Resumen

El modelo de inteligencia artificial existente utiliza datos de registro de un solo punto como valor propio para predecir los tiempos de viaje de las ondas de corte (DTS), lo que no tiene en cuenta la continuidad longitudinal de los datos de registro a lo largo del yacimiento y carece del mtodo de procesamiento de datos de mltiples pozos. La baja precisin de la prediccin del tiempo de viaje de la onda de corte afecta a la precisin de los parmetros elsticos y da lugar a una prediccin imprecisa de la produccin de arena. Este trabajo establece el modelo de prediccin de ondas de corte basado en la estandarizacin, normalizacin y correccin de profundidad de los datos de registro convencionales con cinco mtodos de inteligencia artificial (regresin lineal, bosque aleatorio, regresin de vectores de soporte, XGBoost y ANN). Los puntos de datos adyacentes en profundidad se utilizan como valores propios de aprendizaje automtico para mejorar la viabilidad de la prediccin entre pozos y la precisin de la prediccin de un solo pozo. Los resultados muestran que el modelo construido con XGBoost utilizando cinco puntos supera a otros modelos en la prediccin. Se obtienen valores de 0,994 y 0,964 para el conjunto de entrenamiento y el conjunto de pruebas, respectivamente. Todos los modelos que tienen en cuenta la continuidad geolgica vertical del yacimiento predicen la DTS del conjunto de prueba con mayor precisin que la prediccin de un solo punto. El modelo desarrollado proporciona una herramienta para determinar los parmetros geomecnicos y dar una sugerencia preliminar sobre la posibilidad de produccin de arena donde los tiempos de viaje de las ondas de corte no estn disponibles. La aplicacin del modelo proporciona una alternativa econmica y fiable para la industria del petrleo y el gas.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Inteligencia artificial; Tiempos de recorrido de las ondas de cizalladura; Datos de registro; Modelo de predicción; XGBoost; Parámetros geomecánicos
• Keywords:Artificial intelligence; Shear wave travel times; Logging data; Prediction model; XGBoost; Geomechanical parameters