Identificación de Arcillas - Un desafío en los Campos Maduros

Bodan, F. Sinopec Argentina E&P Inc.; Castillo Gamarra, F. Sinopec Argentina E&P Inc.;
Ramos, N. Sinopec Argentina E&P Inc.

Resumen

El conocimiento de los parámetros petrofísicos y mineralógicos, en campos maduros en

donde se implementará proyectos de recuperación secundaria es esencial para determinar su
diseño. El análisis mineralógico de arcillas es una de las herramientas para evaluar el daño
de formación por su expansión, migración e incompatibilidad con aguas de inyección. En el
Flanco Sur del Golfo San Jorge, la información disponible de la ocurrencia de estas, en
pozos perforados en las décadas de 1960 a 1990 es por lo general limitada o inexistente. En
el presente trabajo se presenta un estudio usando técnicas de clasificación supervisada
(Machine Learning) y funciones de interpolación multidimensionales usando R, que
permiten, a través del gamma espectral (GRSL), clasificarlas. Se puso énfasis en estimar el
grado de predictibilidad usando la metodología bootstrap para cuantificar la capacidad
predictiva. Los gráficos de clasificación de arcillas empleando GRSL disponibles
comercialmente son limitados y no están adaptados para la cuenca del Golfo San Jorge. El
algoritmo aquí presentado predice cualitativa y semi-cuantitativamente a partir de
concentraciones de torio y potasio de perfiles de gamma espectral, la abundancia y
distribución vertical de los diferentes tipos de arcilla presente. Los resultados han sido
calibrados y validados con información de análisis por difracción de rayos X (DRX)
realizados en testigos de varios yacimientos del Flanco Sur.

1. Introducción.
Históricamente la explotación del área operativa de Sinopec en el Flanco Sur estaba abocada a
producción primaria. Es hasta el año 2005, cuando para mejorar el factor de recobro de yacimientos con
producción marginal, se implementan proyectos de recuperación secundaria por inyección de agua,
enfocada en mantener las presiones de los reservorios en valores adecuados y lograr el desplazamiento
eficiente de los hidrocarburos remanentes. La eficiencia de esta técnica depende, entre otros factores, del
rendimiento de los pozos de inyección de agua (Civan, 2007), la geometría y distribución de los poros del
reservorio, potencia de las arenas de interés, relación de movilidades de los fluidos, calidad del agua
inyectada y esquema de inyección.
La alteración desfavorable de la permeabilidad en la formación producida durante las operaciones de
recuperación secundaria (daño de formación), puede ser un factor crítico por su impacto económico y
operativo. Sus causas son variadas, los principales mecanismos son: (a) Condiciones propias de la
inyección; incorporación de sólidos y migración de partículas pequeñas. (b) Incompatibilidad entre el
agua de inyección y los fluidos y las rocas del reservorio que ocasionan expansión y dispersión de las
arcillas, desintegración de la formación y alteraciones y/o adsorción química. (c) Entrampamiento de
hidrocarburos por efecto de permeabilidades relativas. (d)Daños Bacteriológicos; formación y
crecimiento de colonias de bacterias (e) Interacciones de fluidos; formación de incrustaciones insolubles y
emulsiones, precipitación y deposición de asfáltenos/parafinas.
El objetivo de este estudio es desarrollar una metodología que permita la caracterización de tipo de
arcillas para la predicción y mitigación de daño de formación causado por calidad e incompatibilidad de
agua. Para ello se propone el empleo de modelos experimentales o impulsados por datos “Data Driven
Modelling - DDM” los cuales conjugan ecuaciones matemáticas que no se derivan de los procesos
físicos de los fenómenos bajo el análisis, sino que evolucionan a partir del análisis de los datos. Como su
nombre sugiere, el DDM se basa en el análisis de los datos de un sistema, para encontrar conexiones y

1
patrones entre las variables de estado (entrada, internas y de salida) sin un conocimiento explícito del
comportamiento físico. Se emplea además, algunas técnicas de Estadística General y Aprendizaje
Automático (ML), particularmente el Aprendizaje Automático Supervisado (SML). Los diferentes
algoritmos buscan patrones en los datos con el objetivo de determinar un valor categórico (Clasificación)
o un valor cuantitativo (Regresión) de predicción.
Los algoritmos seleccionados y aplicados de SML son: (a) Support Vector Machine, Machine
Learning para Clasificación y Regresión (b) Random Forest, Machine Learning para clasificación y
regresión (c) Neural Network ,Machine Learning (Deep Learning) para Regresión y Clasificación.
El uso del modelo lineal generalizado de estadística se utiliza para comparar el rendimiento con
respecto a los algoritmos SML.
Algunas de las ventaja que ofrece el empleo del modelo analítico planteado, en cuanto al entorno de
datos y no de aplicaciones, son: el aprovechamiento de mediciones previamente adquiridos de
Espectroscopia de Rayos Gamma (GRSL) en cada área y en diferentes épocas, un rápido procesamiento
permitiendo la toma de decisiones temprana, bajo costo del perfil GRSL, obtención de resultados
continuos, posibilidad de adquisición en pozo entubado, mayor volumen de investigación que el de
testigos extraídos de pared de pozo, etc.

2. Materiales y Métodos.
2.1. Generalidades
Para la predicción de minerales de arcillas presente se usaron las variables de entrada
correspondientes a las lecturas de potasio (K%) y torio (Th ppm) del registro gamma espectral a cada
profundidad y una variable categórica que indica el área operativa a la que pertenece la muestra: Sur
Piedra Clavada (SPC), El Huemul (EH) y Meseta Espinosa (ME). La calibración del modelo SML se
realiza con los datos puntuales de: porcentajes de cada tipo de arcilla obtenidos de los rayos X (DRX) de
los testigos (rotados o de impactos) tomados en las arenas o eventualmente en las arcillas de la formación.
Luego para la validación del modelo de predicción se utiliza solo los datos del gamma espectral GRSL.
Para ello teniendo en cuenta las limitaciones de la herramienta de GRSL, se toma una ventana de
observación centrada a la misma profundidad del testigo abarcando un intervalo hacia arriba y hacia abajo
compatible con la resolución vertical de la herramienta. Luego los valores de potasio y torio ingresado al
SML son los que resultan de la media aritmética asumiendo una distribución normal. Luego separando
las variables de respuesta en categorías, también se puede predecir valores categóricos usando la
clasificación modo SML.
El reconocimiento de tipos de minerales de arcilla suele obtenerse con técnicas experimentales sobre
muestras de rocas con difracción de rayos x (DRX) y microscopia electrónica (MEB), o a través de
métodos indirectos como los registros de multi-elementos los cuales combinan espectroscopia de rayos
gamma y neutrón pulsante. Sin embargo, la reconstrucción de la mineralogía a partir de estos últimos
depende de modelos geológicos locales precisos, que permitan una adecuada reconstrucción
mineralógica. Por otro lado, los DRX están restringidos a análisis sobre muestras de rocas (corona o
testigos laterales) que por su costo de extracción y tiempo de operación suelen ser un muestreo poco
abundante.
2.2. Materiales
Mediciones de Rayos Gamma

Las contribuciones individuales de los elementos torio y potasio en relación con el peso total de la
formación fueron extraídos de los espectros de energía detectados por la herramienta de rayos gamma
espectral. Los rayos gamma natural son radiaciones electromagnéticos espontáneas emitidas por ciertas
estructuras atómicas durante la desintegración radioactiva (frecuencias entre 10 19-10 21 Hz). La
radioactividad es acompañada de la emisión partículas de alfa o beta, rayos gamma y por la generación de

2
calor. El torio, el uranio y el potasio son las series de decaimiento responsables de la mayor parte de la
radiación natural y son los principales responsables del espectro de energía observado por la
herramienta.(Serra O. , 1984),(Serra, Baldwin, & Quirein, 1980).
Todos los fenómenos radiactivos son de naturaleza aleatoria. Las tasas de conteo varían alrededor de
un valor medio y el conteo deben ser acumulados durante un período de tiempo y promediado para
obtener una estimación razonable del significado. La estimación de la media será más precisa mayor es la
tasa de recuento y cuanto más largo es el tiempo de captura. La constante de tiempo se elige para
mantener desviación estándar inferior al 2,5%. (Serra O. , 1984).
Serra O. (1984) refiere que los minerales que contienen potasio original feldespatos alcalinos y
micas principalmente. Durante la alteración, algunos silicatos como el feldespatos son completamente
disueltos; el potasio es liberado en forma iónica y transportado en solución. Las micas, por otra parte,
puede perder sólo parte de su potasio durante la alteración, el resto permanece en la red cristalina. Los
minerales resultantes desde la alteración de micas contienen potasio en cantidades variables (illita,
montmorillonitas, capas mixtas); mientas que bajo condiciones templadas y húmedas, la muscovita se
encuentra en una fase inestable y sufre disolución incongruente para formar caolinita. Finalmente, los
iones de potasio pueden ser adsorbidos sobre las superficies de partículas de arcilla,
El torio se origina en rocas ígneas ácidas y los tipos acido-básicos (granitos, pegmatitas, sienitas,
sienitas nefelinitas).Durante la alteración y lixiviación de rocas, hasta el 90% del torio presente puede ser
removido. Sin embargo, el torio es bastante insoluble y el comportamiento de los minerales de torio es
estable; por consiguiente, casi todo el torio se transporta en suspensión y es un componente común de la
fracción detrítica de los sedimentos. Pequeñas cantidades de torio que pasan a la solución, son fácilmente
adsorbidas en los minerales de arcilla ya diferencia del uranio, el torio no migra durante la
diagénesis.(Serra O. , 1984)
Es por todo lo anterior que los elementos torio y potasio, son considerados en la identificación de
arcilla a partir del GRSL.
Una fuente externa de potasio que puede generar un aumento de la radiactividad gamma la
proporciona los aditivos empleados en las formulaciones de lodos durante la perforación y en etapas
previas al perfilaje. Serra O. (1984) refiere que la naturaleza de los materiales disueltos o en suspensión
como: NaCl, KCl, bentonita (compuesto radioactivo) y barita; introducirán un cambio en los niveles de
lectura. Por su parte, algunos inhibidores de arcillas como nitrato de potasio y sulfato de potasio, podrían
tener el mismo efecto.

2.3. Modelo empleado.

La Figura 1 describe el principio general de modelos empíricos basados en datos (DDM). Las etapas
involucradas para definirlos son: (a) Estudiar el problema (b) recaudar los datos y seleccionar la
estructura (c) construirlo (d) probarlo

Figura 1. Principios generales de Machine Learning, extraído de(Hastie, Tibshirani, & Friedman, 2009)

Una parte muy importante del análisis es el estudio de la calidad del ajuste entre el modelo y los
datos reales. En la calibración el algoritmo es entrenado con varios subconjuntos aleatorios de datos

3
(Train subset) y en cada caso el resto (subconjunto de prueba) se usa para probar la precisión del modelo.
El error se estima con el coeficiente cuadrático R (R2) entre la predicción del modelo y los datos de
prueba. También se puede obtener la distribución de los posibles resultados de R2para el modelo mejor
calibrado.
La estructura de la DDM empleada corresponde a:
Predictores: Mediciones de variable continúa Potasio (K) y Torio (Th) y adjudicación de variable
categórica que indica área de concesión (Sur Piedra Clavada, El Huemul o Meseta Espinosa).
Respuesta: Porcentaje de mineral de arcilla (Illita, esmectita, IS, Clorita, Caolinita) a partir del
análisis de DRX sobre fracción fina de roca (solución continua) cada tipo de arcilla es modelado con un
SML. Es útil resaltar que puede transformarse las variables numéricas en categóricas definiendo
intervalos de clase.

INPUT

1)K(Potassium) RX measures of
Illite
2)Th(Thorium) Learning is aimed
at minimizing this
3)3 types of Machine difference
Class(EH,SPC Learning Model
or MEN) Illite

INPUT

1)K(Potassium) RX measures of
Smectite
2)Th(Thorium) Learning is aimed
at minimizing this
3)3 types of Machine difference
Class(EH,SPC Learning Model
or MEN) Smectite

INPUT

1)K(Potassium) RX measures of
IS
2)Th(Thorium) Learning is aimed
at minimizing this
3)3 types of Machine difference
Class(EH,SPC Learning Model
or MEN) IS

INPUT

1)K(Potassium) RX measures of
Chlorite
2)Th(Thorium) Learning is aimed
at minimizing this
3)3 types of Machine difference
Class(EH,SPC Learning Model
or MEN) Chlorite

INPUT
RX measures of
1)K(Potassium) Kaolinite
Learning is aimed
at minimizing this
2)Th(Thorium)
Machine difference
3)3 types of Learning Model
Class(EH,SPC Kaolinite
or MEN)

Figura 2.Esquema Data Driven Modelling - DDM propuesto

Exploración de Datos

La exploración de datos consiste en el paso que antecede la aplicación de un modelo, y es que a

través de técnicas gráficas y reconocimiento de patrones estadísticos (cluster) se monitorea la congruencia
de los datos con las diferentes variables permitiendo detectar valores atípicos, nulos o discontinuos, que
pudieran adicionar ruido al modelo o incluso distorsionarlo.
Las Figuras 3 a-d, sintetizan las representaciones empleadas: (a) muestra el gráfico de los predictores
de K y Th y los tipos de minerales de arcilla presentes en las áreas en estudio. La distribución de las
muestras refieren regiones con cierta correspondencia para Illita, Clorita, Interestratificados
Illita/Esmectita en las áreas de El Huemul y Meseta Espinosa Norte, (representadas por cuadrados rojo y
verdes respectivamente) fuera de esta área y hacia valores mayores de aprox. K>1.2% y Th>12ppm la

4
correspondencia se pierde. La clase Sur Piedra Clavada exhibe marcada diferencia entre las áreas
mencionadas, mostrando mayor dispersión y cierta tendencia de fijar el límite superior de torio en valores
más bajos. Se observa además la abundancia de muestras de esmectita en el área de SPC, sin embargo
esto no permite hacer inferencias de un predominio de arcillas, ya que el muestreo no está uniformemente
distribuido en la columna estratigráfica atravesada por los pozos del área. La Figura 3b constituyen la
técnica de cluster empleando PAM que permite la agrupación de elementos con niveles de similitud entre
los predictores de clase, los cuales resultan difíciles de distinguir en una representación general. Tal como
se observa la clase SPC es diferente de EH y MEN, mostrando estas dos ultima una cuadrícula de
similitud pero no lo suficientemente consistente como para agruparlas en una clase. En estos casos es
necesario el uso de la clase variable (EH, SPC o MEN) y analizar directamente el impacto del
rendimiento del algoritmo SML. La Figura 3c permite detectar valores atípicos de las variables de
entradas empleando diagramas de cajas. Luego de haber realizado el análisis de las distribuciones, se ha
determinado que los valores altos o bajos de cada tipo de arcilla no corresponden a mediciones erráticas,
por lo tanto todos los datos son considerados como válidos. La Figura 3 d muestra gráficamente la
dependencia lineal existente entre variables las variables Th y K y los tipos de minerales de arcillas en el
cálculo de la matriz de correlación de Pearson.
La Illita posee iones de K en su red cristalina, sin embargo; en las relaciones de congruencias
lineales entre los datos medidos por la herramienta de GRSL y DRX se observa que no existe una
correlación lineal. El SML como Random Forest o SVM pueden tratar muy bien estos casos y probar el
impacto que tiene esto en la calibración del modelo considerando el problema de regresión no lineal.

Illita Esmectita

Interestratif. Illita/Esmectita Clorita

5
 Caolinita

Figura 3.(a) Representación 2D de la relación entre predictores y contenido de tipo de arcilla. (b) Visualización
de nivel de similitud entre los predictores con PAM. (c) Detección de valores atípicos de cada clase EH, SPC y
MEN. (d) Diagrama de correlación entre variables numéricas

2.4. Modelo de Calibración y Validación Cruzada en Modo Regresión de SML

Validación cruzada

En muchos casos no es posible contar con un gran conjunto independiente de observaciones para probar
el desempeño de los modelos, ya que la recolección de datos suele ser una actividad costosa. Es por ello
que para estudiar la capacidad de predicción y validación del modelo propuesto se empleó la técnica de
validación cruzada. Los datos disponibles se dividen en dos conjuntos, los datos entrenamiento, y los de
prueba; ambos definidos de manera aleatoria por el sistema para garantizar que tienen la misma
distribución.
La tarea consiste en (a) dividir automáticamente los datos en conjuntos k (llamados folds, k=10), y
tomando en cada fold el 80% de la población para entrenar el algoritmo (datos de entrenamiento) y
utilizando el 20% restante para validar el modelo(datos de prueba), (b) Ajustar los modelos y evaluar el
rendimiento (tipo de modelo a ajustar y la grilla de los parámetros de ajuste).Esta herramienta permite
además, la búsqueda del modelo óptimo evitando sobre-ajustarlo. A partir de la validación cruzada se
distinguen 2 tipos de errores: (a) El error de entrenamiento, que es la pérdida promedio sobre la muestra
de entrenamiento; (b) El error de prueba, que es el error de predicción sobre una muestra de prueba
independiente.
El sobreajuste corresponde a la tendencia de un modelo a adaptarse demasiado bien a los datos de
entrenamiento, a expensas de la generalización a puntos de datos previamente no vistos. En otras
palabras, un modelo "sobre-ajustado" se ajusta al ruido en los datos en lugar de las relaciones subyacentes
reales entre las variables. Por lo general, el sobreajuste se produce cuando un modelo es innecesariamente
complejo.
Es posible demostrar que el error de prueba (esperado) para una observación dada en el conjunto de
prueba puede descomponerse en la suma de tres componentes, a saber:
𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑟𝑢𝑒𝑏𝑎
= 𝑟𝑢𝑖𝑑𝑜 𝑖𝑟𝑟𝑒𝑑𝑢𝑐𝑖𝑏𝑙𝑒 + (𝑠𝑒𝑠𝑔𝑜 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟) ^ 2
+ 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟.

6
 El primer término, es ruido irreducible de los datos de proceso.Este término es inevitable por lo
natural de vivir en un mundo estocástico, donde incluso el modelo ideal tiene un error no nulo. El
segundo término, se origina en la dificultad de captar la forma funcional correcta de la relación que
vincula las variables dependientes e independientes (a veces también se denomina sesgo de
aproximación). El último término se debe al hecho de que la estimación del modelo utiliza sólo una
cantidad limitada de datos. Afortunadamente, estos términos se aproximan a cero, siempre y cuando
recopilemos más y más datos de entrenamiento. Típicamente, haciendo un modelo más complejo (es
decir, flexible), menor es el margen de error de sesgo de modelo, pero mayor es el error de la varianza.
Este fenómeno general se conoce como solución intermedia de sesgo-varianza, y el desafío es encontrar
un modelo que proporcione un buen compromiso entre ambas.
Claramente, la situación descrita arriba es solamente ideal, porque en la práctica: (a) El verdadero
modelo que genera los datos es desconocido; de hecho, los modelos matemáticos suelen estar
pobremente especificados y (b) La cantidad de datos es limitada. La idea es cuantificar la precisión
(intervalos de confianza) esperados en la validación externa.

Proceso de Remuestreo (Bootsrapping)y estimación imparcial del error de prueba

Debido a que la cantidad de datos muestreados no es grande, es necesario incorporar el estudio de la

sensibilidad de R2 de la validación cruzada, con respecto a cantidad y calidad de los datos. La estimación
de una distribución de R2 y el error de prueba no sesgado permitirá cuantificar la capacidad de predicción
y generalización del modelo. La técnica de bootstrap es útil para seleccionar un subconjunto diferente de
los datos de una manera aleatoria. Suponiendo que cada algoritmo está calibrado, realizando una
validación cruzada previa de k iteraciones, se va calculando la distribución del error entre la predicción y
los datos de prueba, evaluando la calidad de la predicción.
La Tabla1, muestra el resultado bootstrapping de 5000 muestras sin sustitución de un 20% de los
datos (50 filas de datos) para predecir con Random Forest (RF), Support Vector Machine (SVM) y
Generalized Linear Model (GLM) y calculando el R2 entre la predicción y los datos de la prueba. En este
contexto, la inferencia de calidad del conjunto de datos respecto de la re-muestreada es mensurable.
Existe un ajuste razonable con RF y SVM considerando la complejidad de la relación funcional entre los
predictores y la respuesta, con una clara mejora respecto al modelo GLM. Este análisis evita el posible
sobreajuste de cada SML, estimando un rango de variación de la calidad de ajuste y prueba la validez
interna de la metodología. Es útil resaltar que SVM, RF o GLM funcionan bien con una mezcla de
variables numéricas y categóricas en el modo de regresión.

Type of Clay Algorithm Min. Median Max. Range

Illite RF 0.425 0.612 0.658 0.233
Illite SVM 0.395 0.552 0.630 0.236
Illite GLM 0.142 0.166 0.173 0.031
Smectite RF 0.698 0.739 0.757 0.059
Smectite SVM 0.596 0.703 0.797 0.201
Smectite GLM 0.408 0.512 0.514 0.106
IS RF 0.520 0.677 0.695 0.175
IS SVM 0.575 0.621 0.711 0.137
IS GLM 0.270 0.352 0.380 0.110
Chlorite RF 0.518 0.576 0.627 0.109
Chlorite SVM 0.329 0.515 0.619 0.290
Chlorite GLM 0.079 0.092 0.096 0.016
Kaolinite RF 0.561 0.596 0.645 0.083
Kaolinite SVM 0.414 0.574 0.647 0.233
Kaolinite GLM 0.220 0.233 0.270 0.050
Tabla 1. Distribución obtenida con bootstrap de 5000 muestras con RF, SVM y GLM

7
 Redes neuronales (NN),

La red neuronal (NN) en modo de regresión, requiere la transformación de la variable categórica

“área de concesión” en numérica. Una opción posible es la creación de variables ficticias que transformen
una columna que contiene tres variables categóricas en una columna numérica con variables binarias que
describen cada área de concesión. El proceso fue construido con una capa oculta con 5 neuronas y una
neurona de salida correspondiente al tipo de arcilla. La Figura 4 describe el caso de la caolinita.

Type of Clay Algorithm Min. Median Max. Range

Illite NN 0.120 0.180 0.320 0.200
Caolinita Smectite NN 0.090 0.180 0.380 0.290
IS NN 0.110 0.250 0.350 0.240
Chlorite NN 0.050 0.120 0.370 0.320
Kaolinite NN 0.180 0.310 0.380 0.200
Tabla 2. Distribución obtenida con bootstrap de 5000 muestras con NN

Figura 4. Ejemplo de un NN utilizado en el proceso

bootstrapping de caolinita
.
De acuerdo a las distribuciones obtenidas en la Tabla 2, el desempeño de las NN resulta inferior que
las predicciones realizadas por SVM y Random Forest los cuales pueden trabajar directamente con
variables predictivas numéricas y categóricas en la regresión. Por lo tanto, la decisión es trabajar con
SVM y Random Forest en el problema original (Figura 2) y no continuar el proceso de ajuste con otros
modelos más sofisticados de NN (por ejemplo redes neuronales con regularización Bayesiana) para
obtener un rendimiento similar al SVM o RF

2.5. Modelo de Calibración y Validación Cruzada en Modo Clasificación de SML

Transformación de respuesta numérica en una variable categórica

El objetivo de transformar la respuesta numérica del porcentaje de cada tipo de mineral de arcilla en
una variable categórica, es obtener otro modelo para comparar la capacidad de la predicción de la
regresión. Dividiendo el rango de variación de la variable de respuesta es posible definir 5 categorías:
 Porcentaje menor que 10, clase Muy Bajo
 Porcentaje entre 10-30, clase Bajo
 Porcentaje entre 30-60, clase Media
 Porcentaje entre 60-80, clase Alto
 Porcentaje entre 80-100, clase Muy alto
Luego se puede comparar la predicción de una clase de este modelo (SML Modo clasificación) con la
predicción numérica (SML Modo regresión).

8
 También es posible evaluar de forma sencilla el peor escenario de una predicción. Esto sería predecir
una categoría baja o muy baja y en realidad el valor es medio, alto o muy alto, es decir subestimar la
presencia de una arcilla, o el caso contrario sobrestimar la presencia de la misma.

Validación cruzada

Al igual que en el modo Regresión de SML, con el objetivo de evitar el sobreajuste y también
estudiar la capacidad de predicción y generalización del modelo, la técnica de validación cruzada en k
folds (k=10), es de nuevo empleada. Para ello se divide el total de los datos de cada conjunto (k fold) en
dos conjuntos, el 80% para el entrenar el algoritmo y el restante 20% del conjunto de datos para validar
(conjunto de datos de prueba).
Esta división se realiza generalmente al azar para garantizar que las dos partes tienen la misma
distribución y: (a) Se divide los datos en conjuntos k llamados folds, cada conjunto (k fold) a su vez en
dos conjuntos, el 80% para el entrenar el algoritmo y el restante 20% del conjunto de datos para
validar(conjunto de datos de prueba).. (b) Se ajusta los modelos y evalúa el rendimiento (tipo de modelo a
ajustar y la grilla de parámetros de ajuste).

Remuestreo (Boostrapping)y estimación imparcial del error de prueba

Esta técnica es aplicada para cuantificar intervalos de confianza de la predicción de SML, esta vez
en modo clasificación, debido a la limitante del tamaño de la muestra referida previamente. La técnica de
re-muestreo permitió evaluar la precisión de la clasificación mostrando una alta confianza suponiendo que
la varianza de los datos es representativa de la varianza de la población, lo cual es siempre una
limitación a determinar a través de la validación externa.

Type of Clay Algorithm Min. Median Max. Range

Illite RF 0.956 0.968 0.976 0.020
Illite SVM 0.925 0.937 0.952 0.028
Smectite RF 0.901 0.917 0.933 0.032
Smectite SVM 0.881 0.897 0.917 0.036
IS RF 0.901 0.927 0.944 0.044
IS SVM 0.877 0.889 0.917 0.040
Chlorite RF 0.897 0.919 0.933 0.036
Chlorite SVM 0.873 0.891 0.909 0.036
Kaolinite RF 0.873 0.891 0.913 0.040
Kaolinite SVM 0.833 0.863 0.885 0.052
Tabla 3. Distribución obtenida con bootstrap de 5000 muestras con RF y SVM

3. Resultados
3.1. Predicción de Minerales de arcilla - Modo Regresión de SML:
Con el modelo óptimo de acuerdo a la validación cruzada y su rango de variación, es posible que se
muestren los resultados de los ajustes con todos los datos. Separando los puntos en la clase EH, MEN o
SPC para graficar los datos reales, medidas del porcentaje de cada tipo de arcillas obtenidas de rayos X,
en una profundidad comparada con el modelo de predicción de Random Forest. La separación en clase es
realizada para graficar el porcentaje de cada tipo de arcilla en función de profundidad en metros (m).

9
Figura 5. Ajuste del Porcentaje de Illita, Esmectita, Interestratificados Illita/Esmectica, Clorita y Caolinita para cada
clase EH, MEN, SPC

El modelo de predicción propuesto muestra una cuantificación de minerales de arcilla numéricos

aceptable, aun cuando su construcción se basa en datos extraídos de un método con importantes
desviaciones numéricas (DRX), en donde dos muestras extraídas de un total de 300 a la misma
profundidad y sin aparente cambio composicional muestran una desviación entre 5 y 10%.

10
 3.2. Predicción de Minerales de arcilla - en Modo clasificación de SML:

Con el mejor modelo de ajuste, según la validación cruzada y con su rango de variación, es posible
mostrar los resultados del modelo de clasificación con todos los datos. La forma más sencilla de presentar
los resultados es usando matrices de confusión.

Figura 6. Matriz de confusión de Illita, Esmectita, Interestratificados Illita/Esméctica, Clorita y Caolinita

Las matrices de confusión mostradas en la Figura 6 reflejan el desempeño del algoritmo predictor
para clasificar la abundancia de cada tipo de arcilla, de lo cual se extrae que la illita fue clasificada
correctamente en un 96% de los casos y solo en un 0.8% fue mal clasificada siendo el caso más
desfavorable (subestimación del contenido de arcilla). La evaluación de la esméctica, resulta con 91% de

11
casos clasificados correcto y el 2.8% predicción mal clasificado para el caso más desfavorable. La
identidad atribuida a los interestratificados Illita/Esmectita resulto con 92% acierto y 2.4 % el peor de los
casos de predicción mal clasificado. La matriz de confusión de Clorita, exhibe 92% certeza en la
clasificación y 2.4 % de mala clasificación sobre predicción en el peor de los caso. Finalmente la
exactitud de la clasificación para la caolinita es de 91% de los casos y el 2.4% el peor de los casos de
predicción mal clasificados.

3.3. Estimación de minerales de arcillas – caso validación externa

Considerando que la verificación de modelos matemáticos que pretendan predecir cualquier
fenómeno, en este caso el fenómeno natural de existencia de minerales de arcillas, es tan importante como
el desarrollo mismo del modelo, en este apartado se muestra los resultados de la estimación de arcillas
empleando el algoritmo entrenado de SML y los resultados obtenidos del análisis de DRX para las
mismas profundidades.
El pozo estudio corresponde a un pozo de avanzada ubicado en Piedra Clavada, el cual reúne 27
datos de minerales de arcillas obtenidos de DRX sobre testigos laterales. Las mediciones se distribuyen
18 medidas en la Fm. Bajo Barreal y 9 en la Fm. Castillo, además cuenta con perfil de Gamma Espectral a
pozo abierto. En principio el algoritmo modelado no contempla esta área operativa, sin embargo por su
relación geológica y ubicación geográfica fueron estimados los tipos de arcillas adjudicando los datos a la
clase SPC, que tienen medidas de la formación Bajo Barreal y no EH o ME. Los puntos para la formación
de Castillo se eliminan para la validación externa, porque el algoritmo entrenado por SML para la clase
SPC no contiene datos de la Formación Castillo.
Smectite Chlorite Kaolinite
H K Thc Illite Model Model Is Model Model Model Illite Real Sm Real Is Real Chlorite Real Kaolinite Real
1112.50 1.57 7.79 2.22 68.08 8.12 7.01 14.57 0 90 10 0 0
1188.00 1.66 10.84 1.72 76.92 5.43 6.22 9.72 0 75 10 15 0
1286.50 1.63 9.84 1.72 81.61 3.58 4.25 8.84 0 85 10 5 0
1316.00 1.72 9.90 1.80 82.18 3.35 3.19 9.47 0 75 15 10 0
1412.00 1.21 9.92 1.37 76.37 6.37 9.90 6.00 5 65 20 5 5
1435.10 0.75 11.26 2.20 64.61 7.15 16.84 9.20 0 65 10 5 20
1446.30 0.43 8.90 1.42 59.39 6.80 14.87 17.51 0 5 5 5 85
1450.40 0.82 13.61 1.58 63.24 9.03 14.63 11.52 0 5 10 5 80
1474.80 1.46 13.85 1.42 71.04 12.72 8.45 6.36 5 65 10 15 5
1537.00 1.51 11.49 0.96 70.41 6.21 14.69 7.73 5 75 15 5 0
1599.50 0.66 7.46 1.93 31.64 6.37 19.26 40.80 0 25 10 60 5
1661.90 0.31 8.64 1.37 43.09 5.03 25.80 24.71 5 5 5 80 5
1737.10 1.20 13.80 1.72 66.00 12.84 13.17 6.27 0 80 10 10 0
1761.90 1.21 10.25 1.29 74.45 6.64 10.75 6.87 10 55 25 10 0
1816.90 0.73 8.51 2.74 49.90 8.10 26.56 12.70 5 5 25 35 30
1822.10 0.99 12.71 2.20 66.32 7.41 13.11 10.97 5 0 15 65 15
1837.30 0.56 6.55 1.03 54.25 6.78 19.48 18.47 0 70 10 15 5
1856.00 2.96 12.07 3.19 62.08 6.57 6.60 21.56 10 35 30 20 5

Tabla 4. Validación externa modo regresión de SML

Smectite Chlorite Kaolinite
H(m) K Thc Illite Model Model Is Model Model Model Illite Real Sm Real Is Real Chlorite Real Kaolinite Real
1112.50 1.57 7.79 verylow high verylow verylow verylow verylow veryhigh verylow verylow verylow
1188.00 1.66 10.84 verylow high verylow verylow verylow verylow high verylow low verylow
1286.50 1.63 9.84 verylow veryhigh verylow verylow verylow verylow veryhigh verylow verylow verylow
1316.00 1.72 9.90 verylow high verylow verylow verylow verylow high verylow verylow verylow
1412.00 1.21 9.92 verylow high verylow verylow verylow verylow high verylow verylow verylow
1435.10 0.75 11.26 verylow high verylow verylow verylow verylow high verylow verylow low
1446.30 0.43 8.90 verylow high verylow verylow medium verylow verylow verylow verylow veryhigh
1450.40 0.82 13.61 verylow high verylow verylow verylow verylow verylow verylow verylow high
1474.80 1.46 13.85 verylow high verylow verylow verylow verylow high verylow low verylow
1537.00 1.51 11.49 verylow high verylow verylow verylow verylow high verylow verylow verylow
1599.50 0.66 7.46 verylow verylow verylow medium verylow verylow low low medium verylow
1661.90 0.31 8.64 verylow veryhigh verylow verylow verylow verylow verylow verylow high verylow
1737.10 1.20 13.80 verylow high verylow medium verylow verylow high verylow high verylow
1761.90 1.21 10.25 verylow veryhigh verylow medium verylow verylow medium verylow high verylow
1816.90 0.73 8.51 verylow verylow verylow low verylow verylow verylow verylow medium low
1822.10 0.99 12.71 verylow veryhigh verylow verylow verylow verylow verylow verylow high low
1837.30 0.56 6.55 verylow high verylow verylow verylow verylow high verylow low verylow
1856.00 2.96 12.07 verylow high verylow verylow verylow verylow medium verylow low verylow

Tabla5. Validación Externa del Modo de Clasificación de SML

12
 Resulta aceptable la predicción de clasificación y numérica obtenida especialmente en la predicción
de esmectita, considerando que los datos de este nuevo pozo, se sitúa a 10 km, de los pozos utilizados en
la calibración del modelo del SML. Aunque no se realizó una estimación de error estadístico, se destacó
en rojo los valores que mostraron mayor desviación del dato medido en laboratorio.
La Figura 7 representa la predicción del contenido de minerales de arcilla calculados por SML y
Random Forest a partir de las concentraciones de K y Th del perfil de GRSL, los puntos sobre las curvas
corresponden a los valores numéricos obtenidos del análisis de DRX; se observa que la predicción es
buena en 13 de las 18 muestras analizadas, las mejores predicciones son las correspondientes a los
intervalos predominantemente lutíticos.

Figura 7. Minerales de arcillas calculados a partir del algoritmo propuesto (curvas continuas) y su correspondencia
con datos de DRX.

La Figura 8, muestra la predicción usando SML y Random Forest en modo clasificación, referidas en
la sección 2.5. La diferencia entre estas representaciones graficas radica que la Figura 7 muestra un valor
numérico mientras que la Figura 8 agrupa clases de contenidos de minerales.

13
 Figura 8. Representación en diagrama de bloques de clases de minerales de arcillas modelados.

4. Discusión

La estimación de composición mineralógica de las arcillas resulta de gran importancia en la selección

del agua de inyección en proyectos de recuperación secundaria. Sandoval (2000), menciona que los
cambios en el carácter del fluido intersticial pueden afectar fuertemente a los minerales de arcilla
presente y causar una reducción adicional de la permeabilidad. Además, la morfología de los minerales de
arcilla influye de diferente manera la eficiencia de la recuperación.Si existen registros de GRSL que
permitan identificar el tipo predominante de arcilla empleando los modelos descriptos en las secciones
anteriores es prevenir o remediar posibles daños de formación que afecten la inyectividad.

Expansión de Arcilla

El fenómeno de expansión de las arcillas está muy bien entendido y documentado(Civan, 2007). El
desbalance de las cargas negativas en la estructura de la arcillas se estabilizan por la sustitución de un
catión cargado positivamente (por ejemplo, Na+, K+, Ca++, Mg++) en el espacio entre los cristales
individuales de las arcillas. Si existe una concentración insuficiente de estos iones en el agua inyectada
que contacta la arcilla, por ejemplo por la inyección de agua dulce o de baja salinidad, las arcillas que
tiene la capacidad de expandirse, lo harán. Este tipo de arcillas son las del grupo de la esmectita. El
tamaño de la molécula de agua, en comparación con los cationes que normalmente estabilizarían la
estructura, como el Na+ K+, provoca que la arcilla se expanda. La Figura 7 describe esquemáticamente
la estructura cristalina de una arcilla esmectita.

14
 Los minerales del grupo de la esméctica son extremadamente sensibles a la introducción de agua,
expansión osmótica, los envoltorios de poros tienden a romperse ligeramente y migrar durante la
expansión, su estructura causa una relación área superficial/volumen poral grande (Sandoval, 2000).
Dependiendo de la concentración de la arcilla, y su ubicación en el sistema poral, esta expansión
causa severas reducciones en la permeabilidad. En ocasiones, la expansión de estas arcillas ubicadas
dentro de los poros es tal que la láminas que se hallan como los envoltorios de poros tienden a romperse
ligeramente y migrar durante la expansión ocluyendo las gargantas porales, su estructura causa una
relación área superficial/volumen de volumen poral grande de la arcilla expandida, agravando el problema
de la disminución de la permeabilidad.

Figura 9. Representación esquemática de la estructura de una esmectita

Dispersión de las Arcillas

Lo minerales tipo illita suelen formar puentes en los cuellos de los poros , por lo que duplican o
triplican la relación poro/tamaño de gargantas, afectando fuertemente la eficiencia en la recuperación; el
grupo caolinita por lo general forma agregados y rellenos de poros, se hallan ligeramente adheridos a los
granos huésped y sus cristales individuales son relativamente grandes, por lo que cuando la velocidad de
un fluido intersticial es alta , estos agregados o cristales individuales pueden ser separados de su sustratos
y alojados en los cuellos de los poros , impidiendo el paso del flujo en ese sector de la roca (Sandoval,
2000)
Un error común en el diseño de los proyectos de recuperación secundaria es suponer que si la
formación no contiene una concentración grande de arcillas que normalmente se expanden, por ejemplo
las esmectitas o las arcillas mixtas, la inyección de agua dulce o de baja salinidad no causará ningún daño.
El fenómeno de dispersión de las arcillas (defloculación) es igualmente dañino en ciertas situaciones
donde los reservorios no contienen este típico de arcillas expandibles. Este daño puede ser causado por el
contacto abrupto de agua dulce o por cambios en la salinidad del agua inyectada o incrementos rápidos
en el pH del fluido, la referencia estudia en profundidad los daños de pH en ciertos yacimientos de la
cuenta del golfo San Jorge (Giordano & Ramos, 2015). Muchos autores(Basin, Souto, & Le Thiez,
1994)(Bazin & Labrid, 1991)(Khilar & Fogler, 1987)(Scheuerman & Bergersen, 1990)(Valdya & Floger,
1992)(Marquez, Williams, Knobles, Bedrikovetsky, & Zhenjiang, 2014) han documentado los problemas
que causa la dispersión de las arcillas. La dispersión o defloculación- de las arcillas se debe a la ruptura de
los enlaces electrostáticos. Los enlaces son la causa por la cual las arcillas están enlazadas a las paredes
de los poros. La mayoría de las arcillas tienen una carga neta negativa debido a la sustitución de los
cationes de menor valencia en la estructura de la arcilla, por ejemplo Al+3 por el Si+4 o el Mg+2 por el Al+3.
Para mantener la carga total neutral, la carga negativa de la red de las arcillas es contrabalanceada por
una nube de cationes positivos que rodea la estructura de la arcilla sobre o cerca de la superficie de la

15
arcilla. Esta concentración difusa de la carga se la llama como nube contra-iónica o red de doble difusa.
El tamaño de esta capa difusa se atenúa por los fuerzas de difusión si el esfuerzo iónico del agua de baja
salinidad o dulce es baja. Cuando la repulsión mutua entre la carga negativa y la nube de cationes
positivos excede las fuerzas de Van der Waal que son las que mantienen las arcillas en estado de
floculación, las partículas comienzas de dispersarse o deflocularse-. Las causas por las que ocurren la
defloculación incluyen:
 La salinidad requerida para mantener las arcillas en un estado de floculación se incrementan con
la capacidad de intercambio catiónico.
 La capacidad de floculación de los cationes es una función de la valencia de los iones, más que
del tipo específico de iones.
 Cambios abruptos en la composición del agua o de la salinidad tienen a magnificar los problemas
asociados con el problema de de-floculación debido al rápido intercambio iónico entre los cationes de la
superficie y los protones del agua. Transiciones en más graduales en la composición del agua reducen o
eliminan estos problemas.
 El problema de defloculación puede ser disminuido adecuado la salinidad o el pH del agua de
inyección.
Los problemas descriptos de expansión o de-floculación de las arcillas, son la principal razón por la
cual el conocimiento del tipo de arcilla puede ayudar al diseño del proyecto de recuperación secundaria,
seleccionando aguas compatibles con los daños de formación esperados para cada tipo de reservorio.

Caso real de interacción del agua de inyección y reservorio

El daño de formación es uno de los problemas detectados durante el desarrollo de operaciones de

recuperación secundaria con agua en el área de Meseta Espinosa así como ocurre en el resto del flanco
sur de la CGSJ. Hoy se conoce, luego de evaluación detallada del problema, sustentada en estudios de
laboratorio y del yacimiento (presiones capilares, análisis de DRX, MEB, ensayos de flujos), que la
interacción del agua de inyección de químicas diferentes con la mineralogía de la formación, repercuten
en la eficiencia de la inyección.
A continuación se muestra un caso real de daño producido por incompatibilidad de agua, sin aunar en
un detallado análisis conceptual (Giordano & Ramos, 2015), ya que se desviaría del propósito del trabajo.
La afectación del medio poroso de los pozos Ay B se constata por el repentino y abrupto descenso del
caudal de inyección (ver Figura 9) al poco tiempo de haber iniciado la operación.

Figura10. Historial de producción pozos A y B.

Para entender un poco las causas de esta afectación en el medio poroso, se realizaron estudios de
XRD sobre los recortes de perforación que era las muestras de rocas que se tenía de estos pozos en la R26.
Para el pozo A el contenido de arcillas totales es 10% de la roca, compuesto por un 50% esmectita y 50 %
caolinita, mientras que para el Pozo B el contenido de arcillas totales es 39% de la roca, compuesto por30%
esmectita, 60 %, caolinita 10%. Para el mismo horizonte estratigráfico en los pozos vecinos cercanos se
evaluó sobre muestras de testigos rotados (Giordano & Ramos, 2015)la respuesta del medio poroso al

16
variar la salinidad de muestras de agua de inyección y la acción de este mismo ente ante la adición de
ácido clorhídrico. El resultado del pozo C se muestran en la Figura 9, en esta unidad las arcillas
representan el 11% de la roca, con 70% de caolinita y 30% esmectita

De los casos observados se destaca que los intervalos con condiciones petrofísicas masdefavorables son
los que

Figura 9. Ensayo de flujo, pozo C.

En los gráficos se demuestra que el aumento de salinidad del agua induce a la migración de finos
especialmente caolinita, mientras que el tratamiento con ácido clorhídrico permite la recuperación de la
permeabilidad en 50%. Se infiere entonces, que con conocer cualitativamente la abundancia de arcillas
serviría para el diseño de aguas compatibles con la formación.
5. Conclusiones
El DDM que utiliza SML resulta una manera muy versátil de modelar una relación compleja entre el
porcentaje de cada tipo de arcilla (Predicted Output) de las medidas de DRX para cada profundidad y las
lecturas de potasio y torio de perfiles Rayos gamma espectral y una variable categórica que indica dónde
pertenecen la medida (Sur Piedra Clavada (SPC), El Huemul (EH) o Meseta Espinosa (ME)).
El Random Forest y máquina vectorial de soporte tienen un rendimiento alto y similar. El uso de la
validación cruzada resulta una forma robusta de evitar el sobreajuste y analizar la capacidad de
predicción y generalización del modelo. El modelo que exhibió el error más bajo en la muestra de prueba
se identifica como el mejor. También es posible discriminar el rango de variación de la calidad del ajuste.
La calibración del Random Forest y el algoritmo SVM en modo regresión evitando sobre-ajustar y
analizando la capacidad de predicción y generalización, fue lo suficientemente bueno para sostener la
posibilidad de que con unas medidas más extendidas como son las lecturas de potasio y torio del Registro
Gamma Espectral, predicen una medida puntual de minerales del DRX.
La calibración del Random Forest y el algoritmo SVM, en modo clasificación, trae la posibilidad de otra
manera de controlar el valor numérico del SML en el modo de regresión con un valor de clase predicho
con más del 90% de precisión. También puede estimar fácilmente la influencia del peor escenario de una
predicción que es predecir una clase muy baja o baja y de hecho podría ser medio, alto o muy alto. En
este caso este escenario es siempre menor que el 3%. Cabe destacar que se supone que la varianza de los
datos es representativa de la varianza poblacional, lo cual solo puede evaluarse a través de la validación
externa, es decir con nuevas mediciones y evaluar las predicciones. En este caso la validación externa se
realizó con datos independientes de un pozo de avanzada. Esto fue una prueba fundamental para la

17
metodología de SML, con un desempeño muy aceptable para el modo regresión y clasificación de los
algoritmos de SML; considerando la distancia (mayor a 10 km) y la gran variabilidad del fenómeno a
predecir.
La identificación de arcillas tiene diversas aplicaciones permitiendo prevenir y mitigar problemas durante:
la perforación, estimulación, exploración entre otros. En este estudio se hace referencia solo a esta
herramienta para prevenir el daño de formación debido a la expansión de arcilla o dispersión ocasionada
por incompatibilidades con la inyección de agua en proyectos de recuperación secundaria.
Autores
Fabiola Bodan
Educación: Ingeniero Geólogo- Universidad de los Andes, Venezuela. Post grado en
progreso Ingeniería de Reservorios UBA.
Posición actual: Petrofísico, Sinopec.
Experiencia: Baker Hughes,Sinopec.
Francisco Castillo Gamarra
Educación: Licenciado en Física – Instituto Balseiro. MSc. Física, Instituto Balseiro.
Posición actual: Ingeniero de Reservorios, Sinopec.
Experiencia: Repsol-YPF, YPF, Sinopec.

Néstor E. Ramos
Educación: Ingeniero Electrónico, Universidad Nacional de Mar del Plata. Post grado en
Ingeniería del Petróleo y Gas ITBA.
Experiencia: Western Atlas, YPF, Oxy, Sinopec
Posición actual: Ingeniero de Reservorios, Especialista.

Referencias
Basin, B., Souto, E., & Le Thiez, P. (1994). Control Formation Damage by Modelling Rock-water
Interaction. SPE International Symposium on Formation Damage Control. Lafayette, Lousina.
doi:https://doi.org/10.2118/27363-MS

Bazin, B., & Labrid, J. (May de 1991). Ion Exchange and Dissolution/Precipitation Modeling: Application
to the Injection pf Aqueous Fluids Into Reservoir Sandstone. SPE Reservoir Engineering, 6(02),
233. doi:https://doi.org/10.2118/18464-PA

Breiman, L., & Cutler, A. (7 de October de 2015). Obtenido de R Software: https://cran.r-

project.org/web/packages/randomForest/randomForest.pdf

Civan, F. (2007). Reservoir Formation Damage. Burlington, MA, USA: Elsevier.

Fritsch, S., Guenther, F., Suling, M., & Mueller, S. (16 de August de 2016). Obtenido de R Software:
https://cran.r-project.org/web/packages/neuralnet/neuralnet.pdf

Giordano, M., & Ramos, N. (2015). Evaluación y Remedación de Daños de Formación con Fluidos de
Terminación. 2° Congreso Latinoamerica y del Caribe de Perforación, Terminación, Reparación y
Servicios de Pozos.Buenos Aires.

18
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Stadistical Learning. Springer.

Ian, W., & Eibe, F. (2005). Data Mining. San Francisco: Elsevier.

James, G., Witten, D., & Hastie, T. (2014). An Introduction of Statistical Learning. Springer.

Khilar , K. C., & Fogler, H. S. (1987). Colloidally Induced Fines Migration in Porous Media. Reviews in
Chemical Engineering, 41(4), 1-2.

Kuhn, M. (18 de April de 2017). Obtenido de R Software: https://cran.r-

project.org/web/packages/caret/caret.pdf

Marquez, M., Williams, W., Knobles, M. M., Bedrikovetsky, P., & Zhenjiang, Y. (November de 2014).
Fines Migration in Fractured Wells: Integrating Modeling With Field and Laboratory Data. SPE
Production & Operations, 29(04). doi:https://doi.org/10.2118/165108-PA

Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., & Leisch [, F. (2 de February de 2017). Obtenido de
R Software: https://cran.r-project.org/web/packages/e1071/e1071.pdf

Ripley, B., & Venables, W. (2 de February de 2016). Obtenido de R Software: https://cran.r-

project.org/web/packages/nnet/nnet.pdf

Sandoval, M. E. (2000). Diagenesis de Areniscas.Caracas.

Scheuerman, R. F., & Bergersen, B. M. (July de 1990). Injection Water Salinity, Formation Pre-Treatment
and Well Operations Fluid Selecction Guidelines. Jornal of Petroleum Technology, 836.

Serra, O. (1984). Fundamentals of well-log interpretation. New York: Elsevier Science Publishers.

Serra, O., Baldwin, J., & Quirein, J. (1980). Theory, interpretation and practical applications of Natural
Gamma Ray Spectroscopy. SPWLA Twenty-first Annual Logging Symposium.

Solomatine, D. P., & Ostfeld, A. (2008). Data-driven modelling: some past experiences and new
approaches. Journal of Hydroinformatics, 3-22.

Valdya, R. N., & Floger, H. S. (November de 1992). Fines Migration and Formation Damage: Influence of
pH and Ion Exchange. SPE Production Engineering, 7(04), 325.
doi:https://doi.org/10.2118/19413-PA

19