5 minute read
Análisis geomecánico
Análisis geomecánico del subsuelo
Por / By : Daniel López Aguirre¸ Silvia Raquel García Benítez y Nicolás López Rubén
El estudio técnico abordó la obtención de la velocidad de corte y parámetros elástico-geomecánico, utilizando redes neuronales.
La velocidad de ondas de corte y los parámetros elásticos como el módulo de Young, relación de Poisson, módulo volumétrico, módulo de corte y parámetro de Lamé; son insumos útiles y necesarios en el análisis de geomecánica del subsuelo.
Con esta información se generan diversas posibilidades de análisis del subsuelo; mientras se logra robustecer el espectro de decisiones durante las etapas de perforación y terminación de pozos petroleros. No obstante, la importancia de esta información en muchas ocasiones no se tiene disponible.
Para solucionar esta problemática, se han seleccionado y emulado de la literatura; varias correlaciones que aproximan el comportamiento de la velocidad de corte y los parámetros elásticos en el subsuelo. Sin embargo, no en todos los casos, se logra tener una aproximación aceptable con estas correlaciones.
De acuerdo con el estudio, con la aplicación de esta metodología fue posible generar los productos para la construcción de un modelo dinámico de geomecánica profunda; a partir de insumos comunes para la mayoría de los pozos estudiados, como son curvas de registros convencionales de rayos gamma, tiempo de tránsito y densidad volumétrica.
Dicha información fue introducida en simulador de inteligencia artificial que resolvió con las redes neuronales entrenando primeramente con valores conocidos; y posteriormente, aplicando dicha lógica a los casos objetivo.
Geomechanical analysis of the subsoil
With this information, several possibilities of subsurface analysis are generated; while the spectrum of decisions during the drilling and completion stages is strengthened.
The technical study addressed the obtaining of shear velocity and elastic-geomechanical parameters, using neural networks.
The shear wave velocity and elastic parameters such as Young’s modulus, Poisson’s ratio, volumetric modulus, shear modulus and Lamé’s parameter are useful and necessary inputs in the analysis of subsoil geomechanics.
With this information, several possibilities of subsurface analysis are generated; while the spectrum of decisions during the stages of drilling and completion of oil wells is strengthened. However, the importance of this information is often not available.
To solve this problem, several correlations that approximate the behavior of shear velocity and elastic parameters in the subsurface have been selected and emulated from the literature. However, not in all cases, it is possible to have an acceptable approximation with these correlations.
According to the study, with the application of this methodology it was possible to generate the products for the construction of a dynamic model of deep geomechanics; from common inputs for most of the wells studied, such as conventional gamma ray log curves, transit time and volumetric density.
This information was introduced in to artificial intelligence simulator, that solved with neural networks by first training with known values and then applying this logic to the target cases.
With this methodology, it was possible to discretize the shear velocity and elastic parameters that are part of the geomechanical model, thus optimizing costs of consumption
Con esta metodología, fue posible discretizar la velocidad de corte y los parámetros elásticos que forman parte del modelo geomecánico; optimizando con esto costos de consumo de horas/equipo generadas con adquisición de registros especializados como el sónico dipolar.
La metodología también permitió ampliar para la obtención otros parámetros de resistencia del medio roca- fluido, haciendo rentable la metodología en muchos aspectos.
De acuerdo con el estudio, la metodología empleada a partir del entrenamiento de las redes neuronales de velocidad de corte y parámetros elásticos fue satisfactoria; la cual es extensible a la obtención de otros parámetros de interés petrolero.
Se obtuvieron curvas de velocidad de corte y parámetros elásticos, con un promedio de 96% de exactitud contra datos medidos en campo; mientras los datos de prueba y los resultados también presentaron una correlación bastante aceptable con datos calculados.
La exactitud que surgió con redes neuronales, no había sido obtenida con ninguna correlación disponible en la literatura para ninguno de los parámetros.
Adicionalmente, se vislumbra como ventaja practica en el uso de esta técnica; que, mediante el entrenamiento adecuado de una cantidad pequeña de datos, puede extrapolarse a áreas de grandes dimensiones con características similares.
Fueron puestas en práctica ciertas características para definir a las redes neuronales (adaptación, flexibilidad, la tolerancia a datos imperfectos); al someterlas a diferentes condiciones de cálculo, de diferentes paquetes de variables como se ha mostrado en este trabajo.
Con los resultados es posible integrar un modelo de geomecánica para cada pozo o pseudopozo en diferentes áreas de estudios a partir de relativamente poca información.
A partir del punto anterior, se pueden construir modelos tridimensionales ( ), que permitan definir en cualquier punto del espacio valores de elasticidad, resistencia, esfuerzos, etc.; esto de gran utilidad para contribuir a la identificación de zonas con las mejores características para la explotación de hidrocarburos. of hours/equipment generated with the acquisition of specialized logs such as the dipole sonic.
The methodology also allowed expanding to obtain other resistance parameters of the rock-fluid medium, making the methodology cost-effective in many aspects.
According to the study, the methodology used from the training of the neural networks of shear velocity and elastic parameters was satisfactory; which is extensible to obtain other parameters of petroleum interest.
Shear rate curves and elastic parameters were obtained with an average of 96% accuracy against field measured data; while test data and results also presented a fairly acceptable correlation with calculated data.
The accuracy that emerged with neural networks had not been obtained with any correlation available in the literature for any of the parameters.
Additionally, it is seen as a practical advantage in the use of this technique; that, by means of the adequate training of a small amount of data, it can be extrapolated to areas of large dimensions with similar characteristics.
Certain characteristics were put into practice to define the neural networks (adaptation, flexibility, tolerance to imperfect data); by subjecting them to different calculation conditions, of different variable packages as shown in this work.
With the results it is possible to integrate a geomechanics model for each well or pseudo well in different study areas from relatively little information.
From the previous point, it is possible to build three-dimensional models ( ), which allow defining at any point in space values of elasticity, resistance, stresses, etc.; this is very useful to contribute to the identification of areas with the best characteristics for hydrocarbon exploitation.