Comparación de diferentes métodos de clasificación para la predicción de facies de litología y fluido. Aplicación a una secuencia Deltaica

Abstract

El crecimiento de la demanda de energia mundial requiere que reservas adicionales dc gas y petroleo sean descubiertas, por lo cual es importante adoptar nuevas tecnologfas para desarrollar campos que actualmente no son economicamente rentables y asi poder suplir dicha demanda. Segun las ultimas estadisticas de la Agencia Internacional de Energia (AIE), se espera que la demanda mundial crezca en 30% para principios del 2030 (AIE, 2015). Esto representa mas presion sobre los paises con mayores reservas de gas natural en el mundo. Esfuerzos para encontrar reservas adicionales de gas dentro de los campos existentes se estan llevando a cabo en todo el mundo. Es el caso del area de investigacion (campo ALFA) en donde se han realizado campanas de exploracion y se han logrado descubrimientos importantes. Estudios geologicos previos han analizado el campo ALFA y lo han descrito como un complejo de canales caracterizados por una extension superficial discontinua. La caracterizacion dc yacimientos de canales de arena mediante la correlacion de registros de pozos se presenta como un gran reto con la presencia de estas discontinuidades, por lo cual se hace necesario el uso de datos sismicos. En este campo se pretende encontrar zonas adicionales con reservas de gas que sc han dejado atras debido a la alta complejidad del yacimiento. Una de las herramientas mas exitosas aplicadas en la industria para resolver los yacimientos de alta complejidad es la prediccion de facies mediante el uso de datos sismicos. En el presente trabajo se propone implementar un algoritmo de inversion Amplitud vs Offset (AVO), herramienta muy util para la discriminacion de litologias y fluidos, en conjunto con el uso de metodos estadisticos de clasificacion para la prediccion de facies. El objetivo final de este estudio es comparar y evaluar cuatro metodos de clasificacion supervisada en la prediccion de facies litologicas y de fluido dentro del area de estudio. Los metodos usados son: distancia de Mahalanobis, analisis de discriminante lineal y cuadratico (LDA y QDA, respectivamente) y K-vecinos cercanos (K-nn). La prediccion se hara sobre la base de parametros elasticos, impedancias P y S (Ip, Is respectivamente). y la densidad calculados a partir de los parametros de salida de una inversion de Bayesiana AVO (Buland y More, 2003). Avseth. (2005) ha presentado muchos ejemplos en los que la prediccion facies se realiza utilizando parametros elasticos como velocidad de onda P y S e impedancias obtenidas a traves de la inversion AVO. Los metodos de clasificacion supervisada tambien se han utilizado ampliamente en este campo, estos metodos requieren el uso de un conjunto de datos de entrenamiento. Los datos de entrenamiento garantizan que la clasificacion de las facies dependa de una propiedad representativa y no solo obtener una separacion estadistica de los grupos como en el caso del uso de algoritmos no supervisados. Se han realizado varios estudios que comparan los metodos de clasificacion para la prediccion de facies (Wong, etal., 1995, Avseth. 2005, Yumei, 2006). El analisis dediscriminante que trabaja bajo la suposicion de una distribution gaussiana para los parametros de entrada ha demostrado ser muy util en la clasificacion de litofacies. Wong etal., (1995) y Avseth etal., (2001) consideran este metodo una tecnica robusta y de gran alcance entre los primeros algoritmos dc clasificacion. Esta investigation incluira tambien el metodo distancia de Mahalanobis como un metodo de clasificacion cuando no se tiene en consideration la information a priori. El cuarto metodo a comparar es la K-vecinos mas cercanos, la capacidad de este metodo como clasificador de litofacies se ha evaluado recientemente por Tan, (2015) y Sanchetta, (2015). Tanto el metodo K-nn como el analisis discriminante usan probabilidades a priori de las facies con la diferencia de que K-nn no hace ninguna suposicion sobre la distribution estadistica de las propiedades. El objetivo final de la comparacion es encontrar el metodo con el enfoque mas adecuado para la clasificacion teniendo en cuenta las Iimitaciones de cada uno de ellos. Por otra parte, la inversion Bayesiana AVO se utiliza ya que representa una solution para obtener la distribution posterior de los parametros elasticos permitiendo considerar la incertidumbre en las propiedades invertidas. Esta inversion se ha utilizado anteriormente en datos reales (Buland y More, 2003) donde se ha logrado una buena correlation entre las propiedades resultantes de la inversion y las propiedades reales de los registros de pozo.