Unsupervised Electrofacies Classification and Porosity Characterization in the Offshore Keta Basin Using Wireline Logs

Aquí se presenta un resumen técnico detallado del artículo "Clasificación de electrofacies no supervisada y caracterización de porosidad en la Cuenca Keta Offshore utilizando registros de pozo".

1. Planteamiento del Problema

El estudio aborda el desafío de la caracterización del subsuelo en cuencas offshore de frontera, específicamente la Cuenca Keta Offshore en Ghana. Estas regiones enfrentan limitaciones significativas:

• Escasez de Datos: Los datos de testigos son escasos o inexistentes debido a los altos costos de perforación y los desafíos logísticos.
• Alta Incertidumbre: Las decisiones de exploración deben tomarse con un control geológico limitado.
• Dependencia de Registros: Los registros de pozo son a menudo la única fuente continua de información de alta resolución del subsuelo.
• Subjetividad: La interpretación tradicional depende en gran medida del análisis manual y subjetivo de registros, lo cual carece de reproducibilidad en entornos con escasez de datos.

El problema central es cómo derivar unidades litológicas robustas y geológicamente significativas (electrofacies) y estimaciones de porosidad utilizando únicamente registros estándar de pozo, sin datos de entrenamiento etiquetados ni calibración con testigos.

2. Metodología

Los autores desarrollaron un flujo de trabajo de aprendizaje automático no supervisado totalmente reproducible, aplicado al Pozo C en la Cuenca Keta. El proceso involucró los siguientes pasos:

• Adquisición y Preprocesamiento de Datos:

  • Conjunto de Datos: ~11,195 muestras indexadas por profundidad del Pozo C (intervalo de profundidad: 1,358.34 m a 3,064.31 m).
  • Registros de Entrada: Rayos Gamma (GR), Densidad de Granel (RHOZ), Porosidad Neutrónica (NPHI), Sónico Compresional (DT), Factor Fotoeléctrico (PEFZ) y Resistividad Profunda (AHT60).
  • Control de Calidad: Eliminación de intervalos de lavado del agujero, filtrado de valores atípicos ($\pm3\sigma$) y normalización Z-score para garantizar una ponderación igual de las variables.

• Estimación de Porosidad:

  • Cálculo de la Porosidad de Densidad ($\phi_D$) y la Porosidad Neutrónica ($\phi_N$) utilizando suposiciones estándar de matriz de caliza ($\rho_{ma} = 2.71$ g/cm$^3$).
  • Cálculo de una Porosidad Promedio ($\phi_{avg}$) para servir como un indicador petrofísico suavizado para validación, en lugar de un objetivo de predicción directa.

• Agrupamiento No Supervisado (K-Means):

  • Aplicación de agrupamiento K-means en el espacio multivariado de registros.
  • Selección de $k$ (Número de Clústeres): Determinada utilizando el Método del Codo (analizando la reducción de la inercia) y el Análisis de Silueta (midiendo la cohesión y separación de los clústeres).
  • $k$ Óptimo: Seleccionado como 4 clústeres basándose en una caída pronunciada en la inercia y un coeficiente de silueta promedio de ~0.50.

• Interpretación Geológica:

  • Traducción de los clústeres estadísticos a Electrofacies basadas en patrones de respuesta de registros (ej. alto GR + baja densidad = lutita; bajo GR + alta densidad = arena limpia).
  • Mapeo de los clústeres a un continuo litológico: Lutita $\rightarrow$ Lutita Arenosa $\rightarrow$ Arenisca Lutífera $\rightarrow$ Arenisca Limpia.

3. Contribuciones Clave

El artículo hace cuatro contribuciones principales al campo del análisis de datos geocientíficos:

1. Primera Aplicación: Proporciona la primera caracterización de electrofacies documentada de la Cuenca Keta Offshore utilizando aprendizaje automático no supervisado.
2. Marco Integrado: Integra exitosamente el cálculo de porosidad densidad-neutrón con agrupamiento no supervisado, creando un marco unificado para la interpretación conjunta petrofísica y litológica.
3. Enfoque Híbrido: Combina diagnósticos de agrupamiento cuantitativos (inercia, silueta) con razonamiento geológico para guiar la selección e interpretación de los clústeres, asegurando que los resultados sean físicamente significativos.
4. Flujo de Trabajo Reproducible: Establece un flujo de trabajo no supervisado basado solo en registros, diseñado específicamente para cuencas de frontera donde no hay datos de testigos, ofreciendo una alternativa transparente y rentable a los métodos tradicionales.

4. Resultados

• Desempeño de Agrupamiento: El algoritmo K-means identificó exitosamente cuatro electrofacies distintas. El coeficiente de silueta promedio de 0.50 indicó una separación moderada pero significativa, confirmando que los clústeres son estadísticamente coherentes mientras se reconoce la naturaleza transicional natural de las formaciones geológicas.
• Continuo Litológico: Las electrofacies resultantes formaron un patrón sistemático y continuo en profundidad que representa un continuo geológico desde unidades dominadas por lutitas hasta unidades dominadas por areniscas más limpias.
• Correlación de Porosidad:
  • La porosidad generalmente disminuyó con la profundidad debido a la compactación mecánica.
  • Los intervalos de alta porosidad se correlacionaron fuertemente con electrofacies caracterizadas por menor Rayo Gamma (arenas más limpias) y tiempos de tránsito sónico más cortos.
  • Los intervalos de baja porosidad se alinearon con altos valores de Rayo Gamma y altas respuestas neutrónicas (intervalos ricos en lutitas).
• Validación Visual: Los gráficos de dispersión (GR vs. RHOZ, NPHI vs. DT, PEFZ vs. GR) mostraron clústeres distintos y no superpuestos con envolventes de densidad de núcleo, confirmando que el agrupamiento capturó modos dominantes en los datos en lugar de ruido aleatorio.

5. Significado e Impacto

• Exploración de Cuencas de Frontera: El estudio demuestra que es posible una caracterización confiable del subsuelo en entornos con escasez de datos sin costosos datos de testigos. Esto es crítico para la evaluación en etapas tempranas en provincias hidrocarburíferas emergentes como la Cuenca Keta.
• Reducción de la Subjetividad: Al depender de métricas cuantitativas y algoritmos no supervisados, el flujo de trabajo minimiza el sesgo del intérprete, conduciendo a resultados más reproducibles.
• Escalabilidad: La metodología es transferible a otras cuencas offshore de frontera a nivel global donde están disponibles conjuntos similares de registros de pozo pero faltan datos de testigos.
• Potencial Futuro: Los autores proponen este flujo de trabajo como base para futuros estudios integrados, incluido el análisis de múltiples pozos y la integración de atributos sísmicos para mapear la continuidad lateral de las electrofacies.

En conclusión, el artículo valida que el aprendizaje automático no supervisado es una herramienta robusta para extraer estructura geológica de registros de pozo, proporcionando una solución práctica y rentable para la evaluación de formaciones en entornos de exploración desafiantes.