MACHINE LEARNING APLICADO A REGISTROS GEOFÍSICOS DE POZOS PARA LA CLASIFICACIÓN DE LITOFACIES
En el presente trabajo plantea resolver a través del método Extreme Gradient Boosting (XGBoost), la clasificación de facies litológicas utilizando datos de registros geofísicos de pozos. Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a las computadoras de la capacidad de realizar actividades sin la necesidad de ser programados explícitamente para ello, dentro del ML se tiene el aprendizaje supervisado y el aprendizaje no supervisado, el enfoque utilizado será usar el método supervisado XGBoost para convertirlo en semi-supervisado con el método de auto-entrenamiento.
La importancia del reconocimiento y clasificación de facies reside en que permiten evaluar las características de la roca. En la industria petrolera el análisis de facies puede llevar a predicciones, para encontrar la mejor calidad de roca de los yacimientos petróleo y gas. El método desarrollado se aplicó a datos del Golfo de México, en la Provincia Petrolera del Sureste, utilizando registros geofísicos de pozos marinos, considerando solamente la zona de interés que abarca: Cretácico Superior, Jurásico Superior Tithoniano y Jurásico Superior Kimmerdigiano, donde se han desarrollado facies de bancos oolíticos, que constituyen la roca almacenadora de los yacimientos de aceite y gas.
El proyecto incluyó la programación en Python, el flujo de trabajo para la secuencia del modelo de ML, incluyó desde el acondicionamiento de los datos, hasta la evaluación de resultados, para el modelo desarrollado se evaluaron sus capacidades en la clasificación de las facies, para tener un mejor criterio de aplicación de esta tecnología en datos reales. La clasificación con datos reales puede presentar distintos problemas como la falta de datos, el ruido en los datos, el desbalance entre clases, todo esto afecta y dificulta la categorización de facies. Esta problemática se manejó aplicando diferentes técnicas para tratar estos problemas, para buscar una mejor interpretabilidad y sensibilidad a la presencia de datos dispersos y desbalanceados. Los resultados observados revelan, la capacidad de clasificación de facies del método, exponiendo sus ventajas y desventajas.