 11. PP 2140-2148.
BRAVO, J., 2005. Diseo de un programa para la deteccin de primeras llegadas en
trazas ssmicas y datos VSP utilizando Redes Neuronales. Trabajo de Grado, Universidad
Simn Bolvar.
CEDILLO, I., 2003. Estudio de transformadas multi-atributos para predecir propiedades
de registros en el Campo Lama, Lago de Maracaibo. Trabajo de Grado, Universidad
Simn Bolvar.
GARCA, M., 2005. Diseo de un programa para discriminar litologas en registros de
pozo usando Redes Neuronales. Trabajo de Grado, Universidad Simn Bolvar.
GRACIA, E., 2008. Caracterizacin de los Yacimientos C-4 LAG3047 y C-5 LAG3047
mediante anlisis de sismo facies utilizando Redes Neuronales. Trabajo de Grado,
Universidad Simn Bolvar.
HAMPSON, D., SCHUELKE, J., QUIREIN, J., 1999. Use of multiattribute transforms to
predict log properties. Geophysics, Vol. 66, N1; PP 220-236.
HARDAGE, B., SIMMONS, J., PENDLETON, V.,STUBBS, B., USZYNSKI, B., 1998.
3D seismic imaging and interpretation of Brushy Canyon slope and basin thin-bed
reservoirs, northwest Delaware Basin. Geophysics, Vol. 63, N5, PP 1507.1519
HAYKIN, S., 1999. Neural Networks: a comprehensive foundation. Second Edition.
Prentice Hall.
HOLTZ, M., KERANS, C., 1992. Characterization and categorization of West Texas
Ellenburger reservoirs, in Candelaria, M. P., and Reed, C. L., eds., Paleokarst, karst-
related diagenesis, and reservoir development: examples from Ordovician-Devonian age
strata of West Texas and the Mid-Continent: Permian Basin SEPM Publication, Vol 92-
33, PP. 45-58.
KEAREY, P., BROOKS, M., HILL, I., An Introduction to Geophysical Exploration,
Blackwell Science. United State, 3
th
Edition, 2002, PP 99 -117
147

MAJOR, R., HARDAGE, B., ASQUITH, G., LANCASTER, D., PENDLETON, V.,
REMINTON, L., 1998. West Waha and Worsham-Bayer fields data set. Bureau of
Economic Geology. University ofTexas at Austin.
QUIJADA, R. 2012. Caracterizacion mediante transformadas multi-atributos de las arenas
del campo El Salto, Edo. Monagas. Trabajo de Grado, Universidad Simn Bolvar.
REGUEIRO, P., 2007. Ssmica para Ingenieros y gelogos. Guia de estudio. Universidad
Simn Bolvar.
RIDER, M., 2000. The Geological Interpretation of Well Logs. 2
nd
Edition. Gulf
Publishing Company, Houston TX., U.S.A.
RUPPEL, S., HOLTZ, M., 1994, Depositional and diagenetic facies patterns and reservoir
development in Silurian and Devonian rocks of the Permian Basin: The University of
Texas at Austin, Bureau of Economic Geology Report of Investigations No. 216, PP 89.
RUPPEL, S., HOVORKA, S., 1995, Chert reservoir development in the Devonian
Thirtyone Formation: Three Bar field, West Texas: The University of Texas at Austin,
Bureau of Economic Geology Report of Investigations No. 230, PP 50.
SHERIFF, R., 2002. Encyclopedic dictionary of Exploration Geophysics. 4
th
Edition,
Society of Exploration Geophysics, Tulsa.
SHUMAKER, R., 1992. Paleozoic Structure of the Central Basin Uplift and Adjacent
Delaware Basin, West Texas. The American Association of Petroleum Geologists
Bulletin, Vol 76, N 11, PP 1804-1829.
TODOROV, T., 1999. Integration of 3C-3D seismic data and well logs for rock property
estimation, Master Science Thesis, University of Calgary.
TURHAN, T. 2001. Seismic Attributes. CSEG Recorder, Septiembre 2001, PP 48-56.
ZHAO, J., FENG, X., LI, S., WEN, S., GAO, Y., 2003. High Resolution 3D Sesimic for
Mapping of Carbonate Karst, SEG Abstracts 22, N 486.
ftp://ftp.hampson-russell.com/pub/manuals/neuralNetworks.pdf (www.cggveritas.com)

Carlos Briceno PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Carlos Briceno PDF

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD SIMN BOLVAR

DECANATO DE ESTUDIOS PROFESIONALES

es seal de salida de la neurona (Garca, 2005)

Potrebbero piacerti anche