Resumen

La imagen de formación (TI) tiene una gran influencia en el modelado de yacimientos como correlación espacial en la geoestadística multipunto. A diferencia del variograma de la geoestadística de dos puntos, que está definido matemáticamente, existe un alto grado de incertidumbre geológica para determinar un IT adecuado. El objetivo de este estudio es desarrollar un modelo de clasificación para determinar el escenario geológico adecuado entre los IT plausibles mediante el uso de métodos de aprendizaje automático: (a) máquina de vectores de soporte (SVM), (b) red neuronal artificial (ANN) y (c) red neuronal convolucional (CNN). Después de utilizar los datos de producción simulados para entrenar el modelo de clasificación, se puede seleccionar la IT más posible cuando las respuestas de producción observadas se introducen en el modelo entrenado. Este estudio, por lo que sabemos, es la primera aplicación de la CNN en la que los datos del historial de producción se componen en forma de matriz para utilizarlos como imagen de entrada. Los datos de entrenamiento se establecen para cubrir varias tendencias de producción para que los modelos de aprendizaje automático sean más fiables. Por lo tanto, se generaron un total de 800 yacimientos canalizados a partir de cuatro IT, que tienen diferentes direcciones de canal para considerar la incertidumbre geológica. Los dividimos en conjuntos de entrenamiento, validación y prueba de 576, 144 y 80, respectivamente. La capa de entrada comprendía 800 datos de producción, es decir, las tasas de producción de petróleo y los cortes de agua de ocho pozos de producción durante 50 pasos de tiempo, y la capa de salida consistía en un vector de probabilidad para cada IT. Los modelos SVM y CNN redujeron razonablemente la incertidumbre en el modelado de la distribución de facies basado en la probabilidad fiable para cada IT. Aunque la RNA y la CNN tenían aproximadamente el mismo número de parámetros, la CNN superó a la RNA en términos de conjuntos de validación y de prueba. La CNN clasificó con éxito las IT del modelo de referencia con una probabilidad de alrededor del 95%. Esto se debe a que la CNN puede captar la tendencia general del historial de producción. Las probabilidades de IT de la SVM y la CNN se aplicaron para regenerar modelos de yacimientos más fiables utilizando el concepto de rechazo de IT y redujeron con éxito la incertidumbre en el escenario geológico.

• Materias:Algoritmos genéticos Geoquímica Análisis de suelos Agua Carbón
• Subjects:Genetic algorithms Geochemistry Soil testing Water Coal
• Palabras claves:cnn, conjunto de pruebas, incertidumbre geológica, modelo de clasificación, red neuronal artificial, tasa de producción de petróleo, modelo de aprendizaje automático, red neuronal convolucional, svm, datos del historial de producción
• Keywords:cnn, test set, geological uncertainty, classification model, artificial neural network, oil production rate, machine learning model, convolutional neural network, svm, production history data