Arquitectura
Economía
Ciencias y humanidades
Ingenierías

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.11839/8627
Título: Identificación de la presencia de hidrocarburos en arenas arcillosas usando un algoritmo de machine learning, registros de pozo e imágenes de fluorescencia de corazones
Otros títulos: Identification of the presence of hydrocarbons in clay sands using a machine learning algorithm, well logs and core fluorescence images
Autor(es): Castro Ortega, Angélica Yulieth
Tejada Angarita, Ana Valentina
Director de tesis: Peñaloza González, José Francisco
Gómez Alba, Sebastián Alejandro
Ortega, Edwin
Tipo de licencia: Atribución – No comercial
Palabras clave: Imágenes de corazones;Presencia de hidrocarburos;Saturación de agua;Images of hearts;Presence of hydrocarbons;Water saturation;Tesis y disertaciones académicas
Fecha de publicación: 3-ago-2021
Editorial: Fundación Universidad de América
Resumen: La evaluación de la presencia de hidrocarburos en arenas con intercalaciones de arcilla por debajo de la resolución vertical de los registros de resistividad es una tarea difícil. Las arcillas al ser altamente conductivas generan supresión de los registros de resistividad haciendo que la saturación de agua calculada a través del modelo de Archie sea mayor a la existente en zonas altamente productivas. Otros modelos como Poupon, Waxman-Smits o Simandoux requieren de conocimiento de propiedades eléctricas de las arcillas a través de medidas de laboratorio o calibración en arcillas gruesas y representativas de las laminaciones. Avances recientes en algoritmos de Machine Learning y la disponibilidad de módulos de procesamiento de imágenes en Python, sugieren el entrenamiento de registros de pozo para reconocer variaciones en imágenes de fluorescencia ultravioleta (UV) como una promisoria forma de reconocer la presencia de hidrocarburos en yacimientos complejos. En este trabajo, se propone un nuevo método basado en Machine Learning, el cual es análogo al uso de algoritmos de reconocimiento facial, para predecir la compleja relación existente entre la presencia de hidrocarburos en arenas laminadas y medidas básicas de registro de pozo sin utilizar expresiones analíticas explícitas.
Abstract: Evaluating the presence of hydrocarbon in sands interbedded with clay laminations below the vertical resolution of resistivity logs is a complex task. Clays, being highly conductive, generate suppression of the resistivity logs, making water saturation calculated using the Archie equation high in otherwise potentially productive zones. Other models such as Poupon, Waxman-Smits or Simandoux require knowledge of the electrical properties of clays from laboratory measurements or calibration in thick end-member shales representative of the laminations. Recent advances in machine learning algorithms and the availability of image processing modules in Python suggest training borehole logs to recognize variations in ultraviolet (UV) fluorescence core images as a promising way to recognize the presence of hydrocarbons in complex reservoirs. In this paper, we propose a new method based on Machine Learning, analogous to the use of facial recognition algorithms, to predict the complex relationship between the presence of hydrocarbon in laminated sands and basic well log measurements without using any explicit analytical expressions.
URI: https://hdl.handle.net/20.500.11839/8627
Citación: APA 7th - Castro Ortega, A. Y. y Tejada Angarita, A. V. (2021) Identificación de la presencia de hidrocarburos en arenas arcillosas usando un algoritmo de machine learning, registros de pozo e imágenes de fluorescencia de corazones. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/8627
Aparece en las colecciones:Trabajos de grado - Ingeniería de Petróleos

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
5152271-2021-2-IP.pdf5.11 MBAdobe PDFVisualizar/Abrir
CARTA DE CESIÓN DE DERECHOS Y AUTORIZACIÓN PARA PUBLICACIÓN.pdf
Accesso Restringido
127.39 kBAdobe PDFVisualizar/Abrir    Request a copy


Este ítem está sujeto a una licencia Creative Commons Creative Commons