Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

Bajo la superficie de la tierra, en las vastas cuencas sedimentarias que albergan la energía del mundo, los geólogos se enfrentan a un desafío persistente: encontrar petróleo y gas atrapados en rocas que se niegan a dejarlos fluir. Durante décadas, la exploración se centró en reservorios porosos, similares a esponjas, donde los fluidos se mueven fácilmente. Hoy, a medida que esos objetivos fáciles disminuyen, la industria está dirigiendo su atención hacia los reservorios "compactos" (tight). Estos son formaciones rocosas donde los poros son tan pequeños y las conexiones entre ellos tan estrechas que el petróleo o el gas están bloqueados en su lugar, requiriendo esfuerzos de ingeniería masivos para su extracción. Identificar estas zonas compactas es difícil porque las herramientas utilizadas para observar bajo tierra —largas cadenas de sensores bajadas en pozos— a menudo dan señales confusas. Una roca que parece un buen reservorio en una lectura de sensor podría ser, en realidad, un bloque denso e impermeable, y viceversa. Esta ambigüedad dificulta saber dónde perforar o dónde gastar millones de dólares para fracturar la roca y liberar la energía.

En la Cuenca de Krishna-Godavari, en la costa este de la India, un investigador abordó este problema enseñando a las computadoras a ver lo que a los expertos humanos les cuesta distinguir. Se centraron en un tipo específico de roca llamado arenisca compacta, que se encuentra en las profundidades del subsuelo y está mezclada con lutita, limolita y arena limpia. El objetivo era crear un sistema que pudiera observar los datos estándar de un sensor de un pozo y predecir con precisión qué tipo de roca estaba atravesando. Para lograr esto, no solo alimentaron a la computadora con los números brutos de los sensores. En su lugar, primero utilizaron las leyes de la física para transformar esos números brutos en descripciones nuevas y más significativas del comportamiento de la roca, como su rigidez o su resistencia a la compresión. Luego, entrenaron varios tipos diferentes de algoritmos de aprendizaje para reconocer los patrones de estos tipos de roca y probaron el sistema en pozos que nunca habían visto para asegurar que no estuviera simplemente memorizando las respuestas.

El investigador trabajó con datos de cinco pozos, tres de los cuales habían sido cuidadosamente etiquetados por geólogos que sabían exactamente qué tipo de roca estaba presente en cada profundidad. Los otros dos pozos se mantuvieron ocultos, sirviendo como una prueba a ciegas para ver si la computadora podía aplicar lo aprendido a una nueva ubicación. El investigador comparó dos enfoques. El primer enfoque utilizó únicamente las mediciones estándar, como la radioactividad natural de la roca, su resistencia eléctrica y la velocidad a la que viajan las ondas sonoras a través de ella. El segundo enfoque tomó esas mismas mediciones y añadió una capa de propiedades calculadas derivadas de la física, como la capacidad de la roca para almacenar energía o su resistencia a romperse. Probaron cuatro modelos diferentes de aprendizaje automático, incluyendo métodos que construyen muchos árboles de decisión y otros que aprenden corrigiendo sus propios errores, para ver qué combinación funcionaba mejor.

Los resultados mostraron una clara diferencia entre los dos enfoques. Cuando los modelos dependían solo de las lecturas de los sensores estándar, podían identificar los tipos de roca con un éxito moderado, logrando una precisión promedio de alrededor del 66 al 68 por ciento. A menudo se confundían con rocas que parecían similares en los sensores pero que eran diferentes. Sin embargo, cuando los modelos recibieron las descripciones adicionales basadas en la física, su rendimiento aumentó significamente. La precisión promedio subió entre el 81 y el 84 por ciento. Más importante aún, la capacidad para identificar correctamente las zonas de "arenisca compacta" específicas, que son las más críticas y difíciles de encontrar, mejoró drásticamente. En los mejores casos, los modelos identificaron estas zonas compactas correctamente casi siempre, con una tasa de éxito que superó el 97 por ciento. Este incremento no fue una casualidad; las pruebas estadísticas confirmaron que la ganancia era real y consistente, y que la mejora en el rendimiento era tan grande que era altamente improbable que hubiera ocurrido por azar.

Para entender por qué el enfoque basado en la física funcionó tan bien, el investigador utilizó una técnica que actúa como un reflector, revelando qué pistas específicas estaba utilizando la computadora para tomar sus decisiones. Descubrieron que las lectiones de los sensores estándar por sí solas eran a menudo ambiguas, pero las propiedades calculadas proporcionaban una imagen más clara de la estructura interna de la roca. Por ejemplo, la rigidez de la roca y cómo respondía a la presión ayudaron a distinguir una arenisca compacta y densa de una arena limpia y porosa, incluso cuando sus lecturas básicas de sensores eran casi idénticas. El estudio también desarrolló una forma de medir qué tan segura estaba la computadora en cada predicción. Cuando los diferentes modelos no estaban de acuerdo entre sí, o cuando su confianza era baja, el sistema marcaba esas secciones para revisión humana. Esto crea una red de seguridad, asegurando que los geólogos centren su atención en las partes más inciertas del pozo en lugar de confiar ciegamente en una computadora.

Este trabajo demuestra que combinar los datos de los sensores tradicionales con cálculos basados en la física crea un mapa mucho más confiable del mundo subterráneo. Sugiere que la clave para desbloquear estos difíciles reservorios no reside solo en mejores sensores, sino en mejores formas de interpretar los datos que esos sensores proporcionan. Al enseñar a las máquinas a comprender las propiedades físicas de la roca, en lugar de solo los números brutos, la industria puede realizar predicciones más precisas sobre dónde se encuentran atrapados el petróleo y el gas. El estudio concluye que este método es una herramienta poderosa para caracterizar estos complejos reservorios, siempre que los modelos sean probados rigurosamente en nuevos pozos para asegurar que realmente están aprendiendo la geología y no solo memorizando los datos. Los hallazgos ofrecen un camino claro hacia adelante para la exploración de las formaciones profundas y compactas que probablemente abastecerán las necesidades energéticas en las próximas décadas.