Caracterización del Yacimiento a partir de los datos obtenidos en la toma de registros a Hueco Abierto usando Redes Neuronales Artificiales

Caracterización del Yacimiento a partir de los datos obtenidos en la toma de registros a Hueco Abierto usando Redes Neuronales Artificiales

##plugins.themes.bootstrap3.article.main##

Jhon Harold Osorio Sánchez
Efraín Pedraza Salazar
Resumen

Dentro de la ingeniería de yacimientos petrolíferos, existe la necesidad de caracterizar los yacimientos. Para esto se requiere obtener algunas propiedades que son características del yacimiento como son la Porosidad y la Permeabilidad de la roca. Existen varias formas de obtener estas propiedades; una de ellas es mediante pruebas de laboratorio usando muestras de corazones y la otra es mediante registros de hueco abierto. Por el alto costo de corazonamiento de los pozos en la industria del petróleo se acostumbra tomar la menor cantidad de corazones y tratar de encontrar la mejor forma de caracterizar el yacimiento mediante los registros de pozo a hueco abierto. Para realizar estas caracterizaciones se han definido algunos conceptos que sirven de base para mejorar la derivación de la permeabilidad y la porosidad; incorporando la influencia de las distintas variables geológicas que controlan el flujo de fluidos. Estos conceptos son:


Indicador de Zona de Flujo (FZI)


Índice de Calidad de Yacimiento (RQI)


Unidades Hidráulicas de Flujo (UHF)


En este artículo se plantea la caracterización del yacimiento mediante los registros a hueco abierto (usando las Redes Neuronales Artificiales (RNA) mediante el software NEUROSOLUTIONS aplicando las topologías perceptron multicapa (MLP), y red generalizada hacia delante (GFF)), perteneciente a un c:ampo determinado de Colombia. Las principales conclusiones y resultados son:


La RNA basada en la topología MLP tiene un coeficiente de correlación más alto para la generación de porosidad, permeabilidad, FZI, RQI, 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, RQI, 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 perceptron multicapa.


Si el yacimiento es muy heterogéneo o si sus propiedades petrofísicas varían mucha de un sector del yacimiento a otro, 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 está analizando tiene 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 registros tomados a hueco abierto correlacionando estos registros con los datos obtenidos basados en las muestras de un pozo corazonado de un yacimiento.


Las Redes Neuronales Artificiales son aplicables para temas específicos de análisis de datos, interpretación de registras de pozo, rnodelamiento del flujo  multifasico en tubería; tratamiento de datos sísmicos, caracterización de yacimientos naturalmente fracturados, entre otras.


 

Palabras clave

Descargas

Los datos de descargas todavía no están disponibles.

##plugins.themes.bootstrap3.article.details##

Biografía del autor/a / Ver

Jhon Harold Osorio Sánchez, Universidad Surcolombiana

Ing. de Petróleos. USCO

Efraín Pedraza Salazar, Universidad Surcolombiana

Ing. de Petróleos. USCO.
Referencias

ALI, J.K. Neural Networks a new tool for the petroleum industry. SPE 1994.

AMAEFULE, J.O., Altunbay, M., Tiab, D., Kersey, D. G. and Keelan, D: K., Enhanced reservoir description using core and log data to identify hydraulic (flow) units and predict permeability in uncored intervals/wells. SPE 1993.

BALCH, R.S. Using artificial intelligence to correlate multiple seismic attributes to reservoir properties. SPE 1999.

COLL, C., Muggeeridge, A.H. and Jing, X.D. A new method to upscale waterflooding in heterogeneous reservoirs for a range of capillary and gravity effects. SPE 2000.

DELGADO, Alberto. Inteligencia artificial y minirobots. Editorial ecoe ediciones Santafé de Bogotá D.C., julio 1998.

FREEMAN, James, A. Redes neuronales, algoritmos, aplicaciones y técnicas de programación. Editorial Wilmington, Delaware, EUA, Addison-Wesley. Iberoamericana 1993.

GARCIA, G. y W: W. Whitman. Inversion of a lateral log using neural networks. SPE 1992.

KONAR, A. Artificial intelligence and soft computing behavior and cognitive modeling of the human brain. CRC press 2000.

KOUIDIER, A. y El Quahed. Application of artificial intelligence to characterize naturally fractured reservoirs. SPE 2003.

LIN, Y and Cunninham, G.A. A new approach to fuzzy-neural systema modeling. SPE 1995.

MARTINEZ, Victor, J, y Hilera, José, R. Redes Neurolanes artificiales, fundamentos, modelos y aplicaciones. Editorial Wilmington, Delaware, EUA, Addison-Wesley. Iberoamericana 1995.

MOHAGHEGH, S. and Ameri, S. Artificial neural network as a valuable tool for petroleum engineers. SPE 1995.

PAVA, Pérez, Juna, Carlos. Redes neuronales en la enseñanza de las matemáticas. Editorial Universidad Surcolombiana, Neiva, 1999.

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.

PRET, L. y Sánchez, S. Predicción del tipo de fluido de un acimiento basado en datos PVT y de producción usando redes neuronales artificiales. Universidad Industrial de Santander. Escuela de Petróleos, Bucaramanga, 1997.

QUENES, A. Fractured Reservoir characterization and performance forecasting using geomechanics and artificial intelligence. SPE 1995.

QUINTERO, Eduardo, J. characterization of naturally fractured reservoirs using artificial intelligence. SPE 2001.

RICHARDSON, QS and Weiss, W.W. Fractured Reservoir Characterization and performance forecasting using geomechanics and artificial intelligence. SPE 2000.

SHACKLERFORD, J. Barry. Neural data structure programming with neurons. Hewlett Packard journal 1989.

SCHULUMBERGER, Ltda. Log interpretation principles/applications. Schlumberger educational services, Houston 1989.

SOCIETY OF EXPLORATION GEOPHYSICISTIS. Velocity-Permeability relations within hydraulic units. Geophysics 2002.

TARASENKO, L. A guide to neural computing applications. Editorial Arnold 1998.

TOMSK, R. Hydraulic flow units resolve reservoir description. SPE 2001.

WINSTON, Patrick, Henry. Inteligencia artificial. Editorial Wilmington, Delaware, EUA, Addison-Wesley. Iberoamericana 1994.

ZELLOU, A.M., Quenes, A. Improved fracuted reservoir characterization using neural networks, geomechanics and 3D seismic. SPE 1995.

Sistema OJS - Metabiblioteca |