vol. 1 núm. 2 (2022): aci. vol 1. no 2.

En la industria del petróleo, al perforar un pozo de exploración, la incertidumbre es excesivamente alta ya que se quiere determinar las características del subsuelo y así las posibilidades de que exista petróleo o gas. Los métodos indirectos como la toma de registros eléctricos son los que proporcionan la base para los estudios de investigación geológica (facies sedimentarias, aguas subterráneas) lo cual es una actividad compleja que requiere tiempo pero que permiten al evaluador tomar decisiones. Mediante la aplicación de un modelo de aprendizaje automático se quiere reducir esta incertidumbre y minimizar el tiempo en el análisis de los registros eléctricos. En este estudio, se investiga la predicción de litología utilizando los registros eléctricos (Rayos Gamma, Neutrón, Densidad y Efecto fotoeléctrico (PEF)) tomados en la Fm. Otaraoa en Nueva Zelanda. Se realiza el entrenamiento de un modelo Supervisado en donde se abordan dos problemas: el primero de identificación de dos etiquetas (Arena y Arcilla) y el segundo de cuatro etiquetas (Arcilla arenosa, Arcilla arenosa calcárea, Arena arcillosa y Arena arcillosa calcárea). Se utiliza un pozo para entrenar un algoritmo para cada caso y luego dos pozos complementarios para probar su desempeño. Los resultados del modelo Extra Trees Classifier muestran que para el Problema 1 se obtuvo un Accuracy del 93 %, superando las métricas del modelo basado en reglas (Accuracy del 87 %), mientras que en el Problema 2 el Accuracy fue del 86 %. El modelo en el Problema 1 logró aprender a reconocer la litología preestablecida por el experto humano y para el Problema 2 es importante seguir alimentando el entrenamiento del modelo con mayor cantidad de datos de otros pozos o con descripciones litológicas de núcleos.