Abstract

LEAL F., Jorge A.; OCHOA G., Luis H.  and  CONTRERAS F., Carmen C.. Identificación Automática de Litologías Calcáreas Utilizando Máquinas de Vector de Soporte, Registros de Pozo y Dimensión Fractal de Imágenes Eléctricas de Pozo. Earth Sci. Res. J. [online]. 2018, vol.22, n.2, pp.75-82. ISSN 1794-6190.  https://doi.org/10.15446/esrj.v22n2.68320.

En esta investigación dos máquinas de vector de soporte (MVS) y una función lógica fueron aplicadas para identificar automáticamente secciones calcáreas en pozos ubicados en la antigua Concesión Barco, Cuenca de Catatumbo - Colombia. Durante etapas de entrenamiento las MVS utilizaron registros nucleares, tales como neutrón, factor fotoeléctrico y rayos gamma para diferenciar secciones calcáreas de clásticas; adicionalmente, en esta etapa la dimensión fractal de las imágenes resistivas junto con la media y varianza de la resistividad adquirida con la herramienta de imágenes (de alta resolución), son empleadas para identificar rasgos texturales de las rocas. La primera MVS también empleó durante el entrenamiento intervalos manualmente interpretados de calizas fosilíferas, realizado por un geólogo especialista integrando información de núcleo y registro de un pozo piloto; posteriormente, durante la clasificación, esta MVS automáticamente reconoció intervalos con calizas fosilíferas utilizando solamente datos de registros de cualquier pozo del campo. La segunda MVS fue entrenada con registros nucleares, resistivos y dimensión fractal, pero en este caso, también con información de intervalos compuestos de lutitas calcáreas intercaladas con calizas, reconociendo automáticamente estas asociaciones de rocas durante la clasificación sin requerir interpretaciones de un geólogo como dato de entrada. Finalmente, se aplicó una función lógica a intervalos con factor fotoeléctrico ≥ 4 y todas las secciones no clasificadas 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 cinco pozos evaluados y puede ser aplicado a otros pozos del campo que tengan igual conjunto de datos. Esta metodología es dependiente de la calidad de los datos y todos los intervalos afectados por pobres condiciones del hoyo deben ser removidos para evitar interpretaciones erróneas. Este modelo debe ser recalibrado en caso de ser aplicado en otros campos de la cuenca.

Keywords : aprendizaje de máquinas; máquinas de vector de soporte; registros de pozo; registro de imágenes; dimensión fractal; litologías calcáreas; Cuenca de Catatumbo.

        · abstract in English     · text in English     · English ( pdf )