Desarrollo y aplicación de algoritmos de análisis de datos orientados a facilitar la descripción de ambientes sedimentarios aplicados a E&P

Abstract

Las facies sedimentarias, un concepto fundamental en geología, refiere a las características físicas, químicas y biológicas de una unidad de roca sedimentaria que se formó por un proceso sedimentario específico. Estas características incluyen la textura, composición y estructuras sedimentarias (mecánicas y biogénicas) presentes en la roca. Las asociaciones de facies son conjuntos de diferentes facies sedimentarias que están genética y espacialmente relacionadas y permiten a los geólogos reconstruir paleoambientes sedimentarios para así entender los cambios geológicos a lo largo del tiempo. La definición y estudio de facies sedimentarias y sus asociaciones resulta especialmente útil en la exploración y explotación de hidrocarburos y otros recursos, donde la comprensión del paleoambiente sedimentario es fundamental para la toma de decisiones. Por otro lado, el aprendizaje automático, ha evolucionado hasta convertirse en una presencia omnipresente en la sociedad actual. Gracias a su capacidad para aprender patrones complejos a partir de grandes conjuntos de datos, se ha convertido en la base de aplicaciones actuales; transformando así la manera en que interactuamos con la tecnología y abordamos desafíos en diversos campos. Dentro de la geología, en campos como la sedimentología ha permitido realizar análisis más rápidos, precisos y detallados de las rocas. El objetivo principal de la presente tesis doctoral es la aplicación de algoritmos incluidos dentro de lo que se denomina aprendizaje automático a imágenes de alta y baja resolución de muestras de testigos coronas, datos geoquímicos y perfiles de resistencia al rayado con el fin de clasificar, inferir y predecir patrones de comportamiento asociados a las facies sedimentarias y sus asociaciones de facies con sus correspondientes procesos y ambientes sedimentarios. Un objetivo secundario, pero no por ello menos importante, de este trabajo doctoral es reducir la subjetividad del observador, mejorando la precisión de las clasificaciones, además de disminuir los tiempos de descripción; permitiendo comparar de manera directa las descripciones de diferentes observadores. El proceso de análisis consistió en varias etapas, en las que se buscó asegurar la calidad de la información. Inicialmente se realizó la estandarización, homogeneización y el análisis estadístico exploratorio de los datos, así como también la generación de nuevas variables que puedan ser de utilidad. Como resultado, se obtuvieron tres modelos de aprendizaje automático capaces de predecir la textura granulométrica, la estructura sedimentaria y la composición de las rocas con una exactitud del 65% en el caso de las dos primeras y de 76% para el caso de la composición química. Estas métricas de evaluación muestran la predicción indirecta de las facies sedimentarias a partir de sus características. Debido que para validar las clasificaciones obtenidas fue necesario la utilización de criterios sedimentológicos, se llegó a la conclusión de que, estas técnicas son herramientas que reducen las subjetividades descriptivas de diferentes observadores respecto de los procesos de análisis sedimentarios.