Automatic Identification of Calcareous Lithologies Using Support Vector Machines, Borehole Logs and Fractal Dimension of Borehole Electrical Imaging

Identificación Automática de Litologías Calcáreas Utilizando Máquinas de Vector de Soporte, Registros de Pozo y Dimensión Fractal de Imágenes Eléctricas de Pozo

En esta investigación algoritmos de máquinas de vector de soporte (MVS) y una función lógica fueron aplicados para identificar automáticamente secciones con rocas carbonáticas en pozos ubicados en la antigua Concesión Barco, Cuenca de Catatumbo - Colombia. Durante las etapas de clasificación las MVS utilizan registros de neutrón, factor fotoeléctrico y rayos gamma como entrada; también media y varianza de la resistividad adquirida por herramientas de imágenes y dimensión fractal de imágenes resistivas. La primera MVS emplea en la etapa de entrenamiento intervalos manualmente interpretados de calizas fosilíferas, realizado por un geólogo especialista integrando información de correlación núcleo-registro de un pozo piloto; posteriormente, en etapas de clasificación, esta MVS automáticamente reconoce intervalos con calizas fosilíferas utilizando solamente datos de registros de cualquier pozo del campo. La segunda MVS fue también entrenada con registros nucleares, resistivos y dimensión fractal, pero en este caso, con información de intervalos compuestos de lutitas calcáreas intercaladas con calizas, reconociendo automáticamente estas asociaciones de rocas durante la etapa de clasificación sin requerir interpretaciones de un geólogo como dato de entrada. Adicionalmente, se aplicó una función lógica a intervalos con factor fotoeléctrico ≥ 4 y todas las secciones no clasificados por las MVS fueron agrupadas como rocas calcáreas laminadas. Las MVS y la función lógica mostraron precisiones de 98.76%, 94.02% y 94.60% respectivamente en seis pozos evaluados y podrían ser aplicado a otros pozos del campo que tengan el mismo conjunto de datos. Esta metodología es altamente dependiente de la calidad de los datos, por consiguiente, todos los intervalos afectados por malas condiciones del pozo tienen que ser removidos antes de ser aplicados para evitar interpretaciones erróneas. Finalmente, todo el modelo debe ser recalibrado para ser aplicado en otros campos de la cuenca.

INTRODUCCIÓN

Los algoritmos de aprendizaje automático se han aplicado ampliamente en las geociencias en los últimos años, y la mayoría de ellos se centran en la búsqueda de patrones naturales y la clasificación de muestras en enormes conjuntos de datos. Las máquinas de vectores de apoyo (SVM) forman parte de los algoritmos supervisados de los métodos de aprendizaje automático con una aplicación directa y flexibilidad para tratar datos continuos y discretos. En esta oportunidad las SVMs han sido aplicadas a registros de pozos petroleros en la antigua Concesión Barco, Departamento de Norte de Santander - Colombia (Figura 1).