Caracterización del Yacimiento a partir de los obtenidos en la toma de registros a Hueco Ab usando Redes Neuronales Artifi
I
Jhon Harald Dsoric Sánchez Jng. de Petróleos. USCD. Efrafn Pedraza Salazar. Ing. de Petróleos. USGO.
entra de la ingeniería de yacimientos petrolíferas, existe la necesidad de caracterizar los yacimientos. Para esto se requiere obtener algunas dades que son características del yacimiento como son la Porosidad y la Permeabilidad de la roca. Existen varias formas de obtener estas dades: una de ellas es mediante pruebas de laboratorio usando muestras de corazones y la otra es mediante registras de hueco abierto. Por el ■ asta de corazonamiento de los pozos en la industria del petróleo se acostumbra tomar la menor cantidad de corazones y tratar de encontrar la mejor a de caracterizar el yacimiento mediante los registros de pozo a hueco abierto. Para realizar estas caracterizaciones se han definido algunos s que sirven de base pare mejorar la derivación déla permeabilidad y la porosidad; incorporando la influencia de las distintas variables geológicas e controlan el flujo de fluidos. Estos conceptas son:
• Indicador de Zona de flujo (FZI)
' Indice de Calidad de Vacimiento (ROI)
Unidades Hidráulicas de Flujo (UHF)
&i este artículo se plantea la caracterización del yacimiento mediante los registros a hueco abierto (usando las Redes Neuronales Artificiales (RNA) mediante el software NEUR0SGLUH0NS aplicando las topologías perceptran multícapa (MIP). y red generalizada hacia delante (GFF)). perteneciente a campo determinado de Colombia. Las principales conclusiones y resultados son:
; La RNA basada en la topología MLP tiene un coeficiente de correlación mas alto para la generación de porosidad, permeabilidad. FZI. ROI. UHF. que el generado por la RNA basada en la topología de conexión generalizada hacia delante, indicándome un mejor grado de exactitud para la MLP.
La sensibilidad de los datos de entrada para la determinación de la porosidad, permeabilidad. FZI. ROI. y UHF son menores en las RNA's basadas en la topología de conexión generalizada hacia delante que En la RNA basada en la topología perceptran multícapa.
Si el yacimiento es muy heterogéneo o si sus propiedades petrafísicas vanan mucho de un sector del yacimiento a otra, es conveniente ajustar la aplicación (reentrenar la RNA).
Se podría utilizar la misma aplicación para correlacionar la información de dos yacimientos, si la formación que se esta analizando tienen litologías parecidas.
La importancia de este proyecto se basa en la reducción de riesgos y costos a la hora de caracterizar el yacimiento usando las Redes Neuronales Artificiales ya que esta aplicación genera datos confiables mediante registras tomados a hueco abierto correlacionando estos registras con los datos obtenidos basados en las muestras de un pozo coraza nado de un yacimiento.
Las Redes Neuronales Artificiales son aplicables para temas específicos de análisis de datos, interpretación de registros de poza modefamerto áá fue multifasico en tubería, tratamiento de datos sísmicos, caracterización de yacimientos naturalmente fracturados, entre otras.
R*«l«
jlfCM Harold Osorio Sanclxz sfrain Pedraza Salazar
I. AL1, J.K. Neural Networks a new tool tor the petroleum industry. SPE 1994.
*. AMAEFULE, J.O., Altunbay, M., Tiab, D. Kersey,
D. G. and Keelan, D: K., Enhanced reservoir
Idescription using core and log data to identify hvdraulic (flow) units and predict permeability in uncored intervals/wells. SPE 1993.
3. BALCH, R.S. Using artificial intelligence to correlate múltiple seismic attributes to reservoir properties. SPE 1999.
4. COLL, C„ Muggeeridge, A.H. and Jing, X.D. A new method to upseale waterflooding in heterogeneous reservoirs t'or a range of capillary and gravity effects. SPE 2000.
5. DELGADO, Alberto. Inteligencia artificial y minirobots. Editorial ecoe ediciones Santafé de Bogotá D.C., julio 1998.
6. FREEMAN, James, A. Redes neuronales, algoritmos, aplicaciones y técnicas de programación. Editorial Wilmington, Delaware, EUA, Addison -Wesley. Iberoamericana 1993.
7. GARCIA, G. y W: W Whitman. Inversión of a lateral log using neural networks. SPE 1992.
8. KONAR, A. Artificial intelligence and soft computing behavior and cognitive modeling of the human brain. CRC press 2000.
9. KOUIDIER, A. y El Quahed. Application of artificial intelligence to characterize naturally fractured reservoirs. SPE 2003.
10.LIN, Y. and Cunninham, G.A. A new approach to fiizzy- neural system modeling. SPE 1995.
II.MARTINEZ, Victor, J, y Hilera, José, R. Redes Neuronales artificiales, fundamentos, modelos y aplicaciones. Editorial Wilmington, Delaware, EUA, Addison- Wesley. Iberoamericana 1995. 18.MOHAGHEGH, S. and Ameri, S. Artificial neural network as a valuable tool for petroleum engineers. SPE 1995.
13. PAVA, Pérez, Juan, Carlos. Redes neuronales en la enseñanza de las matemáticas. Editorial Universidad Surcolombiana, Neiva. 1999.
14. PEREZ, M.F, Rozo, M. A, Ulloa, R, Calvete, F.
E. Herramienta Software para entrenar redes neuronales en aplicaciones de registros de pozos. Acipet 2003.
15.PRET, L. y Sánchez, S. Preedición del tipo de fluido de un yacimiento basado en datos PVT y de producción usando redes neuronales artificiales. Universidad Industrial de Santander. Escuela de Petróleos, Bucaramanga, 1997.
16.QUENES, A. Fractured Reservoir characterization and performance forecasting using geomechanics and artificial intelligence. SPE 1995.
17.QUINTERO, Eduardo, J. Characterization of naturally fractured reservoirs using artificial intelligence. SPE 2001.
18. RICHARDSON, QS and Weiss, WAV Fractured Reservoir Characterization and performance forecasting using geomechanics and artificial intelligence. SPE 2000.
19.SHACKLERFORD, J. Barry, Neural data structure programming with neurons. Hewlett Packard journal 1989.
20. SCHULUMBERGER, Ltd. Log interpretation principies/applications. Schlumberger educational services, Houston 1989.
21. SOCIETY OF EXPLORATION GEOPHYSICISTIS. Velocity-Permeability relations within hydraulic units. Geophysics 2002.
22. TA^ASSENKO, L. A guide to neural computing applications. Editorial Arnold 1998.
23. TOMSK, R. Hydraulic flow units resolve reservoir description. SPE 2001.
24. WINSTON, Patrick, Henry. Inteligencia artificial. Editorial Wilmington, Delaware, EUA, Addison-Wesley. Iberoamericana 1994.
25. ZELLOU, A.M, Quenes, A. Improved fractured reservoir characterization using neural networks, geomechanics and 3D seismic. SPE 1995.