Los científicos de Skoltech y sus colegas de la industria han encontrado una forma de utilizar el aprendizaje automático para predecir con precisión la conductividad térmica de las rocas. un parámetro crucial para una mejor recuperación de petróleo. La investigación, apoyado por Lukoil-Engineering LLC, fue publicado en el Revista Geofísica Internacional .

Conductividad térmica de la roca, o su capacidad para conducir calor, es clave tanto para modelar una cuenca petrolera como para diseñar métodos de recuperación mejorada de petróleo (EOR), la llamada recuperación terciaria que permite a un operador de un campo petrolero extraer significativamente más petróleo crudo que usando métodos básicos. Un método de EOR común es la inyección térmica, donde el aceite en la formación se calienta por diversos medios, como vapor, y este método requiere un amplio conocimiento de los procesos de transferencia de calor dentro de un yacimiento.

Para esto, se necesitaría medir la conductividad térmica de la roca directamente in situ, pero esto ha resultado ser una tarea abrumadora que aún no ha producido resultados satisfactorios utilizables en la práctica. Entonces, los científicos y los profesionales recurrieron a métodos indirectos, que infieren la conductividad térmica de la roca a partir de datos de registros de pozos que proporcionan una imagen de alta resolución de las variaciones verticales en las propiedades físicas de la roca.

"Hoy dia, Tres problemas centrales descartan cualquier posibilidad de medir la conductividad térmica directamente dentro de los intervalos sin núcleo. Está, primeramente, el tiempo necesario para las mediciones:los ingenieros petroleros no pueden dejar que el pozo se detenga durante mucho tiempo, ya que es económicamente irrazonable. En segundo lugar, la convección inducida del fluido de perforación afecta drásticamente los resultados de las mediciones. Y finalmente, existe la forma inestable de los pozos, que tiene que ver con algunos aspectos técnicos de las mediciones, "El estudiante de doctorado de Skoltech y primer autor del artículo, dice Yury Meshalkin.

Los métodos conocidos basados ​​en registros de pozos pueden utilizar ecuaciones de regresión o modelos teóricos, y ambos tienen sus inconvenientes relacionados con la disponibilidad de datos y la no linealidad en las propiedades de las rocas. Meshalkin y sus colegas enfrentaron siete algoritmos de aprendizaje automático entre sí en la carrera por reconstruir la conductividad térmica a partir de datos de registro de pozos con la mayor precisión posible. También eligieron el modelo teórico de Lichtenecker-Asaad como punto de referencia para esta comparación.

Utilizando datos reales de registros de pozos de un campo de petróleo pesado ubicado en la cuenca de Timan-Pechora en el norte de Rusia, los investigadores encontraron que, entre los siete algoritmos de aprendizaje automático y la regresión lineal múltiple básica, Random Forest proporcionó las predicciones más precisas basadas en registros de pozos de la conductividad térmica de las rocas, incluso superando el modelo teórico.

"Si analizamos las necesidades prácticas de hoy y las soluciones existentes, Diría que nuestro mejor resultado basado en el aprendizaje automático es muy preciso. Es difícil dar una evaluación cualitativa ya que la situación puede variar y se limita a ciertos campos petroleros. Pero creo que los productores de petróleo pueden usar tales predicciones indirectas de la conductividad térmica de la roca en su diseño EOR, "Notas Meshalkin.

Los científicos creen que los algoritmos de aprendizaje automático son un marco prometedor para las predicciones rápidas y efectivas de la conductividad térmica de las rocas. Estos métodos son más sencillos y sólidos y no requieren parámetros adicionales fuera de los datos de registro de pozos comunes. Por lo tanto, pueden "mejorar radicalmente los resultados de las investigaciones geotérmicas, modelado de cuencas y sistemas petroleros y optimización de métodos térmicos EOR, ", concluye el artículo.