Modelo adaptativo para la estimación de la dimensión fractal de registros de imágenes resistivas a partir de registros geofísicos de pozo

Los registros de pozo presentan gran variedad de información que permite caracterizar propiedades físicas y químicas de las rocas así como de los fluidos contenidos entre ellas. Los muestreos geofísicos en sitio caracterizan en detalle parámetros físicos de las formaciones que permiten determinar la resistividad, densidad volumétrica, litología, permeabilidad y porosidad entre otros. Dentro de los avances en predicción de fracturas naturales se han desarrollado modelos soportados por procesos dependientes de la dimensión fractal de imágenes resistivas. Sin embargo, no siempre se cuenta con la información asociada a dichas imágenes. Esta investigación tiene como base la información de registros geofísicos de pozo y parte de la hipótesis que existen relaciones significativas entre múltiples registros con el objeto de caracterizar los valores de dimensión fractal. Se implementa un modelo de predicción utilizando técnicas de minería de datos y bajo los lineamientos de la metodología CRISPDM. El modelo permite de una forma adaptativa el procesamiento de información proveniente de los registros de pozo con el objeto de identificar cuáles de estos registros presentan relaciones significativas para la generación de patrones que inciden en la predicción de valores de dimensión fractal. El modelo es validado sobre un caso de estudio con información de registros de pozo realizados en la cuenca del Catatumbo, Norte de Santander, Colombia. En los capítulos asociados se presenta el análisis de información, ejecución y evaluación del modelo. El análisis de resultados de ejecución para el modelo de predicción se basa en muestreos aleatorios de valores de registros múltiples en secciones transversales y es evaluado sobre valores aleatorios de dimensión fractal. Como producto del proceso de clasificación se identificaron tres conjuntos de orígenes de datos relevantes como son registros (logs) base, registros (logs) complementarios y registros (logs) no válidos para la generación de valores de dimensión fractal. La predicción asociada al caso de estudio evidenció una respuesta altamente cercana hacia los valores esperados con una tasa de error baja donde el coeficiente de determinación (R2) resultante es de 0.95, la media absoluta del error igual a 0.003 y el error de la raíz cuadrada de la media (RMSE) es igual a 0.004. La metodología propuesta ofrece una alternativa para generar e introducir valores asociados a la dimensión fractal de imágenes resistivas en escenarios donde se cuenta con información de diversos registros geofísicos de pozo pero donde la información asociada con la dimensión fractal es inexistente. Abstract. Well logs have a great variety of information to characterize physical and chemical properties of rock formations and its fluid content among them. Geophysical surveys characterize detailed physical parameters of rock formations in order to determine the resistivity, bulk density, lithology, porosity and permeability, inter alia. Among the advances made on prediction of natural fractures, there have been developed different models supported by processes that depend on fractal dimension of resistive images. However, the information associated to such resistivity image logs is not always available. The current research is based on information from geophysical well logs, and also upon the hypothesis that is possible to identify significant relationships between multiple records in order to characterize the fractal dimension values. A prediction model is implemented through a data mining technique under the guidelines of CRISP-DM methodology. The model allows an adaptively way of information processing based on well logs in order to identify which of these records show significant relationships to generate prediction patterns to estimate fractal dimension values. The model is validated over a study case with well-log information gathered on-site at the Catatumbo basin, Norte de Santander, Colombia. In the study case chapters it is also presented data analysis, model execution and evaluation. The analysis of the execution results for the prediction model is based on random samples of multiple values in cross section and is evaluated upon random fractal dimension values. As a product of classification process three groups of relevant data sources were identified, such as: base logs, complementary logs and invalid logs for the generation of fractal dimension values. The prediction associated to the case study showed a very accurate response, in regards to the expected result values, with a low error rate where the resulting R2 is 0.95, the mean absolute error is equal to 0.003 and the root mean squared error is 0.004. The proposed methodology is an alternative to generate and input values associated to the fractal dimension of resistive images in scenarios where well geophysical logs are available, but information regarding values of fractal dimensions is inexistent. Maestría