Optimización de la clasificación de facies en yacimientos de hidrocarburos utilizando aprendizaje automático y modelos de conjunto
Documentos PDF
Abstract
La clasificación precisa de facies es esencial para la caracterización y exploración de
yacimientos de hidrocarburos. Este estudio presenta un marco completo de aprendizaje automático
para mejorar la clasificación de facies utilizando varios algoritmos, incluyendo Random Forest,
Árbol de Decisión y Gradient Boosting. Preprocesamos y analizamos sistemáticamente los datos
de pozos, destacando variables críticas como la Profundidad, el Gamma Ray (GR) y la Densidad
Aparente (RHOB). Nuestro enfoque integra el análisis SHAP para interpretar la importancia de las
características y los gráficos de dependencia parcial para comprender los efectos de los predictores
clave. Además, proponemos un modelo de conjunto que combina las predicciones de clasificadores
individuales, logrando mejores métricas de rendimiento. El modelo de conjunto supera a los modelos
independientes en términos de precisión, sensibilidad y puntuación F1. Esta investigación demuestra
el potencial de las técnicas avanzadas de aprendizaje automático y el modelado de conjuntos para
optimizar la clasificación de facies, contribuyendo así a una caracterización más eficiente y precisa
del subsuelo en la industria petrolera.
Summary in foreign language
Accurate classification of facies is essential for the characterization and exploration of
hydrocarbon reservoirs. This study presents a comprehensive machine learning framework to
enhance facies classification using various algorithms, including Random Forest, Decision Tree,
and Gradient Boosting. We systematically preprocess and analyze well data, highlighting critical
variables such as Depth, Gamma Ray (GR), and Bulk Density (RHOB). Our approach integrates SHAP
analysis to interpret feature importance and partial dependence plots to understand the effects of
key predictors. Additionally, we propose an ensemble model combining predictions from individual
classifiers, achieving improved performance metrics. The ensemble model outperforms standalone
models in terms of accuracy, precision, recall, and F1 score. This research demonstrates the potential
of advanced machine learning techniques and ensemble modeling to optimize facies classification,
thereby contributing to more efficient and accurate subsurface characterization in the petroleum
industry.
Palabras clave
Clasificación de facies, Aprendizaje automático, Modelos de conjunto, Yacimientos de hidrocarburos, Análisis SHAP, Gráficos de dependencia parcialCollections
Comments