Las electrofacies son agrupaciones realizadas en función de las respuestas en profundidad exhibidas por los registros de pozo, de tal forma que cada grupo cuente con características cuantificables que le permitan diferenciarse de los demás y correlacionarse con agrupaciones en pozos diferentes, y que por tanto reflejan la litología del subsuelo. Estas características convierten a las electrofacies en herramientas idóneas para la caracterización de yacimientos.

Por su naturaleza, la definición de las electrofacies no debe depender de factores subjetivos y/o cualitativos como las observaciones realizadas sobre núcleos de perforación o la interpretación de paleoambientes basados en estructuras sedimentarias. Sin embargo, no existe un consenso universal para su definición, aunque se busca poder determinarlas de manera objetiva.

Por lo anterior, se propone en esta investigación hacer uso de algoritmos de aprendizaje automático (machine learning) no supervisado dedicados a la tarea de análisis de grupos, mejor conocida como clustering, para determinar las electrofacies correspondientes a 6 pozos, pertenecientes al campo Volve, operado por la compañía Equinor, ubicado en el Mar del Norte.

El clustering consiste en agrupar un conjunto de datos de tal forma que los elementos contenidos dentro de un grupo, llamado cluster, son más similares entre sí que con aquellos elementos que pertenecen a otro cluster. Por eso el clustering parece una solución ideal para determinar electrofacies, puesto que de esta forma las agrupaciones creadas cuentan con elementos fuertemente relacionados entre sí, tal como se espera de una electrofacies.

Para realizar la investigación se estableció una metodología para el tratamiento de los datos, que consiste en una primera etapa de preprocesamiento, donde se determinan y eliminan datos anómalos y se normalizan los valores de los registros, un segundo paso de aprendizaje, donde se alimenta un algoritmo con el objetivo de determinar los clusters de manera óptima, y finalmente una tercera instancia de análisis, donde se visualizan los resultados y se procede a su interpretación.

Los resultados muestran que, al hacer uso de algoritmos no supervisados, se logró definir clusters que una vez interpretados pueden tratarse como electrofacies que responden al comportamiento en los registros de resistividad, factor fotoeléctrico, sónico, densidad, porosidad y gamma ray.

  • Jose David Basto Aguirre, Crithian Bolívar Riascos Rodríguez
  • jdbastoa@unal.edu.co, cbriascosr@unal.edu.co
  • Charla