BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006 Medelln ISSN 0120 3630

87
GuillermoAlzateE.,JohnWilliamBranchB.,OscarMauricioSurezB.yCarlosAndresVegaS.
EscueladeProcesosyEnerga,FacultaddeMinas
UniversidadNacionaldeColombia,SedeMedelln
gaalzate@unal.edu.co
Recibido para evaluacin: 05 de Septiembre de 2006 / Aceptacin: 20 de Noviembre de 2006 / Recibida versin final: 30 de Noviembre de 2006
RESUMEN
Lacorrelacinderegistrosentrepozossisehacedelmodotradicional(inspeccinvisual),esunaactividadcompleja
que demanda tiempo y rigurosidad por parte de uno o varios expertos humanos. En este artculo se presenta una
herramientacomputacionalbasadaenredesneuronales artificiales(RNA)paracorrelacionarregistrosentrepozosy
los resultadosde suaplicacin auncasodecampo.Sehaceunadescripcindelprocesodecorrelacionarcurvasde
registrosentrepozos,ysusexigenciasenpersonalcalificadoytiempo,enespecialencamposdegeologacomplejay
con ungran nmero depozos.Finalmente, sepresentala herramienta de computodesarrolladay suaplicacin.Los
resultadosobtenidosconlaherramientapropuestaalaplicarlaacincopozos,manifiestanunbuendesempeoyresulta
enunabuenayrpidaaproximacinalosresultadosobtenidosporunexpertohumanoensuprocedimientovisualde
correlacin.EstatcnicabasadaenlasRNApresentabuenaversatilidadparacorrelacionarvariostiposdecurvasde
registrosapartirdelaidentificacinencualquierpozodelcampoy/oyacimientoenestudiodeunmarcadorlitolgico
previamenteescogidoenunpozodereferencia.Elresultadofinalesunaherramientacomputacionalconfiable,efectiva
yeficazpararealizareltrabajodecorrelacionarunmarcadorestratigrficodeunpozoaotroenunyacimientodeun
mismocampo.
PALABRAS CLAVES: RegistrosdePozo, RedesNeuronalesArtificiales,Correlacion(Estadistica).
ABSTRACT
Welllogscorrelationifitisperformedbytraditionalway(visualinspection)isacomplexactivitywhichittakeslong
timeandarigorouscommitmentfromoneormorehumanexperts.Thispaperpresentsacomputationaltoolbasedon
artificialneuralnetwork(ANN)tocorrelatelogsamongwellsandalsotheresultsforafieldstudycase.Itispresented
theprocessofwelllogscorrelationanditsrequirementsofqualifiedpeopleandtimespeciallyforhydrocarbonreservoirs
withcomplexgeologyandmanywells.Finally,itispresentedacomputacionaltoolanditsapplication.Thefinalresults
for a five wells logs study case show a good performance, a fast and close approach to the results obtained by an
human expert using the conventional visual inspection procedure. The developed tool based onANN presents good
versatilitytocorrelateseveralwelllogcurvesbeginningfromtheidentificationinanywellofoilfieldorreservoirofa
lithologicmarkerpreviouslypicked ona referencewell.The finalresultis areliableand effectivecomputertoolto
correlateastratigraphicmarkerfromawelltoanotheroneinahydrocarbonreservoiroroilfield.
KEYWORDS: WellLogs,ArtificialNeuralNetwork,Correlation(Statistics).
CORRELACIN DE REGISTROS ENTRE POZOS CON REDES
NEURONALESARTIFICALESUTILIZANDO MLTIPLESCURVASO
VARIABLES REGISTRADAS
BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006
88
1.INTRODUCCIN
Enlaexploracinydesarrollodereservasdehidrocarburos,losregistrosdepozoysucorrelacinseconstituyenen
herramientasfundamentales enlaevaluacinycaracterizacindelyacimiento(Bassiouni,1994Ryder,1996Serra
1985).Losregistrosdepozospermitenlavaloracindeciertascaractersticasypropiedadesdelasformacionesque
son atravesadaspor un pozo.Entre las principalescaractersticas que sepueden valorar a partir de losregistros de
pozosetienenlaresistividad,niveldesaturacindeagua,gradodeconsolidacin,porosidad,litologa,etc.Deotro
lado,lacorrelacinderegistrosentrepozosconsisteenestablecercomparacionesentrelospatronesdecomportamiento
de las curvas en los registros para un punto o zona especifica en el hueco registrado con el fin de establecer la
continuidad, espesor, y movimientos estructurales de las diferentes formaciones de inters a lo largo y ancho de la
estructuraenexploracinyexplotacin(Dienes,1974Ruiz,1996ValleyPrez,1976).Lascurvasmsutilizadasen
los procesosdecorrelacinentre pozos ylageneracindeseccionesestructuralesson losregistrosde rayosgamma
ymicroresistividad.
En la medida que aumenta la extensin delimitada de un yacimiento y el nmero de pozos perforados, el grupo de
geologadeexploracinydesarrollorequieretcnicasdecorrelacinmsrpidas,precisas,ydecarcterautomtico.
Lacorrelacindelosregistrosentrepozosenformaconvencionalserealizaenformaartesanalapartirdelreconocimiento
visualde patronesporparte deunexperto humano,lo que implicaunalarga ytediosatarea, con elagravante dela
menordisposicin deestetipodepersonalenlascompaasoperadoras.
Las RNA proveen un camino rpido y prctico para llegar a una solucin ptima y confiable en un proceso de
reconocimientodepatrones enregistrosdepozos (Edwardsy Einstein,1990Gill,1970Hassibi yErshaghi,1999
HawkinsyMerrian,1974LimyKang,1999StartzmanyKuo,1987ShawyCubbit,1979OleayDavis,1986Olea,
1994). Este trabajo corresponde a una segunda etapa en la solucin al problema planteado, la cual consiste en el
desarrollo de una herramienta de inteligencia computacional basada en Redes NeuronalesArtificiales (RNA) para
realizarlacorrelacinderegistrosentrepozos,medianteelusodedos(2)curvasovariablesregistradas,lacurvade
rayos Gamma (GR) y la curva de microresistividad, lo cual establece la diferencia fundamental con respecto a la
primeraetapadesarrolladaporCoronelyParra(CoronelyParra,2003).
2.DESCRIPCINDELPROBLEMA
Enlaindustriadelpetrleo,laadquisicindedatosdelsubsuelomediantelaoperacindeadquisicinderegistrosen
huecoabiertooentubado,einclusodurantelaoperacinmismadelaperforacin,esunadelasoperacionesquems
tiempoydinerodemandan. Alaparconlaactividaddeobtenerlosregistros,sepresentalaactividadde interpretar
dichosregistrosporpartedeunexpertohumano.Lainterpretacindelosregistrosesunprocesolargoycomplejo,y
queestrelacionadaconeltipodeinformacinquesepretendeextraerdeestos,delasherramientasdisponiblespara
elmanejodelainformacin,yladisponibilidaddepersonalcalificadoparadesarrollardichaactividad.Elusocombinado
delasdiferentescurvasotrazasgeneradasenelprocesoderegistro deunpozoysucorrelacinentrelosdiferentes
pozosperforadosenunyacimiento,haceposible:
Definirloslmitesdeextensindeunyacimiento,ydelasdiferentesformacionesenlacolumnaestratigrfica,
Generarmodelosgeolgicosparaelyacimiento,parausarenetapasfuturasdeexplotacinenuncampoyevitarsu
abandonoprematuro.
Al correlacionar los registros entre pozos, los gelogos primero identifican en la seccin registrada de la columna
estratigrfica,patronescaractersticos,tambinconocidoscomomarcadores,quesondefcilidentificacinyluego
buscan su correspondencia entre los diferentes pozos para cada direccin especfica de anlisis. Por encima y por
debajodelosmarcadoresprincipalestambinsepuedenidentificarotrosmarcadorescuyacorrelacinseaconsistente
con las correlacioneslateralesde los marcadores principales.
Correlacin de registros entre pozos con redes neuronales artificiales utilizando mltiples curvas o variables registradas Alzate, Branch, Surez y Vega.
89
Esta actividades intensiva en el tiempo, y anms en presenciade complejidades y complicacionesgeolgicas que
conllevan a la reexaminacin de las correlaciones previas y a cambiar marcadores ya establecidos, con el fin de
asegurarqueefectivamente sehan identificadoellos marcadoresencadauno delos registrosdelpozo.
Para llevar a cabo un buen proceso de correlacin, se debe conocer acerca de diferentes temticas en geologa y
evaluacin de formaciones, como lo son: ambientes de sedimentacin, principios de adquisicin de registros y sus
medidas, fundamentos de ingeniera de yacimientos, geologa de desarrollo y anlisis de registros (cualitativos y
cuantitativos).
Por lo tanto, es relevante generar e implementar una herramienta capaz de reducir en forma considerable el tiempo
empleado por un experto humano para correlacionar registros, y adems, ser capaz de emular, en algn grado, el
comportamientointuitivoenlabsquedadeunasolucinconfiable.
El propsito de este trabajo es presentar una tcnica que realmente sera una aproximacin de lo que hara un
expertohumanoenelprocedimientodecorrelacin.Laherramientadesarrolladatienelaversatilidaddecorrelacionar
variostiposderegistros,yamododeejemplosepresentasuaplicacinpara elcasodeutilizardos(2)curvas,lade
rayos gamma y la de microresistividad. El resultado final es una herramienta computacional, confiable, efectiva y
eficaz,pararealizareltrabajodecorrelacionarunmarcadorestratigrficodeunpozoaotroenunmismoyacimiento,
y que traslada el razonamiento del experto humano de reconocimiento de patrones a un cdigo de computador. La
aplicacinseprogramenlaplataformaMATLAB6.5.
3.CORRELACINDEREGISTROSENTREPOZOS
La correlacin de registros entre pozos pretende establecer y visualizar la extensin lateral de las formaciones de
inters,ylarelacinespacialentreestasalolargoyanchodelcampoapartirdelreconocimientodepatronesenlas
diferentes trazaso curvas parazonas especficas de la seccin registrada.
Elprocesodecorrelacinderegistrosentrepozosseiniciaconlaseleccindeun datum
*
,omarcador,elcualpuede
serubicadoydistinguidoatravsdetodoslospuntosdeobservacin,pozosenelcampoy/oyacimiento.Engeneral,
unbuen datumloconstituyenlasdenominadaslutitas,puesaparecensobreextensaszonasporencimay/opordebajo
delasformacionesdeinters,yadems,laslutitassondepsitosdebajaenergaqueseasumenhansidodepositadas
ensumayoraenformahorizontal,yporlotantoseconstituyenenunverdaderoplanodeestratificacin.
Unavezseleccionadoel datumseeligenenelmapadelcampopozosrepresentativosparaunamejorinterpretacinde
laestratigrafadelreayconellosseorientalalneadelcorteodireccinenlacualseharalacorrelacin.Estalnea
eslarepresentacin deunplano vertical (seccin),dondese proyectaranlos pozos.Luego,enla seccinsecolocan
consudistanciaaescalalascurvasoregistrosdepozosparalospozoselegidos,yserelacionanapartirdelalneade
referenciaodatum.Estasseccionesdestacanlasdiferenciasendistanciaverticaly espesorparalasformacionespor
encima ypor debajo delplano de referenciaodatum utilizado.Al realizar loanterior, se ignoran todoslos posibles
movimientos estructurales a los cuales la secuencia ha sido expuesta. Despus se pueden correlacionar todos los
eventosabajooarribadelplanodatumcomparandolasrespuestasenlosregistros.
4.CORRELACIONDEREGISTROSMEDIANTEREDESNEURONALESARTIFICIALES(RNA)
Para aplicar la tcnica de las RNA a la correlacin de registros de pozos, en general, se requiere de los siguientes
pasos:
*Horizonteomarcadorprincipal,deampliaextensinlateral.
BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006
90
Clasificacindelosdatos,
Preprocesamientode lainformacin,
Entrenamientode laRNA,
Validacin,
Prueba de la RNA.
Clasificacindelosdatos. Esfundamentaldefinirlosdatos,ydeestosseleccionarlosqueconformaranlosconjuntos
deentrenamiento, devalidacin, ydeprueba.Parael casoen cuestin,lainformacindisponible provenientedelos
registrosdecinco(5)pozossesubdividienlostresconjuntosdeinformacin,tres(3)pozosenlaetapadeentrenamiento,
un(1)pozoparalaetapadevalidacin,yun(1)pozoparalaetapadeprueba.
Preprocesamientodelainformacin.EltratamientodelosdatosdeentradaantesdealimentaralaRNAconstade
lossiguientespasos:
i. Seleccin de datos con alta resolucin vertical. La resolucin de las seales en los registros de pozos es uno de
losaspectosmsimportantesparadiscriminarpatroneslitolgicosdiferentesydefinirconclaridadloslmitesdelos
estratos.Lasherramientasderegistrodebensersensitivasapequeoscambiosenlaestructurasedimentariaenuna
formacin,lafaltadeprecisinconduciradeficienciasenlasinterpretaciones.Paraelcasodeaplicacineneste
estudio,losdatosdeentradacorrespondenalosregistrosderayosgammaymicroresistividadadquiridosenpozosde
unmismocampo.
ii.Fijacin del tamao de la ventana de deslizamiento. La ventana de deslizamiento es una ventana imaginaria de
longitud fija que se desliza a lo largo del registro durante el proceso de suavizacin. El desplazamiento de la
ventanaentrepasoypasoestcontroladoporladiferenciaenprofundidadentredatosconsecutivos.Conrespecto
altamaodelaventananohayuncriterioespecficoparadefinirlo,yenelcasodeestudioseestablecieltamao
deventana deacuerdo conel espesorpromedio delmarcadoren lospozos delconjunto deentrenamiento msdos
pies,unoporencimadeltechoyotropordebajodelpisodelmarcador,querepresentanlasvecindadesdelmismo.En
laFigura1sepresentaunesquemaquemuestraelrecorridodelaventanadedeslizamientoalolargodelaseccin
delregistrobajoanlisis.
Figur a1. Representacindelaventanadedeslizamiento.
Correlacin de registros entre pozos con redes neuronales artificiales utilizando mltiples curvas o variables registradas Alzate, Branch, Surez y Vega.
91
iii. Normalizacin de los datos de cada ventana de deslizamiento en el registro. En principio se consider la
posibilidaddeestandarizar losdatosenambosregistros, perolosregistrosde microresistividadpresentanmuchos
datosatpicos,loqueresultaenunadesviacinestndarmuyaltayporendeunconjuntodedatosestandarizadosen
excesopequeos.Porlotanto,seprocediconlanormalizacindelosdatosdeentradamediantelaaplicacindela
ecuacin(1),loqueresultaenunconjuntodedatosde entradaalaRNAcuyosvaloresseencuentranenelrango
entrecero(0)yuno(1).Esteprocesoproveeunrangodevaloresmsapropiadoparalosprocesosdereconocimiento
de patronespor sistemas tipoRNA, y paralas cualeses mucho msfcil reconocer patronessi estos estnen un
mismorangodemagnitud.
min max
min
X X
X X
X
o
n
-
-
=
(1)
Donde:
X
min
:mnimovalordelosdatosanormalizar,
X
max
:mximovalordelosdatosanormalizar,
X
o
:valordeldatoanormalizar,
X
n
:valornormalizadode X
o
.
iii.Seleccindelcriteriodesuavizadodelosdatosnormalizados.Lapresenciaderuidoen losregistrosodatosde
entrada reduce la calidad de la informacin y tambin la confiabilidad de los resultados. La presencia de ruido
resultaenfalsasinterpretacionesdelosrasgoscaractersticosdelaformacin.Latcnicadesuavizadodelosdatos
normalizadosdelosregistrosconsistienelajustedelosdatosafuncionestiposeriedeFourier.
Amododeejemplo,setieneunregistrodepozocondatosenundeterminadointervalodeprofundidadycondatos
cada0.5pies.Aesteregistroselehaceunbarridocada0.5piesmedianteunaventanadedeslizamientodeunpiede
longitud.Setomalaprimeraventanatalcomosemuestraenlafigura1,ylosdatossenormalizan.Paralosdatos
normalizadosdeestaprimeraventana,yparacadaventanadedeslizamiento,seobtienenloscoeficientesdeFourier
queenformaconsecutivaconformanlasfilasdelamatrizdeventanas.Elprimerdatodecadafiladelamatrizde
ventanashace referenciaa laprofundidad deltope dela ventana.
El procedimiento descrito contina hasta que la base o fondo de la ventana haya alcanzado el ltimo valor de
profundidadenelregistroenevaluacin.Elnmerodecolumnasdelamatrizdeventanasdependerdelnmerode
armnicos especificado en la serie de Fourier, y el nmero de filas depender del nmero de deslizamientos que
requierelaventanapararecorrerlaseccinbajoanlisis.Paraelcasodeestudio,lamatrizdeventanassepresenta
enla ecuacin(2).




















=
k
n
k k
n
k k
n n
n n
n n
n n
k
i
b b a a a
b b a a a
b b a a a
b b a a a
b b a a a
h
h
h
h
h
V
L L
M L M M L M M
L L
L L
L L
L L
M
1 0 0
4 4
1
4 4
0
4
0
3 3
1
3 3
0
3
0
2 2
1
2 2
0
2
0
1 1
1
1 1
1
1
0
4
3
2
1
(2)
BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006
92
Donde:
V
i
: matrizdeventanasdelpozo i,
h
k
: profundidaddeltopedelaventanak,
k
n
a ,
k
n
b :coeficientes deFourierdela ventana k.
Entrenamientode la RNA.El preprocesamientodescrito se aplica alospozos delconjunto deentrenamiento, detal
forma que a cada pozo del conjunto entrenamiento le corresponde una matriz de ventanas. Luego, se procede a
identificaren la matriz de ventanaslas filas quecorresponden almarcadorsugerido porel expertohumano,y alno
marcador sugerido en este trabajo. Una vez identificadas tales filas, se asigna vector M para los coeficientes de
Fourierdelmarcador,yotrovectorNMparaloscoeficientesdeFouriercorrespondientesalnomarcador.Selnmero
de pozos del conjunto entrenamiento es tres, entonces deberan asignarse seis vectores, dos por cada pozo como lo
muestrael sistemadevectoresenlaecuacin(3).Estesistemadevectoresesfundamentalparaelentrenamientode
lared.
1
M
1
NM
2
M
2
NM
3
M
3
NM
4 4 3 4 4 2 1
M
M
M
M
M
M
M
M
4 4 3 4 4 2 1
M
M
M
M
M
M
M
M
4 4 3 4 4 2 1
M
M
M
M
M
M
M
M
3
6
6
1
6
6
1
6
0
6
6
1
6
6
1
6
0
5
5
1
5
5
1
5
0
5
5
1
5
5
1
5
0
2
4
4
1
4
4
1
4
0
4
4
1
4
4
1
4
0
3
3
1
3
3
1
3
0
3
3
1
3
3
1
3
0
1
2
2
1
2
2
1
2
0
2
2
1
2
2
1
2
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
pozo
nMR
MR
nMR
MR
MR
nGR
GR
nGR
GR
GR
nMR
MR
nMR
MR
MR
nGR
GR
nGR
GR
GR
pozo
nMR
MR
nMR
MR
MR
nGR
GR
nGR
GR
GR
nMR
MR
nMR
MR
MR
nGR
GR
nGR
GR
GR
pozo
nMR
MR
nMR
MR
MR
nGR
GR
nGR
GR
GR
nMR
MR
nMR
MR
MR
nGR
GR
nGR
GR
GR
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a
b
b
a
a
a

(3)
Lafasefinaldel entrenamiento,consisteenidentificarlasposiblescombinacionesdeadosvectores(sinreciprocidad)
quesepuedandarenelanteriorsistema.As,lasdosclasesdecombinacionesquesepuedenpresentarsonmarcador
marcador,nomarcadormarcador.Alaprimeraclaseseasignaunvalorbinario deuno(1),y paralasegundaun
valor de cero (0). Con los vectores del sistema se realizan las posibles combinaciones de acuerdo con los tipos de
combinacionespermitidos. Finalmenteseobtiene unvectorde 18 valores binariosproductode talescombinaciones.
EstosvaloresbinariossonlassalidasdeseadasdelaRNA.EnlaTabla1semuestranlascombinacionesdevectores
con lasrespectivas salidasasignadas.
Correlacin de registros entre pozos con redes neuronales artificiales utilizando mltiples curvas o variables registradas Alzate, Branch, Surez y Vega.
93
Tabla1.Combinacindevectoresconsusrespectivassalidasdeseadas.
Combinatori adevectores Val orasignado
1vs1 1
1vs3 1
1vs5 1
2vs1 0
2vs3 0
2vs5 0
3vs1 1
3vs3 1
3vs5 1
4vs1 0
4vs3 0
4vs5 0
5vs1 1
5vs3 1
5vs5 1
6vs1 0
6vs3 0
6vs5 0
Consolidacin de la RNA final. Se implement una red con regla de aprendizaje supervisado de tipo feedforward
backpropagation,esdecir,unaredconconexioneshaciadelantequeutilizalaregladeaprendizajeretropropagacinde
errores.Lamejorarquitecturaqueseobtuvofueladedoscapasocultascononceytrece neuronasrespectivamente.
Las funciones de transferencia implementadas en las capas fueron lineal de saturacin, lineal, Logsigmoidal
logartmica. Se implement como funcin de entrenamiento la resilient backpropagation. En laTabla 2 se resume
laarquitecturaconseguidaparalaRNA.
Tabla2. ArquitecturadelaRNA.
Capa Nmerodeneuronas Funci ndetransferenci a
1 1 Linealdesaturacin
2 11 Lineal
3 13 Lineal
4 1 Logsigmoidal
Validacin dela RNA.Despusdelprocesodeentrenamiento lospesosdelasconexionesenlaredneuronalquedan
fijos.Esimportantecomprobarlacalidaddelmodeloresultante,esdecir,sedebecomprobarsilaredneuronalpuede
resolvernuevosproblemasdeltipogeneral,paralosquehasidoentrenada.Porlotanto,conelpropsitodevalidarla
redneuronalserequieredeotroconjuntodedatosdenominado conjuntodevalidacin.Esteconjuntoestcompuesto
por uno o varios pozos que no pertenezcan al conjunto de entrenamiento, y para estos pozos la profundidad del
marcadorsugeridaporelexpertohumanodebeconocerse.LavalidacindelaRNArequiereestableceruncriteriode
decisinbasadoenladiferenciaentrelaprofundidadobtenidaporlared(laventanaconmayorgradodecorrelacin)
ylasugeridaporelexpertohumano.Encasode novalidarlaRNAseprocede acambiarsuarquitectura.
BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006
94
PruebadelaRNA.EnlapruebadelaRNAseevalaeldesempeodelaredalaplicarlaalospozosdeunconjunto
de prueba. Para el proyecto en cuestin, y dada la escasez de informacin para realizar la prueba, se evala el
desempeodelaRNAcontodalainformacindisponible.
5.CASODEESTUDIO APLICACINRNA
EstaseccinpresentalosresultadosdelaaplicacindelaRNAdiseadayajustadaenlacorrelacinderegistrosentre
pozos.Estaredsediseoparaaplicarseaunconjuntodepozosdecualquiercampo,yenparticular,sepresentanlos
resultadosobtenidosparauncampoenColombia.Conlainformacinderegistrosparalospozosdisponibles,secre
unabasededatosconformadaporlaprofundidadylosvaloresdelosregistrosderayosgammaymicroresistividad.
Estabasededatosfuedivididaenlostresconjuntosindependientes:entrenamiento,validacinyprueba.
Para el campo en estudio, se tom una muestra de cinco pozos, con tres pozos como pozos de entrenamiento. En
cadaunodeestospozosseidentificaron,mediantelamatrizdeventanas,lasdosventanascorrespondientesalmarcador
y no marcador. Los dos pozos restantes de la muestra se tomaron comopozos vecinos, uno para validacin y otro
para prueba.
Para proceder con la correlacin, es necesario identificar el marcador geolgico presente en el campo, a partir del
conocimientodelasformastipodetalesmarcadoresenelregistro.Elmarcadordebeposeercaractersticasgeolgicas
quelepermitaserobservadoenunaampliaextensinlateraly/oen cadaunodelospozosdeestudio.
Enelcasodeestudio,se identificunestratodelutitaquemanifiestauna altaradioactividadnaturalyquepresenta
respuestas en el registro derayos gamma que oscilan entre 120 y 190 unidadesAPI. Este marcador presenta en el
registrodemicroresistividadunarespuestamuybajaqueoscilaentre1y23ohm.m.
Debidoalascaractersticasestratigrficasydeambientemarinodedepositacin,paralasformacionesinvolucradas
enelcasodeestudio,serequiereutilizarregistrosdepozoquefacilitenunaadecuadadescripcindelosestratosyde
suscaractersticaslitolgicas.Enconcordancia,lacorrelacinseefectuconbaseenlosregistrosderayosgammay
de microresistividad, este ltimo por su alta resolucin se constituye en el registro preferido para los propsitos de
correlacinlitoestratigrfica.
Encuantoaldesarrolloeimplementacindelaherramientadecorrelacin,sedesarrollunprogramaen MatLab6.5,
elcualatravsdelaventanadedeslizamientodelongitudfija,20pie,realizaelbarridodelamatrizdeinformacin.
Estamatrizestconstituidaportrescolumnas,delascualeslaprimeracorrespondealaprofundidaddelregistro,la
segundayterceraalasrespectivaslecturasderayosgammaymicroresistividad.Paracadaposicindelaventanaen
elregistro,elprogramapreprocesarlainformacinantesdepasaraalimentarlaRNA.
LaTabla3presentalaprofundidaddelossectoresmarcadoresynomarcadoresparacadaunodelospozosutilizados.
Lainformacinacercadelaszonasnomarcadoresestilsloenlospozosqueconstituyenelconjuntodeentrenamiento.
Conjunto Pozo
Sector
(pies)
TopeMarcador
(pies)
TopeNoMarcador
(pi es)
X1 10463.510574.5 10549.5 10470
X2 1050010680 10595 10570
E
n
t
r
e
n
a
m
i
e
n
t
o

X3 1054010820 10699 10685

Validacin X4 1065510885 10785
Prueba X5 1045010680 10576.5
Tabla3. Profundidaddelosmarcadoresynomarcadores.
Correlacin de registros entre pozos con redes neuronales artificiales utilizando mltiples curvas o variables registradas Alzate, Branch, Surez y Vega.
95
Una vez ajustada laestructura de la RNA, se ejecutael programa con la informacin provenientede los pozos que
integranelconjuntodevalidacin.Losresultadosqueintegranelarchivodesalidadelprogramaparacadapozoestn
representados por una matriz de dos columnas. La primera columna contiene los datos correspondientes a las
profundidadesdelostopesdelaventanadedeslizamiento,ylasegundaacercadelgradodecorrelacion(entre0y1)
entre la ventana de deslizamiento y la ventana correspondiente al marcador del pozo de referencia. Es decir, se
presentainformacinacercadelgradodesimilitudentrelaventanaquecontieneelmarcadorparalazonaylaventana
bajoestudioencadapozodelconjuntodevalidacin.LasFiguras2a6presentanlosresultadosdelaRNAparalos
cincopozosutilizadoscomoconjuntodeprueba.Losresultadossondiagramasdelgradodecorrelacinconprofundidad,
dondeseespecificanlasprofundidadesenlascualesselograungradodecorrelacinentreventanasmayorque95%.
A partir de estos diagramas se identifica la ventana que segn la RNA corresponde al marcador (lutita) y a sus
vecindades,porencimaypordebajo.Paraestaidentificacinseproponesloconsiderarcasosenloscualeselgrado
decorrelacinseamayora0.995(99.5%).
6. ANLISISDERESULTADOS
ParaelpozoX1,Figura2,laredreconociunaseccina10548.5piesconaltogradodecorrelacionyquepresenta
correpondencia con la ventanamarcadora propuestapor elexperto humano. Elmargen de error enla identificacin
fue de1pieconrespecto alaventanamarcadorapropuestaporelexpertohumano.
Figur a2. Gradodecorrelacinenfuncindelaprofundidaddelaventana,pozoX1.
ParaelpozoX2,laredreconociunaseccina10595pies,Figura3,lacualpresentaunaltogradodecorrelaciny
coincideconlaventanamarcadorapreestablecidaporelexpertohumanocondiferenciade1.75pies.
Figur a3. Gradodecorrelacinenfuncindelaprofundidaddelaventana,pozoX2.
BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006
96
ParaelpozoX3,Figura4,ubicadoenlazonasurdelcampoenestudio,sedetectarontresseccionesconposibilidad
deserlaventanamarcadorapropuestaporelexpertohumanoalasprofundidadesde10571.5pies,10689.75pies,y
10697.5 pies, respectivamente. Sin embargo, la ventana marcadora propuesta por el experto humano est a 10699
pies, que se encuentra ms cercana a la tercera ventana ubicada por la RNA.A pesar de que la red arroj mayor
probabilidadparalaprimeraventana,sepuedeverclaramenteenelgrficoquehaygrancantidaddeinflexionesque
son clasificadascomola ventana marcadoracomoresultadode laconstantepresenciadelutitasintercaladas.
Figur a4. Gradodecorrelacinenfuncindelaprofundidaddelaventana,pozoX3.
ParaelpozoX4,lareddetectcuatroventanascomoposiblesmarcadores,Figura5.Laventanamarcadorasugerida
por elexpertohumanoa10785pies,coincidecon unadelascuatroventanas,conunpequeodesfasede0.25pies.
Estepozofueelmejorencuantoaldesempeodela red.
Figur a5. Gradodecorrelacinenfuncindelaprofundidaddelaventana,pozoX4.
Parael pozoX5, la red detect dosposiblessecciones conposibilidadde serel marcadorpropuestopor elexperto
humano.Unaa10523.5piesyotraa10575.25pies.Sinembago,laredmostrmayorcorrelacionenlasegundacomo
semuestraenlaFigura6.Laseleccindelasegundaventanacomolamejoraproximacionalmarcadorsedetermina
porelgradodeacercamientoendistancia,1.25pies.
Correlacin de registros entre pozos con redes neuronales artificiales utilizando mltiples curvas o variables registradas Alzate, Branch, Surez y Vega.
97
Figur a6. Gradodecorrelacinenfuncindelaprofundidaddelaventana,pozoX5.
EnlaTabla4seresumenlosresultadosobtenidosparalacorrelacindelosregistrosdeloscincopozosqueconforman
el caso en estudio. Para cada pozo se presenta la profundidad del tope de la ventana que contiene el marcador
determinadaporlaRNAenesteestudiotambinsepresentalaprofundidadpreestablecidaporunexpertohumano,y
la diferencia en pies entre el dato del experto y el dato de la RNA para la RNA en este estudio y la que presentan
CoronelyParra(2003).
Tabla4. ProfundidadestablecidaparalosmarcadoresporlaRNA.
Pozo
Profundi dad
RNA
(pi es)
Profundi dad
ExpertoHumano
(pi es)
Di ferenci a
(pi es)
Di ferenci a
(pi es)
X1 10548.50 10549.50 1.00 3.00
X2 10596.75 10595.00 1.75 2.50
X3
10571.50
10689.75
10697.50
10699.00
127.5
9.25
1.50
3.0
X4
10680.00
10784.50
10793.25
10861.75
10785.00
105.0
0.50
8.25
76.75
0.25
X5
10523.50
10575.25
10576.50
53.0
1.25
1.25
7.CONCLUSIONES
LaRNAconfiguradalograprenderareconocerencadapozoelmarcadorgeolgicopreestablecidoporelexperto
humano,an enpresenciadeconsiderables cambioslaterales.
Elmodeloneuronalprogramadoresultenunaherramientamuyverstilparalacorrelacindelascurvasderayos
gamma y microresistividad. Es una herramienta prctica, rpida y eficaz para correlacionar patrones marcadores
presentesen losregistros depozo.
ElcriteriodesuavizacindelosdatosenlosregistrosporseriesdeFourierresultapropiado,elajusteyrepresentacin
delosmarcadoresporestecriterioredujoladimensionalidaddelosdatossinperderinformacinsignificativapresente
BOLETN DE CIENCIAS DE LA TIERRA Nmero 19, Noviembre de 2006
98
enlosdatosoriginalesdelregistroderayosgammaymicroresistividad.
AlcompararlosresultadosconelmodeloRNAenesteestudioconlosobtenidosporunmodeloRNAsimilarpero
queutilizaunasolacurva(CoronelyParra,2003),seconcluyequelaprecisindelacorrelacinconRNAaumenta
alusarunmayornmerodecurvasdeinformacindeentradaalprocesodecorrelacin.
Aunque en este estudio el nmero de pozos que integran el conjunto de entrenamiento fue menor al utilizado por
CoronelyParra(2003),losresultadosobtenidosmuestranmejorprecisinencuantoalaprofundidaddelmarcador
preestablecido por el experto humano, aunque en algunos casos aument el nmero de sectores en los registros
comoposibles candidatosa marcadores.
8.BIBLIOGRAFA
Bassiouni, Z., 1994. Theory, measurement, and interpretation of well logs. Society of Petroleum Engineers (SPE)
Textbook.372P.
Coronel,J.yParra,W.,2003.Correlacinderegistrosentrepozosusandoredesneuronalesartificiales.Tesisdegrado,
IngenieradePetrleos,UniversidadNacionaldeColombia,sedeMedelln,123P.
Dienes,I.,1974.Generalformulationofthecorrelationproblemanditssolutionintwospecialsituations.Mathematical
geology,No.1,pp.7381.
Edwards,K.yEinstein,E.,1990.Comparisonofanexpertsystemtohumanexpertsinwellloganalysisandinterpretation.
SPEFormationEvaluation,March,pp.3945.
Gill,D.,1970.Applicationofstatisticalzonationmethodtoreservoirevaluationanddigitizedloganalysis.AAPGBulletin,
No.5,pp.719729.
Hassibi,M.yErshaghi,I.,1999.Reservoirheterogeneitymappingusinganautomatedpatternrecognitionapproach.
ArtculoSPE(SocietyofPetroleumEngineers)56818,10P.
Hawkins, D.M. y Merrian, D.F., 1974. Zonation of multivariate sequences of digitized geologic data. Mathematical
Geology,No.3,pp.263269.
Lim,J.S.yKang,J.M.,1999.Interwelllogcorrelationusingartificialintelligenceapproachandmultivariatestatistical
analysis.ArtculoSPE54362,9P.
Olea,R.yDavis,J.,1986.AnArtificialapproachtolithostratigraphiccorrelationusinggeophysicalwelllog.Articulo
SPE15603,12P.
Olea,R.,1994.Expertsystemsforautomatedcorrelationandinterpretationofwirelinelogs.MathematicalGeology,
Vol.26,No.8,pp.879897.
Ruiz, O. D., 1996. Mtodos bsicos de correlacin estratigrfica. Facultad de Ciencias. Universidad Nacional de
Colombia,sedeMedelln.
Ryder,M.,1996.Thegeologicalinterpretationofwelllogs.Hastedpress,NewYork.
Serra,O.,1985.Anlisisdeambientessedimentariosmedianteperfilesdepozos.SchlumbergerTechnicalServices.
Shaw, P. y Cubbit, J.M., 1979. Stratigraphic correlation of well logs and other method automated approach.
Geomathematicalandpetrophysicalstudiesinsedimentologypublication,pp.127148.
Startzman,R.A.yKuo,T.B.,1987.Arulebasedsystemforwelllogcorrelation.SPE,FormationEvaluation,September,
pp.311319.
Valle,V.yPrez,J.,1976.Marcaselctricasdecorrelacingeolgicaysuidentificacin. Revista del Instituto Mexicano
del Petrleo,Vol.8,No.3,pp.4264.