Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning

Autores
Panelo, Federico Martín
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Späth, Federico Gustavo Enrique
Vernengo, Luis
Descripción
En el presente trabajo se realizó la caracterización sísmica de los reservorios de la formación Quintuco en el sector sur-oriental de la Cuenca Neuquina. Dicha caracterización se llevó a cabo mediante la inversión de trazas sísmicas pre-stack. Este tipo de inversión permitió obtener como parámetros eĺásticos la impedancia de ondas P y S. Posteriormente se propagó un cubo de porosidad mediante redes neuronales con arquitectura deep learning. El área de estudio corresponde a parte del bloque Lindero Atravesado (PAEG) y cubre una estructura geológica cercana a la Dorsal de Huincul. Se realizó la carga, control de calidad y acondicionamiento de datos sísmicos y perfiles de pozo. Durante el control de calidad se revisaron perfiles para identificar datos anómalos y se calibraron relaciones empíricas a partir del análisis de los perfiles. Para la ejecución de la inversión pre-stack se hicieron tareas como: atado de pozos, estimación de ondículas seguido de la construcción del modelo de bajas frecuencias y parametrización de la inversión. Se propagó como propiedad de reservorio la porosidad mediante redes neuronales de tipo deep learning: se compararon y cuantificaron los resultados con los obtenidos empleando otras metodologías (relaciones empíricas, regresiones lineales, redes neuronales tradicionales). A partir del estudio se identificaron áreas e intervalos estratigráficos con mejores propiedades petrofísicas dentro del yacimiento y mejores condiciones prospectivas. Finalmente, se identificó e interpretó un geocuerpo de alta porosidad en la formación Quintuco, al cual se le cuantificaron las reservas de hidrocarburo asociadas al mismo. El programa empleado para realizar el trabajo de tesis fue Hampson & Russell (GeoSoftware), el cual es un software específico para inversión de trazas y caracterización sísmica de reservorios.
Geofísico
Universidad Nacional de La Plata
Facultad de Ciencias Astronómicas y Geofísicas
Materia
Geofísica
Geofísica
Ingeniería Sísmica
Deep learning
Reservorios
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/138868
Acceder
id SEDICI_711098c9435939d1fafce0e6389fba4a
oai_identifier_str oai:sedici.unlp.edu.ar:10915/138868
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learningPanelo, Federico MartínGeofísicaGeofísicaIngeniería SísmicaDeep learningReservoriosEn el presente trabajo se realizó la caracterización sísmica de los reservorios de la formación Quintuco en el sector sur-oriental de la Cuenca Neuquina. Dicha caracterización se llevó a cabo mediante la inversión de trazas sísmicas pre-stack. Este tipo de inversión permitió obtener como parámetros eĺásticos la impedancia de ondas P y S. Posteriormente se propagó un cubo de porosidad mediante redes neuronales con arquitectura deep learning. El área de estudio corresponde a parte del bloque Lindero Atravesado (PAEG) y cubre una estructura geológica cercana a la Dorsal de Huincul. Se realizó la carga, control de calidad y acondicionamiento de datos sísmicos y perfiles de pozo. Durante el control de calidad se revisaron perfiles para identificar datos anómalos y se calibraron relaciones empíricas a partir del análisis de los perfiles. Para la ejecución de la inversión pre-stack se hicieron tareas como: atado de pozos, estimación de ondículas seguido de la construcción del modelo de bajas frecuencias y parametrización de la inversión. Se propagó como propiedad de reservorio la porosidad mediante redes neuronales de tipo deep learning: se compararon y cuantificaron los resultados con los obtenidos empleando otras metodologías (relaciones empíricas, regresiones lineales, redes neuronales tradicionales). A partir del estudio se identificaron áreas e intervalos estratigráficos con mejores propiedades petrofísicas dentro del yacimiento y mejores condiciones prospectivas. Finalmente, se identificó e interpretó un geocuerpo de alta porosidad en la formación Quintuco, al cual se le cuantificaron las reservas de hidrocarburo asociadas al mismo. El programa empleado para realizar el trabajo de tesis fue Hampson & Russell (GeoSoftware), el cual es un software específico para inversión de trazas y caracterización sísmica de reservorios.GeofísicoUniversidad Nacional de La PlataFacultad de Ciencias Astronómicas y GeofísicasSpäth, Federico Gustavo EnriqueVernengo, Luis2022-05-05info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionTesis de gradohttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/138868spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-15T11:27:07Zoai:sedici.unlp.edu.ar:10915/138868Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:27:07.711SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
title Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
spellingShingle Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
Panelo, Federico Martín
Geofísica
Geofísica
Ingeniería Sísmica
Deep learning
Reservorios
title_short Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
title_full Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
title_fullStr Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
title_full_unstemmed Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
title_sort Inversión simultánea sobre sísmica pre-stack y propagación de propiedades de reservorio en la Formación Quintuco mediante redes neuronales con arquitectura deep learning
dc.creator.none.fl_str_mv Panelo, Federico Martín
author Panelo, Federico Martín
author_facet Panelo, Federico Martín
author_role author
dc.contributor.none.fl_str_mv Späth, Federico Gustavo Enrique
Vernengo, Luis
dc.subject.none.fl_str_mv Geofísica
Geofísica
Ingeniería Sísmica
Deep learning
Reservorios
topic Geofísica
Geofísica
Ingeniería Sísmica
Deep learning
Reservorios
dc.description.none.fl_txt_mv En el presente trabajo se realizó la caracterización sísmica de los reservorios de la formación Quintuco en el sector sur-oriental de la Cuenca Neuquina. Dicha caracterización se llevó a cabo mediante la inversión de trazas sísmicas pre-stack. Este tipo de inversión permitió obtener como parámetros eĺásticos la impedancia de ondas P y S. Posteriormente se propagó un cubo de porosidad mediante redes neuronales con arquitectura deep learning. El área de estudio corresponde a parte del bloque Lindero Atravesado (PAEG) y cubre una estructura geológica cercana a la Dorsal de Huincul. Se realizó la carga, control de calidad y acondicionamiento de datos sísmicos y perfiles de pozo. Durante el control de calidad se revisaron perfiles para identificar datos anómalos y se calibraron relaciones empíricas a partir del análisis de los perfiles. Para la ejecución de la inversión pre-stack se hicieron tareas como: atado de pozos, estimación de ondículas seguido de la construcción del modelo de bajas frecuencias y parametrización de la inversión. Se propagó como propiedad de reservorio la porosidad mediante redes neuronales de tipo deep learning: se compararon y cuantificaron los resultados con los obtenidos empleando otras metodologías (relaciones empíricas, regresiones lineales, redes neuronales tradicionales). A partir del estudio se identificaron áreas e intervalos estratigráficos con mejores propiedades petrofísicas dentro del yacimiento y mejores condiciones prospectivas. Finalmente, se identificó e interpretó un geocuerpo de alta porosidad en la formación Quintuco, al cual se le cuantificaron las reservas de hidrocarburo asociadas al mismo. El programa empleado para realizar el trabajo de tesis fue Hampson & Russell (GeoSoftware), el cual es un software específico para inversión de trazas y caracterización sísmica de reservorios.
Geofísico
Universidad Nacional de La Plata
Facultad de Ciencias Astronómicas y Geofísicas
description En el presente trabajo se realizó la caracterización sísmica de los reservorios de la formación Quintuco en el sector sur-oriental de la Cuenca Neuquina. Dicha caracterización se llevó a cabo mediante la inversión de trazas sísmicas pre-stack. Este tipo de inversión permitió obtener como parámetros eĺásticos la impedancia de ondas P y S. Posteriormente se propagó un cubo de porosidad mediante redes neuronales con arquitectura deep learning. El área de estudio corresponde a parte del bloque Lindero Atravesado (PAEG) y cubre una estructura geológica cercana a la Dorsal de Huincul. Se realizó la carga, control de calidad y acondicionamiento de datos sísmicos y perfiles de pozo. Durante el control de calidad se revisaron perfiles para identificar datos anómalos y se calibraron relaciones empíricas a partir del análisis de los perfiles. Para la ejecución de la inversión pre-stack se hicieron tareas como: atado de pozos, estimación de ondículas seguido de la construcción del modelo de bajas frecuencias y parametrización de la inversión. Se propagó como propiedad de reservorio la porosidad mediante redes neuronales de tipo deep learning: se compararon y cuantificaron los resultados con los obtenidos empleando otras metodologías (relaciones empíricas, regresiones lineales, redes neuronales tradicionales). A partir del estudio se identificaron áreas e intervalos estratigráficos con mejores propiedades petrofísicas dentro del yacimiento y mejores condiciones prospectivas. Finalmente, se identificó e interpretó un geocuerpo de alta porosidad en la formación Quintuco, al cual se le cuantificaron las reservas de hidrocarburo asociadas al mismo. El programa empleado para realizar el trabajo de tesis fue Hampson & Russell (GeoSoftware), el cual es un software específico para inversión de trazas y caracterización sísmica de reservorios.
publishDate 2022
dc.date.none.fl_str_mv 2022-05-05
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
Tesis de grado
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/138868
url http://sedici.unlp.edu.ar/handle/10915/138868
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846064318562435073
score 13.22299

Publicaciones similares