Identification of natural fractures using resistive image logs, fractal dimension and support vector machines

Abstract

The purpose of this research is to apply a new approach to identify natural fractures in wells in a hydrocarbon reservoir using resistive image logs, fractal dimension and support vector machines (SVMs). The stratigraphic sequence investigated by each well is composed of Cretaceous calcareous rocks from the Catatumbo Basin, Colombia. The box counting method was applied to image logs in order to generate a curve representing variations of fractal dimension in these images throughout each well. The arithmetic mean of fractal dimension showed values ranging from 1,70 to 1,72 at the mineralized fracture intervals, and from 1,72 to 1,76 at the open fracture intervals. Morphological classification between open and mineralized natural fractures is performed using corelogs integration in a pilot well. Fractal dimension of images along with gamma rays and resistivity logs were employed as the input dataset of a SVM model identifying intervals with natural open fractures automatically, shortly after logs acquisition and previous to its interpretation by specialists. Although final results were affected by borehole conditions and logs quality, the SVM model showed accuracy between 72,3 % and 82,2 % in 5 wells evaluated in the studied field. Keywords:Fractal dimension, resistive image logs, box counting method, natural fractures, hydrocarbon reservoir, Catatumbo basin, support vector machines (svms). RESUMENEl propósito de esta investigación es aplicar un nuevo enfoque para identificar fracturas naturales en pozos de un yacimiento de hidrocarburo utilizando registros de imágenes resistivas, dimensión fractal y máquinas de soporte vectorial (MSV). La secuencia estratigráfica alcanzada por cada pozo está compuesta por rocas calcáreas cretácicas de la Cuenca del Catatumbo, Colombia. El método del conteo de cajas se aplicó a registros de imágenes, generando una curva que representa variaciones de dimensión fractal en las imágenes a lo largo de cada pozo. La media aritmética de dimensión fractal mostró valores desde 1,70 a 1,72 en intervalos con fracturas mineralizadas y desde 1,72 a 1,76 en intervalos con fracturas abiertas. La clasificación morfológica entre fracturas naturales abiertas y mineralizadas es realizada utilizando integración núcleo-registro de un pozo piloto. La dimensión fractal de las imágenes junto con registros de rayos gamma y resistividad son empleados como datos de entrada a un modelo de MSV identificando intervalos con fracturas naturales abiertas automáticamente, poco después de adquirir los registros y previo a su interpretación por especialistas. Aunque los resultados finales están afectados por condiciones del hoyo y calidad de registros, el modelo de MSV mostró exactitud entre 72,3 % y 82,2 % en 5 pozos evaluados del campo estudiado.Palabras clave: Dimensión fractal, registros de imágenes resistivas, método del conteo de cajas, fracturas naturales, yacimiento de hidrocarburos, cuenca del Catatumbo, máquinas de soporte vectorial.

Desarrollo de una aplicación para la predicción de ingredientes y recetas de cocina por medio de TensorFlow y máquinas de soporte vectorial

“…Los resultados obtenidos con esta investigación son similares similar a los obtenidos por Leal, Ochoa, y García [8], quienes usaron la técnica de SVM para identificar fracturas naturales en pozos de yacimientos de hidrocarburos con una exactitud que osciló entre 72,3 % y 82,2 % [8]; ello demuestra la gran flexibilidad que reviste el modelo.…”

“…Las máquinas de soporte vectorial (support-vector machines, SVM) constituyen otra de las técnicas utilizadas a este respecto: aprenden a predecir una nueva clase de muestra a partir de ejemplos. Esta técnica está basada en la minimización de riesgo estructural (structural risk minimization, SRM) [6] la cual se ha utilizado para la clasificación automática de señales sísmicas [7] dentro de la identificación de fracturas naturales en pozos de yacimientos de hidrocarburos: su exactitud osciló entre 72,3 % y 82,2 % en cinco pozos evaluados del campo estudiado [8]. También se la ha usado para el reconocimiento de patrones mediante huellas dactilares de descargas parciales con filtrado de wavelet, con altas tasas de reconocimiento [9].…”

Fast estimation of earthquake arrival azimuth using a single seismological station and machine learning techniques

“…SVM also works very well with high-dimensional data and avoids the curse of dimensionality problem (Tan et al, 2006). In geosciences e.g., it have been applied in earthquake characterization (Ochoa et al, 2017), automatic recognition of natural fractures (Leal et al, 2016), automatic indicator of lithologies in open hole logs (Leal et al, 2018), among other applications related to pattern recognition. The SVM model of this research was trained with the refined data set for each time window using the Waikato Environment for Knowledge Analysis WEKA 3.6 (Frank et al, 2016) and the 25 descriptors explained before.…”

Automatic Identification of Calcareous Lithologies Using Support Vector Machines, Borehole Logs and Fractal Dimension of Borehole Electrical Imaging

“…The conversion of pixels to depth of images with vertical scale 1:5 is 512 pixels equal to 65.05 centimeters (Leal, et al, 2016).…”