Prediction of permeability and effective porosity values using ANN in Maleh field

Resumen

Este estudio presenta el desarrollo de un sistema inteligente diseñado para predecir la permeabilidad y la porosidad efectiva en pozos donde no se dispone de muestras de núcleo. Se construyó una red neuronal artificial (ANN) con tres capas ocultas, que consisten en 15, 10 y 4 neuronas, respectivamente, utilizando parámetros de registro de pozos (CAL, VCL, NPHI, RHOB, DT) como entradas. La ANN genera valores predichos de permeabilidad y porosidad efectiva con una precisión notable. La red se optimizó con una tasa de aprendizaje de 0.05, un coeficiente de momento de 0.95 y la función de activación LOGSIG aplicada en las capas. Los valores de entrada se normalizaron en un rango de 0 a 1, y el entrenamiento se realizó utilizando el algoritmo de retropropagación secuencial (newcf). La fase de entrenamiento logró un error cuadrático medio mínimo de 0.00001 en 58 segundos durante 12,000 ciclos, alcanzando una tasa de reconocimiento del 100% en los datos de entrenamiento. La ANN se probó con datos independientes y mostró un rendimiento excepcional, logrando una precisión del 96% para las predicciones de porosidad efectiva y del 98% para las estimaciones de permeabilidad en formaciones de arenisca. Este algoritmo eficiente elimina la necesidad de análisis de muestras de núcleo, reduce los costos y el tiempo, y mejora la fiabilidad de las predicciones, convirtiéndose en una herramienta valiosa para la caracterización del subsuelo y la exploración de recursos.