Generación de Registros Sintéticos de Permeabilidad con Algoritmos de Machine Learning en un Campo del Valle Medio del Magdalena para la Reducción de Incertidumbre en Ausencia de Registros de Pozo.

Abstract

La estimación de la permeabilidad es un desafío común en la industria petrolera cuando se carece de registros de pozo para un campo de interés. La permeabilidad es una propiedad crucial en la evaluación y producción de hidrocarburos, ya que determina la capacidad de un yacimiento para permitir el flujo de fluido. El presente proyecto pretendió estimar registros sintéticos de permeabilidad para un campo del Valle Medio del Magdalena mediante la aplicación de un modelo predictivo de Machine Learning, basados en el algoritmo de bosques aleatorios, con el fin de reducir la incertidumbre en las estimaciones de producción e impactar el plan de adquisición de registros en futuras campañas de perforación en el campo; los resultados de este estudio evidencian una notable correlación entre los valores reales de permeabilidad y las predicciones del modelo, alcanzando coeficientes de correlación de 99% y 93% para el grupo de entrenamiento y el grupo de prueba, respectivamente. Es importante destacar que el modelo de bosques aleatorios logró predecir exitosamente la permeabilidad a diversas profundidades del yacimiento.