3 minute read
Identificación de
Mediante redes neuronales NNT3, la traza sísmica y la información litológica del pozo se estableció un modelo geocelular capaz de predecir modelos litológicos más precisos
Por / By : Edgar Medina y Jessica Salgado
Los ingenieros Edgar Medina y Jessica Salgado analizan el flujo de la tecnología aplicada a la identificación de sedimentos sísmicos en la calibración de pozos. Al caracterizar áreas de exploración en aguas ultraprofundas, existen diversos desafíos en el terreno geocientífico. Pero, con la tecnología adecuada, los expertos obtuvieron un resultado de cálculo cualitativo y cuantitativo confiable.
En su estudio, Medina y Salgado evalúan tres factores clave: la litología del pozo, el volumen neto de petróleo y el modelo sedimentario. Para describir esos datos se requiere de varios factores, entre otros, la resolución sísmica y un modelo de litofacies 3D. Sin embargo, la metodología que proponen integra los resultados de las redes neuronales NNT3, la traza sísmica y la información litológica del pozo a un modelo geocelular. Con esto, lograron reducir la incertidumbre de resolución de los volúmenes de probabilidad de litofacies.
Using NNT3 neural networks, seismic traces, and lithological information of wells, experts established a geocellular model capable of predicting more accurate lithological models
Engineers Edgar Medina and Jessica Salgado analyze the flow of technology applied to the identification of seismic sediments in oil well calibration. When characterizing ultradeep water exploration areas, various challenges arise for geoscientists. But, with a few technological tools, the experts got reliable qualitative and quantitative calculation results.
In their study, Medina and Salgado evaluate three key factors: oil well lithology, net oil volume, and sedimentary model. In general, to describe these data several factors are required,
Asimismo, estas simulaciones les permitieron obtener un pronóstico estadístico de un modelo litológico tridimensional más probable. Ese modelo, aunado a los algoritmos combinados en aplicaciones tecnológicas permitieron a los ingenieros una optimización global para predecir modelos litológicos.
Para lograr este resultado, Medina y Salgado aplicaron un entrenamiento aleatorio no lineal apoyado con la combinación de multiatributos para supervisar el trazado de una aproximación sísmica. Esto les permitió buscar soluciones simultáneamente, con lo cual lograron un proceso más eficiente y capaz de generar más probabilidades estacionarias como solución.
Esta metodología también brindó soluciones óptimas con los datos reales de la petrofísica del pozo en la posición de la facie predictiva. Con ello, los volúmenes litológicos sirvieron como variable adicional para su interpretación sísmica cuantitativa, lo cual es un valor agregado a los productos de inversión sísmica y a la física de rocas. like seismic resolution and a 3D lithofacies model. However, the methodology they propose integrates the results of NNT3 neural networks, seismic traces and the lithological information of an oil well to a geocellular model. With this, they were able to reduce resolution uncertainties of the lithofacies probability volumes.
Likewise, these simulations allowed them to obtain a statistical forecast from a more probable three-dimensional lithological model. This model, along with the algorithms combined in technological applications, allowed the engineers to predict optimized lithological models.
To achieve this result, Medina and Salgado applied a non-linear random training supported by a combination of multi-attributes to supervise the layout of a seismic approach. This allowed them to search for solutions simultaneously, thus achieving a more efficient process, generating more stationary probabilities.
This methodology also gave optimal solutions with the actual data from well’s petrophysics, particularly to position the predictive face. With that, the lithological volumes served as an additional variable for their quantitative seismic interpretation, which is an added value to seismic inversion products and rock physics.
