Mostrar el registro sencillo del documento
Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional |
dc.contributor.advisor | Montes Vides, Luis Alfredo |
dc.contributor.author | Sotelo Sarmiento, Victor Alfonso |
dc.date.accessioned | 2022-03-01T15:19:13Z |
dc.date.available | 2022-03-01T15:19:13Z |
dc.date.issued | 2021 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/81091 |
dc.description | ilustraciones, graficas, mapas |
dc.description.abstract | El conocimiento del subsuelo es fundamental en la exploración y el desarrollo de yacimientos de hidrocarburos, dentro de múltiples técnicas de inversión sísmica hemos escogido utilizar para este trabajo la Impedancia Elástica Extendida (IEE) con el fin de evaluar propiedades de roca mediante asociación a un rango de ángulos extendido, que físicamente no es posible registrar, y adicionalmente usar tres técnicas de inteligencia artificial con el fin de encontrar las tendencias no lineales que nos permitirán comparar los resultados y eventualmente mejorar las predicciones. Aplicamos la propiedad de IEE para modelar 4 propiedades de roca, el gamma ray, la porosidad, lambda rho y mu rho para el miembro 2nd Wall Creek de la Formación Frontier (Campo Teapot Dome, Wyoming U. S.). En este proceso la relación entre la IEE y cada una de las propiedades se determina de manera lineal, dando lugar a un considerable grado de incertidumbre, principalmente en la predicción del gamma ray y la porosidad, debido a la alta dispersión de los datos. Con el objetivo de buscar una mejor predicción de las mismas 4 propiedades y poder comparar los resultados por distintos métodos, incorporamos de manera independiente 3 técnicas de machine y deep learning, Multi Linear Regression (MLR), Probabilistic Neural Network (PNN) y Deep Feed-forward Neural Network (DFNN). Destacando como resultado que las propiedades modeladas con los algoritmos MLR y DFNN fueron las que mayor definición del yacimiento permitieron en cuanto al coeficiente de correlación en la etapa de validación. Este trabajo fue desarrollado con información del campo Teapot Dome, como caso de estudio, específicamente sobre el miembro Second Wall Creek de la Formación Frontier del cretácico superior, uno de los yacimientos principales, descrito como areniscas fluvio deltaicas. La predicción de las propiedades de yacimiento nos permitió interpretar diferentes cuerpos como zonas óptimas, basados en la distribución de los valores más favorables, tales como porosidad alta, gamma ray bajo, lambda rho bajo y mu rho alto, estas formas se interpretan como complejos de canales distributarios y lóbulos propios de ambientes de frente de playa y deltaicos, sometidos a la acción de mareas, características que se ajustan a la evolución geológica de la cuenca en el área estudiada. El campo cuenta con alrededor de 1.300 pozos (de los cuales preseleccionamos 25) y 72 Km2 de sísmica 3D en versiones pre stack y post stack de buena calidad. Entre las bondades del conjunto de datos están la disponibilidad de un buen número de pozos que nos permitió análisis más robustos y una adecuada evaluación de resultados, tanto para el método de IEE como también en el campo del aprendizaje de máquina, por esta razón resultó conveniente contar con información de un campo de producción, tal como Teapot Dome, cuyos datos son de acceso libre con el objeto de promover la investigación científica. Sus promotores son Rocky Mountain Oilfield Testing Center RMOTC y el U.S. Department of Energy. (Texto tomado de la fuente) |
dc.description.abstract | The knowledge of the subsoil is essential in the exploration and development of hydrocarbon deposits, within multiple seismic inversion techniques we have chosen to use for this work the Extended Elastic Impedance (IEE) in order to evaluate rock properties through association to a range of extended angles, which is not physically possible to record, and additionally using three artificial intelligence techniques in order to find non-linear trends that will allow us to compare the results and eventually improve the predictions. We apply the IEE property to model 4 rock properties, gamma ray, porosity, lambda rho and mu rho for the 2nd Wall Creek member of the Frontier Formation (Teapot Dome Field, Wyoming U.S.). In this process, the relationship between the IEE and each of the properties is determined linearly, giving rise to a considerable degree of uncertainty, mainly in the prediction of the gamma ray and porosity, due to the high dispersion of the data. In order to seek a better prediction of the same 4 properties and to be able to compare the results by different methods, we independently incorporate 3 machine and deep learning techniques, Multi Linear Regression (MLR), Probabilistic Neural Network (PNN) and Deep Feed-forward Neural Network (DFNN). As a result, the properties modeled with the MLR and DFNN algorithms were the ones that allowed the greatest definition of the deposit in terms of the correlation coefficient in the validation stage. This work was developed with data from the Teapot Dome field, as a case study, specifically on the Second Wall Creek member of the Upper Cretaceous Frontier Formation, one of the main reservoirs, described as fluvio-deltaic sandstones. The prediction of the reservoir properties allowed us to interpret different bodies as optimal zones, based on the distribution of the most favorable values, such as high porosity, low gamma ray, low lambda rho and high mu rho, these forms are interpreted as complexes of distributary channels and lobes typical of beachfront and deltaic environments, subjected to the action of tides, characteristics that adjust to the geological evolution of the basin in the studied area. The field has around 1,300 wells (of which we preselected 25) and 72 km2 of 3D seismic in pre-stack and post-stack versions of good quality. Among the benefits of the data set is the availability of a good number of wells that allowed us more robust analyzes and an adequate evaluation of results, both for the IEE method and also in the field of machine learning, for this reason it was convenient have information from a production field, such as Teapot Dome, whose data is freely accessible in order to promote scientific research. Its promoters are the Rocky Mountain Oilfield Testing Center RMOTC and the U.S. Department of Energy. |
dc.format.extent | 115 pagínas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.subject.ddc | 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología |
dc.title | Cálculo de volúmenes de parámetros elásticos por medio de IEE y deep learning para caracterizar yacimientos |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Bogotá - Ciencias - Maestría en Ciencias - Geofísica |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magíster en Ciencias - Geofísica |
dc.description.researcharea | Prospección Geofísica |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.department | Departamento de Geociencias |
dc.publisher.faculty | Facultad de Ciencias |
dc.publisher.place | Bogotá, Colombia |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Bogotá |
dc.relation.references | Alpaydin, E. 2014. Introduction to machine learning. London: MIT press. |
dc.relation.references | Beikman. H. 1962. Geology of the Powder River Basin, Wyoming and Montana, with reference to subsurface disposal of radioactive wastes. |
dc.relation.references | Burkov. A. 2019. The Hundred page Machine learning Book. Pg 74 |
dc.relation.references | Connolly. P. 1999. Elastic Impedance, BP Amoco, Houston, Texas, U.S. |
dc.relation.references | Cooper. S. 2000. Deformation within a basement cored anticline: Teapot Dome, Wyoming. |
dc.relation.references | Deng, L. &. 2014. Deep learning: methods and applications. Foundations and trends in signal processing (Vol. 7). Redmond: Now Publishers. |
dc.relation.references | Dennen et al 2005. Geochemical Analyses of Oils and Gases, Naval Petroleum Reserve No. 3, Teapot Dome Field, Natrona County, Wyoming |
dc.relation.references | Dolton. G. & Fox. J. 1996. Powder River basin province. |
dc.relation.references | Dong. W. 1996. A sensitive combination of AVO slope and intercept for hydrocarbon indication. |
dc.relation.references | Duc, T. L. 2019. Machine learning methods for reliable resource provisioning in edge-cloud computing: A survey. ACM Computing Surveys (CSUR), 1-39. |
dc.relation.references | Gutierrez, E. 2019. Inversión AVA-2D utilizando un algoritmo genético híbrido. Tesis de maestría Universidad Nacional de Colombia. |
dc.relation.references | EXCEL. 2001. Post Stack Migration Report for RMOTC. |
dc.relation.references | Hinton, G. E. 1999. Unsupervised learning: foundations of neural computation. London: MIT press. |
dc.relation.references | HRS. 2020. Neural Networks Theory. Hampson & Russell Help.https://wiki.seg.org/wiki/Teapot_dome_3D_survey |
dc.relation.references | Kirschbaum. M & Mercier. T. 2013. Controls on the deposition and preservation of the cretaceous Mowry shale and Frontier formation and equivalents, Rocky Mountain region, Colorado Utah, and Wyoming. |
dc.relation.references | Mercado. V., Russell. B. & Flores. A. 2006. Neural Networks in Reservoir Characterization. The Leading Edge. |
dc.relation.references | Mohebali, B. T.-B. 2020. Probabilistic neural networks: a brief overview of theory, implementation, and application. Handbook of Probabilistic Models, 347-367. |
dc.relation.references | Mohri, M. R. 2018. Foundations of machine learning. London: MIT press. |
dc.relation.references | Muller. A & Guido. S. 2016. Introduction to Machine Learning with Python. |
dc.relation.references | Preston. J. 2013. Lateral heterogeneity and architectural analysis of the Wall creek member of the upper cretaceous (turonian) Frontier Formation. |
dc.relation.references | Moncayo, M. 2011. Inversión sísmica de datos pre apilado mediante un algoritmo genético: aplicado a zona de canales |
dc.relation.references | Romero. J. D. 2018. Procesamiento, inversión y análisis de la inversión con datos pre-apilados de la sísmica de Teapot Dome 3D, Wyoming, EE.UU |
dc.relation.references | Russell, S. &. 2002. Artificial intelligence: a modern approach. Harlow: Pearson Education Limited |
dc.relation.references | Shuey. R. 1985. A simplification of the Zoeppritz equations |
dc.relation.references | Wang, S. C. 2003. Artificial neural network. Interdisciplinary computing in java programming, 81-100 |
dc.relation.references | Whitcombe et al. 2002. Extended elastic impedance for fluid and lithology prediction. |
dc.relation.references | Whitcombe. D. 2002. Elastic impedance normalization. |
dc.relation.references | Xu, C. M. 2019. When petrophysics meets big data: What can machine do? SPE Middle East Oil and Gas Show and Conference, Society of Petroleum Engineers. |
dc.relation.references | Jones. Ian F. 2013. Transforms, orthogonality, eigenvectors, and eigen values (first break volumen 31) |
dc.relation.references | Russell. Brian H. 1989. Statics correction – A tutorial |
dc.relation.references | Hampson & Russell help system version 10.5 |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.proposal | Impedancia elástica extendida |
dc.subject.proposal | Aprendizaje de máquina |
dc.subject.proposal | Inversión sísmica |
dc.subject.proposal | Predicción de propiedades de yacimiento |
dc.subject.proposal | Extended elastic impedance |
dc.subject.proposal | Machine learning |
dc.subject.proposal | Seismic inversion |
dc.subject.proposal | Reservoir property prediction |
dc.subject.unesco | Yacimientos de minerales |
dc.subject.unesco | Sismología |
dc.title.translated | Calculation of volumes of elastic parameters through IEE and deep learning to characterize reservoirs |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
dcterms.audience.professionaldevelopment | Público general |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
![Atribución-NoComercial-SinDerivadas 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)