Rocky Roden y Alvaro Chaveste | Geophysical Insights | 21 Septiembre de 2023
Introduccion
Alvaro Chaveste y Rocky Roden presentan una nueva metodología de Aprendizaje Automático (Machine Learning o ML) para Caracterización de Yacimientos, la cual se realiza en una fracción del tiempo empleado por métodos de inversión sísmica. La metodología se basa en calcular Mapas Auto Organizados (MAO), una forma de ML no supervisado, y cros-referenciar las neuronas del MAO a litofacies obtenidas de registros petrofísicos. La metodología, desarrollada empleando datos sintéticos, se ejemplifica en esta presentación con datos de la formación Niobrara de Estados Unidos.
Extracto
Los métodos de caracterización de yacimientos basados en inversión sísmica calculan propiedades de las rocas (i.e., impedancias de onda P, onda S y densidad). Las propiedades de yacimiento objeto de la caracterización (porosidad, litología y fluidos) se obtienen a través de inversión petrofísica que relaciona estas a las propiedades de las rocas mediante modelos de física de rocas.
La inversión sísmica calcula la reflectividad de ancho de banda amplio y la complementa con un modelo de baja frecuencia obtenido, generalmente, de velocidades sísmicas. Por lo general estos requisitos se cumplen parcialmente, lo que resulta en incertidumbre en las propiedades de las rocas calculadas de los datos sísmicos.
Idealmente, las propiedades de yacimiento serian calculadas de propiedades de las rocas mediante inversión petrofísica; sin embargo, los modelos de física de rocas que relacionan propiedades de las rocas a propiedades de yacimiento no son lineales y son matemáticamente complejos. Una práctica común para solventar estos inconvenientes ha sido seleccionar, en gráficos cruzados de propiedades de las rocas, polígonos (volúmenes en gráficos cruzados 3D) que correspondan a las propiedades de yacimiento objetivo.
La alternativa propuesta no es determinística y no requiere que los datos honren modelos físicos. Está basada en de Mapas Auto Organizados (MAO), los cuales toman un numero de atributos (definido por el Usuario) y los agrupa en espacio multidimensional; eliminando, de esta manera, el inconveniente de baja dimensionalidad. Los MAOs de un numero pequeño de atributos (tres Propiedades de las Rocas, por ejemplo) parametrizado para crear un numero pequeño de neuronas replicaría el trabajo hecho por un Intérprete al identificar, en gráficos cruzados de propiedades de las rocas, polígonos que correspondan a las propiedades objetivo del yacimiento.
Las neuronas generadas por los MAOs tienen algunas de las características de datos invertidos. Representan intervalos, no interfases, y muestran el efecto de haber removido la ondícula. Adicionalmente, el proceso genera una neurona por muestra sísmica, lo que resulta en datos interpretables a intervalos menores al límite de resolución de la ondícula sísmica.
El proceso MAO resulta en una etiqueta numérica por neurona. La asignación de etiquetas geológicamente relevantes se hace creando litofacies a partir de datos de pozo y cros-referenciando estas a las neuronas de los datos sísmicos. Al final, el Intérprete tendrá un mapa topológico en el que los colores (número de neurona) corresponden a litofacies. Identificando una neurona del mapa topológico en el MAO de los datos sísmicos mostrara la ubicación, en el volumen tridimensional, con mayor probabilidad de tener la litofacies seleccionada.
Q&A
Q: ¿Cómo proporcionan los Mapas Auto Organizados (MAO) propiedades de intervalo de ancho de banda amplio? ¿Cómo se logra la alta resolución? ¿Cómo se elimina la sintonización en este proceso? ¿Cuál es la física que sustenta esta inversión? ¿Qué sucede en zonas donde las litologías son heterogéneas alejadas de los pozos?
Álvaro: Empecemos con la pregunta, ¿Cuáles son los procesos que aumentan la resolución y que convierten el MAO en propiedades de intervalo? Se utilizan varios atributos para estimar neuronas a partir de MAO. Algunos de los atributos pueden no estar relacionados a la reflectividad (atributos texturales, por ejemplo), o pueden ser funciones de atributos instantáneos en los que la ondícula no es parte del atributo y que no son atributos de reflectividad (envoltura, fase y frecuencia instantáneas, por ejemplo). Estos atributos se combinan estadísticamente en un espacio multidimensional para formar neuronas. La otra pregunta: ¿cómo conseguimos la resolución que obtenemos? Cuando hacemos agrupaciones (clusters o neuronas), calculamos estas muestra por muestra; es decir, tomamos la misma muestra en tiempo (o profundidad) para todos los atributos, creando una neurona por muestra. Esto da como resultado datos interpretables dentro del límite de resolución de la ondícula; recuerde que algunos de los atributos no tienen una ondícula asociada.
Q: ¿Podemos utilizar esto también para yacimientos fracturados? En caso afirmativo, por favor explíquelo.
Álvaro: Sí. Se pueden calcular atributos de datos sísmicos multi-acimut y emplearlos de entrada al calculo de MAO. Las neuronas resultantes se cros-referencian con medidas de anisotropía grabadas en registros de pozo. Alternativamente, se pueden usar registros que proporcionen una medida de fracturabilidad (índice de rigidez o rigidez, por ejemplo) para calcular litofacies; estos luego se usarían para hacer la correlación MAO-Litofacies. En este caso las “Litofacies” representan una medida de fracturabilidad.
Rocky: Yo simplemente agregaría a lo que Álvaro acaba de decir, que, si estás analizando fracturas y sistemas de fallas y fracturas, es posible que quieras usar un conjunto diferente de atributos, por ejemplo, curvatura, coherencia o similaridad. Este tipo de atributos son susceptibles a los sistemas de fallas y fracturas. Creo que la fortaleza de ese enfoque es que varios atributos son buenos para diferentes tipos de características geológicas que se intentan identificar.
Q: ¿Puede mencionar brevemente los atributos importantes destacados por el Análisis de Componente Principal (ACP) que se utilizaron para generar los MAO? ¿Puede mencionar los pasos de control de calidad utilizados para aceptar/rechazar atributos relevantes? ¿Utilizaría siempre sísmica de offset total?
Álvaro: El Análisis de Componentes Principales se utiliza para seleccionar atributos relevantes que entran en MAO; sin embargo, se debe considerar la sensibilidad de los datos sísmicos a los cambios en las propiedades de interés del yacimiento. Tomemos, por ejemplo, el conjunto de datos sintéticos presentado como Prueba de Concepto (PdC). En este caso sabemos que el yacimiento está formado por arenas con gas y sabemos que los datos de trazas lejanas son sensibles al contenido de fluidos; por lo tanto, calculamos atributos para datos de offset cercano, medio y lejano y los utilizamos como entrada para MAO. ¿Puedes ampliar este Rocky?
Rocky: Es realmente un proceso muy sencillo. Usamos el libro de texto de análisis. En este caso creo que se emplearon 7 u 8 atributos de un total de veinte o veintidós. Eran dominantes en los datos y así fue como Álvaro obtuvo esos atributos que usó en las instancias de MAO. Hacemos esto de forma rutinaria. Está muy claro que podemos definir los atributos que se destacan en los conjuntos de datos que está viendo. Así es como determinamos en gran medida los atributos de un análisis MAO.
Q: ¿Se utiliza la amplitud como atributo o sólo para podar (prune) el volumen sísmico?
Álvaro: Depende del proyecto, pero en este no se usó como atributo. Se usó como plantilla para eliminar (podar), de los atributos, muestras que estaban muertas en los datos de entrada.
Rocky: De hecho, el componente principal de nuestro sistema definirá eso. Habitualmente, la amplitud es solo un atributo en el análisis de componentes principales. Si sobresale, lo usaremos; si no es así, no lo haremos. Es como dice Álvaro, depende.
Q: Si tuviera un volumen de inversión pre-apilado, ¿Podría usarse en este tipo de análisis?, Todos los volúmenes de inversión son absolutos
Álvaro: Sí, en el análisis se pueden utilizar volúmenes obtenidos de inversión sísmica (absolutos).
Q: ¿Aproximadamente cuánto tiempo tarda en ejecutarse este flujo de trabajo? Por ejemplo, en el conjunto de datos de Niobrara que mostraste.
Álvaro: El volumen de Niobrara fue el primer cubo que hicimos después de la prueba de concepto. Nos tomó aproximadamente cuatro semanas, pero aún estábamos afinando la secuencia. Entonces, diría que podría ejecutarse en tres semanas, siempre que tengamos disponibles todos los datos necesarios.
Q: Si una característica geológica no es la característica dominante, entonces PCA se filtrará y no tendremos esa información para que MAO la trabaje ni la clasifique.
Álvaro: Me gustaría que me aclararan un poco más lo que quiere decir con estructura. ¿Se refiere a estructura en geología?
Hal: Mohammed dice que es una característica geológica. Si no es dominante.
Álvaro: Esto es particularmente bueno en esas circunstancias. Voy a dar un ejemplo y espero que conteste la pregunta. He utilizado inversión donde se tienes cuerpos arenosos sobre el basamento. La arena es difícil de identificar porque hay un fuerte coeficiente de reflexión de el basamento, y dentro de ese evento de reflexión hay un evento geológico de baja amplitud que sería la arena. El MAO en este caso, dado que funciona muestra por muestra, tiene más posibilidades de identificar el evento de baja amplitud.
Hal: Una pregunta de seguimiento: ¿Considera que esto es un método que funciona en todas las condiciones geológicas?
Álvaro: Yo diría que es más sensible a los cambios en las propiedades del yacimiento que otros métodos. También proporciona datos interpretables dentro del límite de resolución de la ondícula. La metodología tiene buenas posibilidades de proporcionar información útil sobre el yacimiento en la mayoría de las condiciones geológicas cuando se tiene un amarre adecuado entre registros de pozo y neuronas.
Q: Creo que el enfoque semi-supervisado puede superar a MAO, ya que MAO aún necesita ser re-mapeado a propiedades, lo que podría tener bias.
Rocky: MAO es un enfoque de aprendizaje automático puramente no supervisado y no sabe nada sobre los datos. Al ejecutar MAOs, estos se pueden coros-referenciar con registros de pozo. Esto es contrario de la inversión. La inversión requiere control del pozo y luego hay un conjunto de suposiciones que se hacen al tratar de convertir toda esta información en impedancia acústica y en propiedades del yacimiento. Pero el problema relacionado con esto es que, independientemente de lo que haga, incluso con la inversión de forma de onda completa (FWI) más avanzada, todavía está calculando impedancias acústicas. En realidad, este fue un punto que se planteó en una charla de un presentador de Exxon en IMAGE. Todavía tienes la no-unicidad de la impedancia. Es densidad multiplicada por velocidad. ¿Cuánto de eso es densidad? ¿Cuánto de eso es velocidad? Al hacer una caracterización del yacimiento a partir de eso, es cuando surge el conflicto de no-unicidad. El punto de la cuestión es no se obtiene una respuesta única. Después de ejecutar un MAO, se realiza una correlación estadística sobre qué tan bien se relacionan las neuronas con las propiedades del reservorio.
Q: ¿Necesita tener variograma para la distribución espacial de las propiedades?
Álvaro: No. El MAO se calcula traza por traza (de hecho, se calcula muestra a muestra). No necesitamos comprender la variabilidad espacial de los datos. La asignación de litofacies a las neuronas MAO se realiza, también, muestra a muestra.
Q: ¿Cuántas soluciones obtienes?
Álvaro: Sólo se utiliza un resultado de MAO. Se pueden calcular mapas de colores para diferentes propiedades del yacimiento mediante la correlación MAO-Litofacies para caracterizar diferentes condiciones del yacimiento.
Q: ¿Es determinística la solución de inversión?
Álvaro: El término “inversión” proviene de “modelado inverso” que supone que existe un “modelo directo”. La estimación de MAOs no se basa en modelos físicos; por tanto, no se obtiene mediante inversión. La generación de MAO y la correlación de estos con Litofacies son procesos estadísticos, no determinísticos.
Q: ¿Qué tan sensibles son los resultados a las Funciones de Distribución de Probabilidad (FDP o PDF por sus siglas en inglés)?
Álvaro: Las FDP que se muestran provienen de registros de pozo. Los datos sísmicos (las neuronas de MAO) deben ser sensibles a los cambios en estas propiedades para una correlación exitosa entre MAO y Litofacies.
Q: En su modelo teórico, tiene una separación de desviación estándar entre las FDP que generalmente no se logra ya que siempre hay superposiciones significativas. ¿Funcionará si la diferencia en los gráficos FDP no muestran una desviación estándar o más?
Álvaro: MAO crea las neuronas (agrupamientos) que mejor separan las diferentes propiedades. Tener poca o ninguna separación después de la agrupación se reflejará en la probabilidad calculada mediante la correlación MAO-litofacies. Las litofacies superpuestas mostrarán un 50% de probabilidad cada una.
Q: ¿Utiliza a veces atributos AVO como A y B (amplitud de intersección y gradiente) como entradas al MAO?
Álvaro: Es una buena idea utilizarlos, especialmente cuando son sensibles a la propiedad del yacimiento que estamos tratando de caracterizar (arena con gas, por ejemplo).
Rocky: Eso es absolutamente correcto. Dependiendo del tipo de AVO, especialmente clase 2 o 2P, se calcularán atributos a partir de volúmenes de offset y se emplearan en la ejecución del MAO. Para resumir; sí, se utilizan los atributos AVO y sus variaciones en los análisis MAO. Puede ser bastante revelador, como aludía Álvaro.
Q: ¿El mapeo de la dolomita en el proyecto Niobrara corresponde cambios diagenéticos?
Álvaro: No estoy familiarizado con la geología de Niobrara. Quizás Rocky lo sepa.
Rocky: Hay diagénesis donde la compactación química y la cementación reducen la porosidad.
Rocky: Teníamos una pregunta sobre la importancia de los atributos en el análisis de los carbonatos. Hemos analizado los atributos del tren arrecifal de Michigan y los datos de una plataforma de carbonatos en Brasil, entre otros. Los análisis MAO y ACP que definen los atributos parecen funcionar muy bien en carbonatos. Creo que Álvaro tiene razón. Es caso por caso. Por alguna razón, parece que la ACP funcionan bastante bien para definir los atributos a usar en el MAO ya que vemos resultados muy buenos en los MAO empleados en carbonatos las más de las veces.
Álvaro: Mostramos, en el ejemplo de Niobrara, una buena diferenciación entre calcita y dolomita. Esto muestra que los MAOs son sensibles a diferentes tipos de carbonatos en el estudio..
Q: ¿Qué criterio se utiliza para definir el número de neuronas?
Álvaro: Un criterio es el grado de diferenciación que se necesita en las propiedades estimadas. Identificar arenas de baja porosidad (por ejemplo, de 4 % a 10 % de porosidad) de arenas de alta porosidad (por ejemplo, de 25 % a 35 % de porosidad) requiere menos neuronas que diferenciar una arena de 16 % de una de 18 % de porosidad.
Q: ¿Cuál es la respuesta de los resultados a nivel de registro de pozo si los ponemos en un gráfico cruzado (cross-plot) con respecto a las propiedades elásticas, por ejemplo, Zp Vs Vp/Vs?
Álvaro: En un gráfico cruzado, codificar con colores dos propiedades de la roca (impedancia P y S, por ejemplo) con las facies calculadas mediante MAO, daría como resultado un gráfico cruzado similar a lo que habría coloreado un intérprete. Hacer MAO proporciona al intérprete grupos calculados automáticamente con más de dos atributos.
