Los investigadores de Skoltech, junto con socios de la industria petrolera, han encontrado una forma de aplicar algoritmos de aprendizaje automático para predecir la conductividad térmica de las rocas, una métrica clave necesaria para utilizar métodos modernos de recuperación mejorada de petróleo.
Este trabajo, apoyado por OOO LUKOIL-Engineering, fue publicado en Geophysical Journal International. La conductividad térmica de la roca es un indicador clave tanto para modelar una cuenca que contiene petróleo y gas como para desarrollar métodos mejorados de recuperación de petróleo que aumentan la productividad de los pozos de petróleo. Los métodos térmicos se utilizan a menudo en la industria, donde el aceite en el depósito se calienta por diversos medios, como vapor, y tales métodos requieren información detallada sobre los procesos de transferencia de calor en el depósito.
Para ello, sería necesario medir directamente la conductividad térmica de la roca en el pozo, pero esto resultó ser un problema complejo para el que aún no se han encontrado soluciones prácticas satisfactorias. Por lo tanto, los científicos y los profesionales utilizan métodos indirectos, cuando la conductividad térmica de la roca se calcula sobre la base de los datos de registros de pozos, que dan una idea bastante buena del cambio en las propiedades de la roca a lo largo del pozo.
“Hoy, tres problemas fundamentales descartan por completo la posibilidad de medir directamente la conductividad térmica fuera de los intervalos de extracción. Primero, es el tiempo requerido para las mediciones: los ingenieros petroleros no pueden permitirle “congelar” el pozo durante tanto tiempo, porque no es rentable económicamente.
En segundo lugar, la convección del fluido de perforación afecta en gran medida los resultados de la medición. Y finalmente, la forma de los pozos es inestable, lo que afecta algunos de los aspectos técnicos de las mediciones”, dice Yuri Meshalkin, estudiante graduado de Skoltech y primer autor de un artículo científico. Los métodos existentes basados en datos SIG utilizan ecuaciones de regresión o modelos teóricos; ambos tienen desventajas relacionadas con la disponibilidad de datos y la no linealidad de los parámetros de la roca.
Yuri Meshalkin y sus colegas organizaron una especie de "competencia" de siete algoritmos de aprendizaje automático para averiguar cuál de ellos nos permitirá reconstruir la conductividad térmica con la mayor precisión posible. También utilizaron el modelo teórico de Lichtenecker-Asaad para la comparación.
Usando datos de registros de pozos reales de un campo de petróleo pesado en la cuenca de Timan-Pechora en el norte de Rusia, los investigadores encontraron que entre siete algoritmos de aprendizaje automático y regresión lineal múltiple ordinaria, el algoritmo Random Forest mostró el mejor resultado, que superó incluso al modelo teórico.
“Según las necesidades actuales y las soluciones disponibles, diría que la precisión de nuestro mejor resultado de aprendizaje automático es muy alta. Es difícil dar una evaluación cualitativa, porque la situación puede cambiar de un campo a otro, pero creo que las compañías petroleras pueden usar métodos indirectos para predecir la conductividad térmica de la roca para desarrollar medidas que aumenten la recuperación de petróleo”, dice Yuri Meshalkin..
Los científicos creen que los algoritmos de aprendizaje automático tienen un gran potencial para predecir de manera rápida y eficiente la conductividad térmica de las rocas. Son más sencillos, robustos y no requieren datos más allá de los datos GIS estándar. Por lo tanto, pueden "mejorar radicalmente los resultados de la exploración geotérmica, el modelado de cuencas que contienen petróleo y gas y la optimización de los métodos térmicos de recuperación mejorada de petróleo", concluyen los autores del artículo.