Análisis de patrones en registros geológicos y estratigráficos para la correlación de datos
I. Introducción
El análisis de patrones en registros geológicos y estratigráficos se refiere a la evaluación sistemática de la disposición y secuencia de capas de roca y sedimento en la corteza terrestre con el objetivo de identificar tendencias, relaciones y características significativas. Este tipo de análisis es fundamental para comprender la historia geológica de una región, determinar la secuencia temporal de eventos geológicos y caracterizar las condiciones ambientales pasadas.
Estas se basan en la recopilación de registros geológicos y estratigráficos, que pueden incluir datos de muestreo de afloramientos, perforaciones de pozos, cortes de carreteras, perfiles de acantilados y cualquier otro tipo de información geológica disponible en una región específica. Estudio de los estratos que son capas de roca y sedimento que se han acumulado a lo largo del tiempo, son el foco principal del análisis. Se identifican las facies presentes en los estratos para reconstruir las condiciones paleoambientales en las que se depositaron.
Por ejemplo, puede haber facies de playa, facies fluviales o facies de aguas profundas. Los geólogos intentan determinar la secuencia temporal de los estratos, es decir, el orden en que se depositaron. Esto implica identificar discordancias (interrupciones en la secuencia) y eventos geológicos significativos, como erosión, intrusión de rocas ígneas o cambios en el nivel del mar.Para comprender mejor la historia geológica, se busca correlacionar estratos en diferentes ubicaciones geográficas. Esto implica identificar estratos equivalentes en diferentes afloramientos o perforaciones mediante la comparación de características físicas, fósiles o datación radiométrica.Determinar la edad de los estratos es crucial para establecer una escala temporal.
II. Correlación Estratigráfica
La correlación estratigráfica establece correspondencias entre áreas geográficamente separadas de una misma unidad geológica. Es esencial en Estratigrafía para comparar secciones estratigráficas similares en un período de tiempo dado, utilizando propiedades específicas. En la industria petrolera, esta correlación es valiosa al emplear datos de secciones geológicas, pozos y registros sísmicos para comprender la continuidad o discontinuidad lateral de las formaciones geológicas.
La correlación estratigráfica busca comprender la historia geológica de una región, incluso cuando no se tiene una secuencia completa de las unidades comparadas. Se realiza a través de comparaciones de secciones estratigráficas cercanas o distantes en una cuenca sedimentaria. Las correlaciones locales permiten reconstruir la geometría de la cuenca, evaluar la posición temporal y entender cambios laterales en las capas. Las correlaciones regionales, basadas en registros geofísicos, litología de pozos, secciones estratigráficas y datos sísmicos, son esenciales para analizar la estratigrafía y paleogeografía de una cuenca. Las correlaciones globales, que conectan secciones en áreas distantes, ayudan a formar la sección estratigráfica ideal de la Tierra y a evaluar fenómenos cíclicos y alicíclicos en secciones completas. Estas correlaciones se hacen de menor a mayor escala: de local a global.
Ilustración 1 : Correlación Estratigráfica.
III. Tipos de Correlación
La correlación se usa para demostrar la correspondencia existente entre dos unidades geológicas tanto con respecto a alguna propiedad definidas como a su posición estratigráfica relativa.
Existen diversos tipos de correlación estratigráfica, los cuales están en función del aspecto o propiedad que se quiera comparar y de los rasgos que se intenten destacar delas unidades. Son tres los tipos de correlación básicos:
• La litocorrelación.
• La biocorrelación.
• La cronocorrelación.
La litocorrelación es la correlación que se realiza entre unidades con litología y posición estratigráfica similares (relación secuencial o geométrica para unidades litodémicas). Para hacer este tipo de correlación se comparan por el tipo de roca, las unidades litoestratigráficas presentes en cada una de las secciones estratigráficas también se comparan los niveles de litologías especiales dentro de las mismas.
Ilustración 2 : Litocorrelación.
La biocorrelación expresa similitud de contenido fósil y deposición bioestratigrafía. Se hace a partir de la correspondencia entre dos niveles fosilíferos en los que se encuentran restos de organismos de la misma especie y que vivieron en condiciones ambientales similares.
Ilustración 3 : Biocorrelación..
La cronocorrelación se refiere a la correspondencia en edad de dos ó más secciones estratigráficas, para lo cual, se comparan los rasgos estratigráficos que indiquen simultaneidad de eventos como inversiones magnéticas, biohorizontes y anomalías geoquímicas, de manera que faciliten el establecimiento de la correspondencia de todas las unidades estratigráficas representadas.
III. Métodos de correlación
MÉTODOS DE CORRELACIÓN POR INDICADORES MINERALÓGICOS Y GEOQUÍMICOS
Los compuestos mineralógicos y los elementos o las relaciones isotópicas que caracterizan a los depósitos de determinada época o de cierta región permiten hacer correlaciones; la precisión y el alcance geográfico de éstas dependen de la distribución espacio-temporal de los indicadores. Son el índice tanto de fenómenos rítmicos o de evolución progresiva como de sucesos de duración más o menos breve que no se repiten obligatoriamente en un mismo lugar en el transcurso de la historia geológica.
Ilustración 4 : Correlación por indicadores mineralógicos y geoquímicos.
MÉTODOS DE CORRELACIÓN POR MAGNETISMO
Implica el reconocimiento en cada una de las secciones estratigráficas de los diferentes intervalos con polaridad normal o inversa presentes. Este método por sí solo no es útil, de manera que hay que utilizarlo de manera combinada con otro método.
Ilustración 5 : Correlación por magnetismo.
MÉTODOS DE CORRELACIÓN ISOTÓPICA
Se establecen a partir del conocimiento de la edad absoluta de las rocas en diferentes secciones estratigráficas. Se utilizan solamente en algunos casos muy limitados donde se encunetran minerales radiactivos o que tengan decaimiento isotópico.
Ilustración 6 : Correlación isotópica.
MÉTODOS DE CORRELACIÓN POR RITMOESTRATIGRAFÍA
Consiste en definir en un lugar determinado de la columna geológica, algún rasgo geológico definido que sobresalga verticalmente en el que se tenga ritmicidad y en encontrarlo en otra parte, en otra columna con el fin de correlacionarlos.
Ilustración 7 : Correlación ritmoestratigráfica.
MÉTODOS DE CORRELACIÓN CON REGISTROS GEOFÍSICOS
Método de capas o superficies
El tipo de perfil de una capa distintiva o de una serie de capas, puede ser usada como un marcador, aun cuando se desconozca la naturaleza exacta de la misma.Uno de los mejores ejemplos lo constituyen las capas de bentonita (cenizas volcánicas), las cuales son fácilmente reconocibles en los registros geofísicos y son excelentes marcadores así como muy buenos indicadores de líneas de tiempo.
Ilustración 8 : Método de capas o superficies.
Métodos de los Patrones
Esta técnica involucra el reconocimiento de patrones de respuesta similares en los registros. Los patrones correlacionados de esta manera pueden representar sucesiones verticales de facies, o sucesiones superpuestas de facies. Las correlaciones por patrones están hechas sobre la base de las formas de las respuestas de los perfiles en intervalos de metros o decenas de metros. Esta técnica permite correlacionar aun cuando ocurran variaciones laterales en litología, facies o en espesores. Las correlaciones por patrones son muy útiles y pueden ser usadas para correlacionar sucesiones de facies o unidades aloestratigráficas previamente definidas en núcleos de rocas o en afloramientos.
Ilustración 9 : Método de los patrones.
Método de la Torta
Este es el método que se utiliza como último recurso, cuando ningún otro método de correlación estratigráfica de registros geofísicos de pozos ha resultado.Se basa en asumir que un intervalo puede ser subdividido arbitrariamente en unidades de espesor constante.Este método no da verdaderas correlaciones, es solo una manera de subdividir una sección; esta técnica ha sido aplicada con algún éxito únicamente en secciones no marinas. Otras técnicas no dan buenos resultados debido a la ausencia de capas muy continuas.
Ilustración 10 : Correlación registros geofísicos de susceptabilidad magnética.
IV. Aplicación
Se analiza la correlación de registros mediante redes neuronales artificiales (RNA) mediante los siguientes pasos:
Clasificación de los datos
En este caso, se inicia por definir los datos y luego se realiza una selección para formar tres conjuntos diferentes: entrenamiento, validación y prueba. La información disponible proviene de registros de cinco pozos y se divide de la siguiente manera: se asignan tres pozos al conjunto de entrenamiento, uno al conjunto de validación y otro al conjunto de prueba. Esta subdivisión permite organizar los datos de manera efectiva para el desarrollo y evaluación de modelos en el contexto de los registros de pozos.
Preprocesamiento de la información
Antes de introducir los datos en la Red Neuronal Artificial (RNA), se lleva a cabo un proceso de preparación que implica la selección de datos de alta resolución vertical. Esto se considera esencial, ya que la resolución vertical es un aspecto crítico para discernir patrones litológicos distintos y para definir claramente los límites de los estratos geológicos. Es importante que las herramientas de registro utilizadas sean altamente sensibles a los pequeños cambios en la estructura sedimentaria dentro de una formación geológica, ya que cualquier falta de precisión en la adquisición de datos puede resultar en interpretaciones deficientes. En el contexto de este estudio, los datos de entrada provienen de registros de rayos gamma y microresistividad obtenidos de pozos pertenecientes al mismo yacimiento petrolífero. La "ventana de deslizamiento" es una representación imaginaria de una longitud fija que se mueve a lo largo del registro durante el proceso de "suavización". El desplazamiento de esta ventana de un paso a otro se controla mediante la diferencia en profundidad entre los datos consecutivos. En cuanto al tamaño específico de esta ventana, no existe un criterio definido, pero en el caso de este estudio, se determinó el tamaño de la ventana en función del grosor promedio del marcador presente en los pozos del conjunto de entrenamiento, al que se le agregaron dos pies adicionales: uno por encima del techo y otro por debajo del fondo del marcador. Estos dos pies adicionales representan las regiones circundantes al marcador. En la Ilustración se observa un esquema que muestra cómo se desplaza la ventana de deslizamiento a lo largo de la sección del registro que se está analizando.
I lustración 11 : Representación de la ventana de deslizamiento.
Se llevó a cabo la normalización de los datos de cada ventana de deslizamiento en el registro. Inicialmente, se consideró la posibilidad de estandarizar los datos en ambos registros, pero se encontró que los registros de microresistividad contenían una gran cantidad de datos atípicos, lo que resultaba en una desviación estándar muy elevada y, por consiguiente, en un conjunto de datos estandarizados con valores muy pequeños. Por lo tanto, se optó por normalizar los datos de entrada mediante la aplicación de la ecuación (1), lo que generó un conjunto de datos de entrada para la Red Neuronal Artificial (RNA) con valores dentro del rango de cero (0) a uno (1). Este proceso proporciona un rango de valores más adecuado para los procesos de reconocimiento de patrones por parte de sistemas tipo RNA, ya que facilita significativamente la detección de patrones cuando estos se encuentran en un rango de magnitud similar.
Ecuación 1 : Normalización datos ventana de deslizamiento.
Se procedió a elegir el método de suavizado de los datos normalizados, ya que la presencia de ruido en los registros o datos de entrada puede disminuir la calidad de la información y la confiabilidad de los resultados. La existencia de este "ruido" puede llevar a interpretaciones incorrectas de las características de la formación geológica. La técnica utilizada para suavizar los datos normalizados de los registros implicó ajustar dichos datos a funciones de tipo serie de Fourier. Este proceso se repitió hasta que la ventana alcanzara la última profundidad en el registro que estaba siendo evaluado. El tamaño de la matriz de ventanas dependió del número de armónicos especificados en la serie de Fourier, y el número de filas de la matriz se basó en la cantidad de deslizamientos necesarios para que la ventana recorriera la sección bajo análisis. En el caso de estudio, la estructura de la matriz de ventanas se detalla en la ecuación.
Ecuación 2 : Matriz de ventanas.
Entrenamiento de la RNA
El proceso de preprocesamiento mencionado se aplica a los pozos dentro del conjunto de entrenamiento, de manera que cada pozo en este conjunto genera una matriz de ventanas correspondiente. A continuación, se lleva a cabo la identificación de las filas en estas matrices que representan el marcador sugerido por un experto humano, así como el área que no corresponde a dicho marcador, tal como se presenta en este estudio. Una vez que se han identificado estas filas específicas, se crea un vector denotado como "M" para los coeficientes de Fourier relacionados con el marcador, y otro vector llamado "NM" para los coeficientes de Fourier correspondientes a la zona que no es el marcador. Si el conjunto de entrenamiento consta de tres pozos, se deben asignar seis vectores en total, dos por cada pozo, como se ilustra en el sistema de vectores de la Ilustración. Este sistema de vectores es de suma importancia para el proceso de entrenamiento de la red neuronal. La etapa final del proceso de entrenamiento involucra la identificación de posibles combinaciones de dos vectores, sin reciprocidad entre ellos, en el sistema previamente mencionado. Estas combinaciones pueden dividirse en dos categorías: marcador-marcador y no marcador-marcador. Para la primera categoría, asignamos un valor binario de uno (1), mientras que para la segunda asignamos un valor de cero (0). A partir de los vectores del sistema, generamos las diversas combinaciones según los tipos permitidos. Como resultado, obtenemos un vector que consta de 18 valores binarios, resultado de estas combinaciones. Estos valores binarios representan las salidas deseadas de la Red Neuronal Artificial (RNA).
Validación
Luego del proceso de entrenamiento, los pesos de las conexiones en la red neuronal permanecen constantes. Es esencial evaluar la calidad del modelo resultante, es decir, determinar si la red neuronal puede resolver con precisión nuevos problemas de naturaleza general, para los cuales ha sido entrenada. Por lo tanto, con el fin de validar la eficacia de la red neuronal, se requiere otro conjunto de datos conocido como conjunto de validación. Este conjunto está formado por uno o varios pozos que no se incluyeron en el conjunto de entrenamiento, y se conoce la profundidad del marcador sugerida por un experto humano para estos pozos. La validación de la red neuronal implica establecer un criterio de decisión basado en la diferencia entre la profundidad predicha por la red neuronal (la ventana con la mayor correlación) y la profundidad sugerida por el experto humano. Si la red neuronal no pasa esta validación, se procede a modificar su arquitectura.
Prueba de la RNA
Se procede a evaluar el rendimiento de la red neuronal mediante su aplicación a los pozos incluidos en un conjunto de prueba. En el contexto de este proyecto, debido a la limitación de datos disponibles para realizar pruebas, se lleva a cabo la evaluación de la red neuronal utilizando toda la información disponible. En cuanto al desarrollo e implementación de la herramienta de correlación, se ha creado un programa en MatLab 6.5. Este programa utiliza una ventana de deslizamiento de longitud fija de 20 pies y realiza un escaneo de la matriz de información. Esta matriz consta de tres columnas, donde la primera columna representa la profundidad del registro y las dos siguientes contienen las mediciones de rayos gamma y microresistividad correspondientes. En cada posición de la ventana dentro del registro, el programa realiza un preprocesamiento de los datos antes de ingresarlos a la red neuronal.
Tabla 1 : Profundidad de los marcadores y no marcadores.
Una vez que se ha configurado la estructura de la Red Neuronal Artificial (RNA), se procede a ejecutar el programa utilizando la información proveniente de los pozos que componen el conjunto de validación. Los resultados generados por el programa para cada pozo se encuentran representados en un archivo de salida y se presentan en una matriz de dos columnas. En la primera columna se encuentran los datos relacionados con las profundidades de los límites superiores de la ventana de deslizamiento, mientras que la segunda columna muestra el grado de correlación, que varía entre 0 y 1, entre la ventana de deslizamiento actual y la ventana correspondiente al marcador en el pozo de referencia. En otras palabras, estos resultados proporcionan información sobre la similitud entre la ventana que contiene el marcador en la zona y la ventana que está siendo evaluada en cada pozo del conjunto de validación.
En la siguiente tabla se resumen los resultados obtenidos en términos de correlación para los registros de los cinco pozos incluidos en este estudio. Para cada pozo, se presenta la profundidad del límite superior de la ventana que contiene el marcador, tal como fue determinada por la RNA en este estudio. También se incluye la profundidad previamente establecida por un experto humano, junto con la diferencia en pies entre el valor proporcionado por el experto y el valor calculado por la RNA, tanto en este estudio como en el estudio de Coronel y Parra (2003).
Tabla 2 : Profundidad establecida para los marcadores por la RNA.
La RNA configurada logró aprender a identificar el marcador geológico previamente definido por el experto humano en cada pozo, incluso en presencia de notables variaciones laterales.
El modelo neuronal desarrollado se ha revelado como una herramienta altamente versátil para correlacionar las curvas de rayos gamma y microresistividad. Proporciona una solución práctica, rápida y eficiente para identificar patrones marcadores en los registros de pozo.El enfoque de suavización de datos utilizando series de Fourier resultó ser adecuado; este método de ajuste y representación de los marcadores redujo la complejidad de los datos sin perder información esencial que se encuentra en las mediciones originales de rayos gamma y microresistividad en los registros de pozo.Al comparar los resultados de este modelo de RNA con el obtenido por un modelo similar pero que utiliza solo una curva (como en el estudio de Coronel y Parra en 2003), se concluye que la precisión de la correlación mediante RNA mejora al emplear múltiples curvas de información como entradas en el proceso de correlación. A pesar de que en este estudio se utilizó un conjunto de entrenamiento con menos pozos en comparación con el estudio de Coronel y Parra en 2003, los resultados demuestran una mayor precisión en la estimación de la profundidad del marcador definido por el experto humano, aunque en algunos casos se identificaron más sectores en los registros como posibles marcadores.
V. Bibliografía
- Guillermo Alzate E, John William Branch B, & Oscar Mauricio Suárez B. (2006, noviembre). CORRELACIÓN DE REGISTROS ENTRE POZOS CON REDES NEURONALES ARTIFICALES UTILIZANDO MÚLTIPLES CURVAS O VARIABLES REGISTRADAS. Scielo. http://www.scielo.org.co/pdf/bcdt/n19/n19a06.pdf
- Ing. Javier Arellano G., A. M. C. A. (s/f). Conocer la importancia geológico-petrolera de establecer correlación entre formaciones o unidades geológicas de sitios próximos o lejanos. Unam.mx. Recuperado el 3 de septiembre de 2023, de https://usuarios.geofisica.unam.mx/gvazquez/yacimientosELIA/zonadesplegar/Clases/Clase%2020%20Correlacion%20estratigrafica.pdf
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis