Predicción de la Composición Mineralógica en Formaciones No Convencionales Usando Aprendizaje Automático y Datos de Registro de Pozos

Resumen La determinación cuantitativa de la mineralogía se puede realizar utilizando métodos de registro espectroscópico de alta definición; sin embargo, estos métodos rara vez se utilizan debido a su complejidad y costo. Además, es difícil obtener la composición mineralógica en formaciones no convencionales debido a la presencia de querógeno y la alta heterogeneidad y anisotropía de tales formaciones. Este problema se puede resolver utilizando algoritmos de Aprendizaje Automático basados en datos de registro de pozos y perfiles térmicos, que pueden mejorar y acelerar la caracterización de reservorios. Se aplicaron envoltorios especiales como Multioutput Regressor y Regressor Chain para probar varios modelos de aprendizaje automático y estrategias de combinaciones de registros de pozos en datos multiescala de una formación no convencional en Siberia Occidental para predecir fracciones de masa y volumétricas de minerales obtenidos del Litho Scanner. Se utilizaron RMSE y MAE como métricas de regresión. Para validar los resultados, se utilizó un modelo teórico para calcular la conductividad térmica basada en fracciones de volumen mineral y se comparó con datos experimentales. Regressor Chain mostró un mejor desempeño para la predicción de fracciones de peso cuando los datos eran escasos. El Regresor de Aumento por Gradientes encapsulado dentro de una Regressor Chain mostró los resultados más favorables en relación con la precisión de mapeo. La evaluación que contrasta el modelo basado en ML con el LithoScanner exhibió una discrepancia promedio de 0.026, medida con la métrica RMSE.