Redes neuronales artificiales aplicadas a la clasificación de litofacies en registros geofísicos de pozo

Abstract

Se le define como litofacies a la subdivisión de una unidad estratigráfica que se caracteriza únicamente por su textura, mineralogía, tamaño de grano y ambiente geológico donde se deposita. La correcta identificación de la presencia de estos cuerpos sedimentarios en los registros geofísicos de pozo es de suma importancia para la exploración de hidrocarburos, ya que pueden indicar la presencia de unidades sedimentarias de alto valor para la caracterización de un yacimiento, por ejemplo, unidades generadoras y/o almacenadoras. Existen distintas metodologías para la identificación manual de litofacies en registros geofísicos de pozo, las cuales requieren de analistas/intérpretes capacitados con conocimientos en geología y petrofísica, restringidos por la capacidad de procesamiento humana para realizar dicha tarea. En este trabajo, exploramos el uso de redes neuronales basadas en mecanismos de recurrencia para la clasificación de litofacies a partir de registros geofísicos de pozo, de tal manera que esta tecnología pueda servir como apoyo a los intérpretes humanos para agilizar el proceso de clasificación de litofacies ayudados por la capacidad de procesamiento de una computadora. Las redes neuronales completamente conectadas son conocidas por desempeñarse peor en esta tarea que los ensambles de algoritmos clásicos de aprendizaje de máquina, por lo cual utilizamos una red neuronal bidireccional de gran memoria a corto plazo, mejor conocida como LSTM Bidireccional, tal que sea posible tomar en cuenta la relación espacial entre litofacies. Las distintas variantes de modelos fueron entrenadas utilizando un conjunto de datos sinté- ticos cuyo diseño se explica en este trabajo, para posteriormente probar los modelos entrenados en un conjunto de datos reales correspondientes a la región del Mar del Norte en Noruega, que pertenecen al Norwegian Petroleum Dictatorate y fueron compartidos para el concurso "FORCE 2020 Machine Learning Contest", cuyo propósito fue motivar a los concursantes a diseñar algoritmos supervisados de aprendizaje de máquina que fueran capaces de clasificar litofacies a partir de registros geofísicos de pozo. La evaluación de los resultados de este trabajo se realizó a partir de la comparación de mé- tricas de precisión, matrices de confusión y "FORCE score", una métrica propuesta específi- camente para evaluar el desempeño de los algoritmos desarrollados para la competencia antes mencionada.