Resumen

En la exploración petrolífera, el registro acústico (DT) se utiliza popularmente como estimador para calcular la porosidad de la formación, realizar estudios petrofísicos o participar en análisis e investigaciones geológicas (por ejemplo, para cartografiar la presión anómala de los fluidos porosos). Pero a veces no existe en esos pozos antiguos perforados hace 20 años, ya sea por pérdida de datos o porque simplemente no se registraron en su momento. Por lo tanto, sintetizar el registro DT se convierte en una tarea necesaria para los investigadores. En este artículo proponemos utilizar una máquina de aprendizaje extremo de núcleo (KELM) para predecir los registros sónicos (DT) faltantes cuando sólo se dispone de registros comunes (por ejemplo, rayos gamma naturales: GR, resistividad profunda: REID, y densidad aparente: DEN). Los registros comunes se establecen como predictores y el registro DT es el objetivo. Utilizando KELM, se crea en primer lugar un modelo de predicción basado en los datos experimentales y, a continuación, se confirma y valida mediante pruebas ciegas de los resultados en pozos que contienen tanto los predictores como los valores objetivo (DT) utilizados en el entrenamiento supervisado. Por último, se establece el modelo óptimo como predictor. Se presenta un estudio de caso para pozos del sondeo GJH de la cuenca de Erdos, sobre la inversión de la velocidad utilizando los valores DT estimados por KELM. Los resultados son prometedores y alentadores.

• Materias:Ingeniería electrónica Redes Inalámbricas Ingeniería Eléctrica Procesamiento de señales asistido por computador Sistemas de comunicación Informática
• Subjects:Electronic engineering Wireless Networks Electrical Engineering Signal processing computer-assisted Communication systems Computing
• Palabras claves:kelm, registro dt, registros comunes, máquina de aprendizaje extremo kernel, rayos gamma naturales, predictores, resultados, objetivo, pozos, valores dt
• Keywords:kelm, dt log, common logs, kernel extreme learning machine, natural gamma ray, predictors, results, target, wells, dt values