El enfoque de aprendizaje automático ayuda a la evaluación de Source Rock

Jul 29, 2023

Los parámetros geoquímicos son conjuntos de datos cruciales para mejorar la precisión de la predicción de zonas ricas en materia orgánica. Sin embargo, los métodos de análisis de laboratorio actuales para obtener estas mediciones son costosos y requieren mucho tiempo. Si bien existe un rico conjunto de conocimientos y ecuaciones para estimar el carbono orgánico total (COT) a partir de registros con cable, continúan nuevos esfuerzos de investigación, especialmente aprovechando el aprendizaje automático (ML), para predecir parámetros geoquímicos a partir de registros con cable. Sin embargo, estos métodos dependen en gran medida de la disponibilidad y calidad de los datos. Los parámetros geoquímicos como el TOC brindan información valiosa para comprender la riqueza y madurez orgánica de las rocas y, por lo tanto, optimizar la exploración de hidrocarburos.

El TOC se puede definir como la cantidad de contenido orgánico en una roca. La materia orgánica es el componente más importante en la evaluación de la roca madre. Por lo tanto, comprender las variaciones en el TOC es importante para evaluar la calidad de la roca generadora de hidrocarburos, identificar zonas ricas en materia orgánica y mejorar la caracterización de yacimientos no convencionales. Anteriormente, los cálculos matemáticos utilizando registros ayudaban a estimar los valores de TOC y determinar la productividad de la roca madre (Passey et al. 1990). La interpretación condujo a la identificación del contenido orgánico y de los intervalos ricos en materia orgánica madura. Dos de las formas de calcular el TOC utilizando registros son la relación sónica/resistividad (Ahangari et al. 2022) y combinaciones de registros (Fertl et al. 1988). Estos enfoques proporcionan una evaluación de la capacidad de la roca madre para liberar hidrocarburos. Debido a las limitaciones de estos métodos, este artículo presenta un flujo de trabajo novedoso para predecir perfiles TOC continuos de alta resolución utilizando ML, en solo unos minutos. Este enfoque ayuda a aumentar la precisión de las predicciones de los parámetros geoquímicos. No es destructivo y requiere una necesidad mínima de pruebas de laboratorio.

AntecedentesTOC es un parámetro crítico para la identificación de zonas ricas en materia orgánica y la caracterización de rocas generadoras en una formación rocosa. Una limitación importante de los datos de TOC medidos en laboratorio es el hecho de que estas mediciones son discretas y dispersas y no cubren toda el área de interés debido a la naturaleza destructiva del análisis. También se pueden incorporar imágenes que contienen atributos de color al flujo de trabajo para ayudar a predecir los parámetros geoquímicos. Se ha introducido un flujo de trabajo de ML para detectar y visualizar diferentes parámetros geoquímicos para mejorar la caracterización de zonas ricas en materia orgánica de una manera no destructiva (Shalaby et al. 2019). Aquí, mostramos un flujo de trabajo de ML que utiliza imágenes centrales y datos de laboratorio de TOC para generar perfiles TOC continuos de alta resolución de manera oportuna.

MetodologíaLas fotografías principales se descompusieron en atributos de entropía y color (curvas rojas, verdes y azules). Se utilizó una ventana de media móvil para extraer curvas visuales continuas de los atributos. Estos atributos se compararon con sus correspondientes mediciones de TOC medidas en el laboratorio utilizando el instrumento de pirólisis Rock Eval.

El flujo de trabajo consta de dos algoritmos de ML. El primer algoritmo es la agrupación de K-medias no supervisada, que utiliza la entropía extraída y las curvas de color como entradas. Esto generó una curva continua de conglomerados basada en los atributos extraídos. Con base en el conocimiento previo de las mediciones de TOC del núcleo, se seleccionó el número de grupos de rocas. Por ejemplo, se identificaron diferentes mediciones de TOC, que incluyen valores altos, medios y bajos. En este caso el número de clusters generados será tres. Este enfoque es útil para clasificar directamente intervalos con valores altos de TOC. El segundo algoritmo aplicó regresión de vector de soporte (SVR), con los atributos extraídos vinculados a los valores de TOC. Este enfoque utilizó el 80% de los datos para entrenar el modelo y el 20% para las pruebas ciegas y la validación del modelo. El resultado final se puede utilizar para producir un perfil TOC continuo de alta resolución (Fig. 1).

Resultados El flujo de trabajo generó resultados prometedores que consisten en perfiles TOC continuos de alta resolución para intervalos de roca madre a través de algoritmos ML de manera no destructiva (Fig. 2). Los resultados muestran una generación exitosa de un perfil TOC continuo con una precisión de predicción del 90% dentro de ±1% de los datos medidos (Fig. 3). El uso de imágenes consistentes y de alta calidad junto con una distribución de datos adecuada puede ayudar a producir resultados con un alto grado de precisión de predicción. Construir y entrenar el modelo basado en imágenes de alta calidad y una amplia gama de distribución de datos mejora los resultados predictivos y, en última instancia, mejora la caracterización de zonas ricas en materia orgánica y recursos no convencionales (Peters et al. 2016).

El flujo de trabajo de ML predijo perfiles TOC precisos para intervalos de roca madre. Además, obtener un gran conjunto de datos para la capacitación ayuda a generar resultados precisos de manera rentable y rentable para la determinación de TOC, con menos pruebas de laboratorio y sin destrucción de muestras de rocas. Este enfoque rápido y no destructivo optimizó la identificación precisa de TOC, que puede afectar directamente la clasificación de las zonas ricas en materia orgánica y, por lo tanto, mejorar la caracterización de la roca madre. Otra implicación del flujo de trabajo es utilizar el perfil de TOC generado para un solo pozo y aplicarlo para calibrar otras mediciones de TOC para los pozos vecinos con geología y atributos geoquímicos similares. En última instancia, esta predicción puede ayudar a mejorar la exploración de hidrocarburos de forma rentable en unos pocos minutos.

Resumen y conclusiones Para comprender la riqueza de la roca madre y su capacidad para liberar hidrocarburos, es fundamental analizar los parámetros geoquímicos, que pueden distinguir la cantidad de materia orgánica en una roca y detectar la madurez de la roca (Tissot et al. 1987). Por lo tanto, analizar el TOC y otros parámetros geoquímicos es esencial para comprender la posibilidad de la tasa de expulsión de hidrocarburos (Carvajal-Ortiz et al. 2018). La presencia de diferentes mediciones de parámetros geoquímicos dentro de una unidad de roca determina variaciones en el contenido de roca orgánica y, por lo tanto, mejora la identificación de zonas ricas en materia orgánica (Peters et al. 2010). Estos parámetros juegan un papel importante en la identificación de la fuente y el tipo de hidrocarburos.

Aunque los datos geoquímicos de laboratorio brindan una buena comprensión del contenido químico de la roca, el uso de aplicaciones de aprendizaje automático para identificar y cuantificar parámetros geoquímicos puede ser una herramienta rentable y rentable, que proporciona insumos y parámetros para mejorar la caracterización de la roca madre y el desarrollo del campo. El flujo de trabajo muestra un perfil TOC continuo de alta resolución generado con éxito con una precisión de predicción de hasta el 90 % de manera oportuna y rentable. El resultado muestra un gran potencial para estimar parámetros geoquímicos utilizando un flujo de trabajo ML. El flujo de trabajo se implementa para evaluar y predecir TOC de manera no destructiva y oportuna. Este enfoque también se puede utilizar para predecir y calibrar los valores de TOC (Bath 2002) para los pozos cercanos con la recomendación de utilizar una distribución de datos suficiente y una calidad de imagen superior para una predicción más alta.

ReferenciasAhangari, D., Daneshfar, R., Zakeri, M., Ashoori, S. y Soulgani, BS 2022. Sobre la predicción de parámetros geoquímicos (TOC, S1 y S2) considerando los parámetros de registro de pozo utilizando estrategias ANFIS y LSSVM. Petróleo, 8 (2), 174–184.

Bath, A. 2002. Parámetros geoquímicos requeridos del programa de caracterización del sitio SKB. Suecia.

Carvajal-Ortiz, H. y Gentzis, T. 2018. Detección geoquímica de rocas generadoras y yacimientos: la importancia de utilizar el programa analítico adecuado. Revista Internacional de Geología del Carbón, 190, 56–69.

Fertl, WH y Chilingar, GV (1988). Contenido de carbono orgánico total determinado a partir de registros de pozos. Evaluación de formación de SPE, 3 (02), 407–419.

Passey, QR, Creaney, S., Kulla, JB, Moretti, FJ y Stroud, JD 1990. Un modelo práctico para la riqueza orgánica a partir de registros de porosidad y resistividad. Boletín de la AAPG, 74 (12), 1.777–1.794.‏

Peters, KE, Walters, CC y Moldowan, JM 2010. La guía de biomarcadores (Vol. 1). Prensa de la Universidad de Cambridge.‏

Peters, KE, Xia, X., Pomerantz, AE y Mullins, OC 2016. Geoquímica aplicada a la evaluación de recursos no convencionales. Manual de recursos de petróleo y gas no convencionales, 71–126. Publicaciones profesionales del Golfo.

Shalaby, MR, Jumat, N., Lai, D. y Malik, O. 2019. Predicción integrada de TOC y caracterización de la roca generadora mediante aprendizaje automático, registros de pozos y análisis geoquímico: estudio de caso de las rocas generadoras del Jurásico en el campo Shams, Desierto NO, Egipto. Revista de ciencia e ingeniería del petróleo, 176, 369–380.

Tissot, BP, Pelet, R. y Ungerer, PH 1987. Historia térmica de cuencas sedimentarias, índices de maduración y cinética de la generación de petróleo y gas. Boletín AAPG, 71 (12), 1.445–1.466.‏