Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Cited by Google
- Similars in SciELO
- Similars in Google
Share
Boletín de Geología
Print version ISSN 0120-0283On-line version ISSN 2145-8553
Abstract
PARDO-DIAZ, Mauro Felipe and VARGAS-JIMENEZ, Carlos Alberto. Inferencias del factor fotoeléctrico (PEF) en registros de pozo con machine learning. Bol. geol. [online]. 2021, vol.43, n.1, pp.193-210. Epub Jan 01, 2021. ISSN 0120-0283. https://doi.org/10.18273/revbol.v43n1-2021010.
Los registros de pozo convencionales son importantes para la realización de análisis petrofísicos, amarres sísmicos y correlación estratigráfica. El presente estudio propone una metodología para realizar predicciones en estos registros haciendo uso de machine learning (ML), una herramienta altamente aplicada en múltiples disciplinas. El software de entrenamiento utilizado fue WEKA (Waikato Environment for Knowledge Analysis), en el que se generó un modelo para la predicción del registro de Absorción Fotoeléctrica (PDPE o PEF), a partir de tres atributos, los registros de Rayos Gamma (GRGC), Densidad (DEN) y Corrección de Densidad (DCOR). Esta metodología fue aplicada a registros de pozo de la Formación San Fernando, cuya unidad equivalente sería la Formación Mirador, en el sector sur-occidental de los Llanos Orientales de Colombia. Fueron usados los registros de trece pozos para hacer el entrenamiento del modelo y otros seis pozos fueron usados para evaluar el desempeño de este. Los resultados confirman la posibilidad de correlacionar registros que miden características diferentes en las rocas y evidencian que las inferencias en registros de pozo con ML requieren un filtrado minucioso para tomar la tendencia de los datos, y una optimización clara para prevenir el sobreentrenamiento en el modelo.
Keywords : Predicción de gráficas; Selección de atributos; Grilla de búsqueda; WEKA; Sobreentrenamiento.