Clasificación y determinación de litofacies aplicando metodologías de Inteligencia Artificial en el Grupo Real de la cuenca del Valle Medio del Magdalena a partir de Registros Eléctricos

Abstract

El Grupo MEGIA viene realizando durante los últimos años diferentes tipos de estudios que ayudan a estudiar y entender el comportamiento de los acuíferos presentes en la Cuenca del Valle Medio del Magdalena (VMM). Uno de dichos estudios fue el petrofísico, donde litológicamente se clasificaron diferentes formaciones y facies dentro de la unidad de interés; este trabajo es una extensión de dichos estudios petrofísicos, usando metodologías de Inteligencia Artificial (IA) entre ellas diferentes algoritmos de Machine Learning (ML) que ayudan a clasificar y predecir diferentes propiedades y características de la cuenca. En la presente investigación se utilizaron dichas técnicas para replicar metodologías clásicas en petrofísica, para predecir y modelar curvas faltantes en los pozos, y para clasificar y predecir litofacies, el cual es el objetivo principal de este proyecto. Para los cálculos petrofísicos se utilizaron las ecuaciones convencionales, calculando entonces la porosidad, volumen de arcilla y saturación de agua en los pozos, a partir de curvas litológicas, como la Gamma Ray (GR) y el Factor Fotoeléctrico (PEF), además de curvas de porosidad, como la sónica (DT), densidad (RHOB) y la de Neutrón (NPHI). Para la predicción de curvas faltantes fueron necesarios diferentes mecanismos de correlación para determinar las mejores curvas que se ajusten a cada registro que se quiere predecir. Se pudo definir una buena correlación entre las curvas GR y RHOB, además de NPHI con PE. Para la predicción de la curva sónica, se utilizaron todas las curvas previamente nombradas, y se pudo hacer una buena predicción, con un ligero desfase en los intervalos más arcillosos. Se optimizaron los hiperparámetros de Random Forest, viendo un incremento no tan considerable, dado que los hiperparámetros estándar, dieron un excelente ajuste. Para la clasificación de facies se usó un método de Aprendizaje No Supervisado, KMneas, dando por lo general agrupamiento de 3 grupos de Facies, las de Lodolita, Arenita Limpia y Arenita Lodosa. Para la clasificación de las facies se usaron métodos de Aprendizaje Supervisado, utilizando el número de clústeres ya usado. Dentro de los algoritmos utilizados, el de mejores resultados de precisión, fue el de Árbol de Decisión, con valores incluso del 99% (Texto tomado de la fuente).

The MEGIA Group has been conducting various types of studies in recent years to help study and understand the behavior of aquifers in the Middle Magdalena Valley Basin (VMM). One of these studies was petrophysical, where different formations and units within the unit of interest were lithologically classified. This work is an extension of these petrophysical studies, using artificial intelligence (AI) methodologies, including various machine learning (ML) algorithms to help classify and predict different properties and characteristics of the basin. In this work, these techniques were used to replicate classical petrophysical methodologies, to predict and model missing petrophysical well logs in wells, and to classify and predict lithologies, which is the main objective of this document. For petrophysical calculations, conventional equations were used to calculate porosity, shale volume, and water saturation in wells from lithological curves, such as Gamma Ray (GR) and Photoelectric Factor (PEF), and also from porosity curves, such as sonic (DT), density (RHOB), and neutron (NPHI). For the prediction of missing curves, different correlation mechanisms were necessary to determine the best well logs that fit each record to be predicted. A good correlation could be defined between the GR and RHOB well logs, as well as NPHI with PE. The Random Forest hyperparameters were optimized, seeing a not so considerable increase, since the standard hyperparameters gave an excellent fit. For the prediction of the sonic well log, all the previously named curves were used, and a good prediction could be made, with a slight lag in the most clayey intervals. For the classification of facies, a non-supervised learning method, the K-means method, was used, generally giving a grouping of 3 groups of facies, namely mudstone, clean sand, and loamy sand. Supervised learning methods were used for the classification of facies, using the number of clusters already used. Among the algorithms used, the one with the best accuracy results was the Decision Tree, with values of even 99% accuracy.