UNIVERSIDAD MAYOR DE SAN ANDRESFACULTAD DE INGENIERIA

CARRERA DE INGENIERIA PETROLERA

PERFIL DE PROYECTO DE GRADO

CORRELACION DE REGISTROS ENTRE POZOSAPLICANDO REDES NEURONALES ARTIFICIALES

POSTULANTE: UNIV. MICHAEL SILVA HUANCA

TUTOR: ING. HERMAS HERRERA CALLEJAS

LA PAZ - BOLIVIA

AGOSTO - 2014

1

1. INTRODUCCIÓNLa Caracterización de los yacimientos es un área muy importante de la ingenieríapetrolera. Incluye la descripción de la distribución espacial de las propiedades delas rocas como porosidad, permeabilidad y saturación, con mucho análisis. Estose puede lograr a partir de una variedad de fuentes: registros de pozos, núcleos,sísmica, pruebas de producción, pruebas de columna de perforación10.1

La correlación de los registros entre pozos en forma convencional se realizaartesanalmente a partir del reconocimiento visual de patrones por parte de unexperto humano, lo que implica una larga y tediosa tarea. En la exploración ydesarrollo de reservas de hidrocarburos, los registros de pozo y su correlación seconstituyen en herramientas fundamentales en la evaluación y caracterización delyacimiento.

Las Redes Neuronales Artificiales (RNA) proveen un camino rápido y prácticopara llegar a una solución óptima y confiable en un proceso de reconocimiento depatrones en registros de pozos. Las Redes Neuronales Artificiales son análogas alsistema nervioso biológico. La red funciona como un cerebro humano, quecomprende una malla densa de nodos informáticos y conexiones. Arquitectura deuna RNA incluye un gran número de neuronas organizadas en diferentes capas,con las neuronas de una capa conectada a las neuronas de otra capa mediante elajuste de pesos. La red está capacitada para realizar una función particular yajustar los valores de los pesos entre los elementos que conducen a una salida dedestino específica.

2. ANTECEDENTESDesde que en 1927 se realizara el primer registro eléctrico en el pequeño campopetrolero de Pechelbronn, Alsacia, provincia del noreste de Francia12. Lainterpretación y correlación de datos de registro de pozos ha adquirido muchaimportancia y su automatización viene a ser una herramienta muy esperada. Hastaque en 1943 McCulloch y Pitts concibieron un modelo abstracto y simple de unaneurona artificial11.

La tecnología de las redes neuronales se aplica a una gran variedad de problemasreales con notable éxito en diversas áreas. En Geofísica las redes neuronales han

10. Kohli A. and Arora P., Application of Artificial Neural Networks for Well Logs, International PetroleumTechnology Conference (IPTC), Qatar, 2014.12. Schlumberger Educational Services; Principios/Aplicaciones de la Interpretación de Registros; 1991.11. McCulloch W. and Pitts W.; A logical Calculus of ideas immanent in nervous activity; Bulletin ofMathematical Biophysics; 1943.

2

sido utilizadas en muchas aplicaciones desde hace algunos años, entre las cualesencontramos el reconocimiento de formas y selección de primeras llegadas, enelectromagnetismo, en magnetotelúrica, en inversión sísmica; en eldesdoblamiento de ondas de cizalla, registro de pozos.

En 1990 Derek et al., realizan un estudio comparativo del comportamiento de lasredes neuronales con respecto a diversos métodos estadísticos utilizados paradiscriminar litofacies en arenas. En el trabajo de Wiener et al. (1991) se presentauna aplicación de las redes neuronales en el análisis de registros de pozos,estimando permeabilidad en carbonatos basados en las respuestas de losregistros, utilizando redes neuronales de retropropagación. En 1993 Johnston, D.explica sobre la calibración de atributos sísmicos usando redes neuronalesartificiales9.2Huang y Williamson, en su publicación de 1994, hablan sobre elmodelado y reconocimiento geológico mediante regresión en red neuronalartificial3.

En el trabajo de Wiener et al. (1991) se presenta una aplicación de las redesneuronales en el análisis de registros de pozos, estimando permeabilidad encarbonatos basados en las respuestas de los registros, utilizando redesneuronales de retropropagación. En 1992, Rogers et al. trabajaron en elreconocimiento de litologías en registros de pozo, usando también redesneuronales de retropropagación. En el 2010 Hamada G. y Elshafei M. logranpredecir la permeabilidad y porosidad en reservorios heterogéneos de gas. Ladeterminación de la permeabilidad llega es también un área de investigaciónactiva en la industria petrolera y las redes neuronales artificiales son unaimportante herramienta para dichos cálculos, así lo demuestran Kohli A. and AroraP. en el enero del 201410.

3. PLANTEAMIENTO DEL PROBLEMA3.1 IDENTIFICACIÓN DEL PROBLEMAEn la Industria Petrolera, la adquisición de datos del subsuelo mediante registrosde pozos a hueco abierto o entubado, e incluso durante la operación misma de laperforación, es una de las operaciones que más tiempo y dinero demandan. A lapar de obtener los datos de registros, se presenta la actividad de interpretardichos registros por parte de expertos humanos. La interpretación de los registroses un proceso largo y complejo, y que está relacionada con el tipo de información

9. Johnston D.; Seismic attribute calibration using neural networks; Soc. Expl. Geophys; 1993.3. Huang Z. and Williamson M.; Geological pattern recognition and modelling with a general regression neuralnetwork; Soc. Expl. Geophys; 1994.10. Kohli A. and Arora P., Application of Artificial Neural Networks for Well Logs, International PetroleumTechnology Conference (IPTC), Qatar, 2014.

3

que se pretende extraer de estos, de las herramientas disponibles para el manejode la información, y la disponibilidad de personal calificado para desarrollar dichaactividad. Dentro de los planes de desarrollo energético el Estado Plurinacional deBolivia, a través de YPFB Corporación, se encuentra avocado hoy día a laintensificación de los procesos de estudio y conocimiento, con la mayor precisiónposible16,es en tal sentido que es muy importante las estrategias y acciones quese orientan hacia un mayor conocimiento tecno-científico, para una fácilcorrelación de los datos proporcionados por los registros de pozos y efectivizar eltiempo empleado en esta actividad actualmente.

3.2 FORMULACIÓN DEL PROBLEMA.Los métodos tradicionales de la correlación de registro entre pozos, es unaactividad compleja que demanda tiempo y rigurosidad por parte de uno o variosexpertos humanos. En este trabajo se presenta una herramienta computacionalbasada en Redes Neuronales Artificiales (RNA) para correlacionar registros entrepozos y su aplicación para el caso de un campo en Bolivia.

4. OBJETIVOS Y ACCIONES4.1 OBJETIVO GENERALEl propósito de este trabajo es presentar una técnica que realmente sería una“aproximación” de lo que haría un experto humano en el procedimiento decorrelación. La herramienta desarrollada tiene la versatilidad de correlacionarvarios tipos de registros. El resultado final es una herramienta computacional,confiable, efectiva y eficaz, para realizar el trabajo de correlacionar datos de unpozo a otro en un mismo yacimiento, y que traslada el razonamiento del expertohumano de reconocimiento de patrones a un código de computador. La aplicaciónpráctica para este trabajo se desarrollará con la información a recopilarse delcampo San Alberto.

4.2 OBJETIVOS ESPECÍFICOS Y ACCIONES DE LA INVESTIGACIÓN Diseñar e implementar un programa basado en redes neuronales

artificiales, que automatice el proceso de identificación de las litologías máscomunes en registro de pozos (Arenisca, Lutita, Dolomita y Caliza).

Desarrollar un programa de fácil uso en Matlab que permita al usuariocrear, entrenar y utilizar redes neuronales previamente entrenadas.

Verificar que la red neuronal artificial a diferencia de otros métodos es muyeficaz a la hora de resolver problemas de reconocimiento de patrones.

5. JUSTIFICACIÓN5.1 JUSTIFICACIÓN TÉCNICA

4

Al correlacionar los registros entre pozos, los geólogos primero identifican en lasección registrada de la columna estratigráfica, patrones característicos, tambiénconocidos como marcadores, que son de fácil identificación; y luego buscan sucorrespondencia entre los diferentes pozos para cada dirección específica deanálisis.

La identificación de litologías en Registros de Pozo es una actividad intensiva en eltiempo, y aún más en presencia de complejidades y complicaciones geológicasque conllevan a la reexaminación de las correlaciones previas y a cambiarmarcadores ya establecidos, con el fin de asegurar que efectivamente se hanidentificado el ó los marcadores en cada uno de los registros del pozo. Elreconocimiento de patrones que involucra una cantidad considerable de esfuerzohumano debido a los datos que se manejan y que por lo cual se recurre a lainteligencia artificial y al desarrollo computacional para automatizar los procesos,evitando en lo posible la realización en forma manual de los mismos.

A partir del desarrollo de la computación como herramienta almacenadora yprocesadora de datos de manera rápida y eficaz, se ha hecho posible automatizarel proceso de predicción, debido a que permite manejar una mayor cantidad dedatos y obtener resultados en tiempos más rentables.

La computación neuronal pretende imitar el funcionamiento del cerebro de losmamíferos y de este modo imitar sus procesos13.3Una red neuronal se diferenciade otros métodos de reconocimiento de patrones en su habilidad de “aprender”. Lared neuronal de retropropagación, a diferencia de los otros tipos de redesneuronales es muy eficaz a la hora de resolver problemas de reconocimiento depatrones, por ello se utilizará para realizar el presente estudio10. El proceso deentrenamiento de la red consiste en suministrarle un conjunto de datos de entraday una salida “deseada”, para que realice cálculos internos que permitan ajustarciertos parámetros denominados pesos y obtener el menor error entre la salidagenerada por la red y la salida “deseada”, para de esta manera generar una salidaque mejor se asemeje a la introducida, para luego ser utilizada con datos deprueba y comprobar el aprendizaje de la red.

5.2 JUSTIFICACIÓN ECONÓMICALa aplicación de RNA para correlacionar o predecir las características de un pozo,efectiviza el tiempo de identificación de patrones comparando con los métodos

13. Shahab M.; Virtual Intelligence Applications in Petroleum Enginnering: Part 1 - Artificial Neural Networks;SPE; West Virginia; 2000.10. Kohli A. and Arora P., Application of Artificial Neural Networks for Well Logs, International PetroleumTechnology Conference (IPTC), Qatar, 2014.

5

tradicionales de reconocimiento. De esta manera no solo se efectiviza el tiemposino también se efectiviza los gastos de operación y que dentro la industriapetrolera es un factor considerable.

5.3 JUSTIFICACIÓN AMBIENTALLa aplicación de este nuevo método implica la reducción de contaminantesambientales, ya que normalmente se extrae núcleos de formación del pozo parasu análisis, muchas veces estos núcleos contienen elementos radioactivos quepueden concentrarse en arcillas y lutitas.

6. ALCANCE6.1. ALCANCE TEMÁTICOEsta red se diseñó para ser aplicado a un conjunto de pozos de cualquier campo,y en particular, se presentan los resultados obtenidos para un campo en Bolivia.Con la información de registros para los pozos disponibles, se creara una base dedatos conformada por la profundidad y los valores de los registros de pozosadecuados (rayos gamma, resistividad, porosidad .etc). Esta base de datos serádividida en los tres conjuntos independientes: entrenamiento, validación y prueba.

Se tomara una muestra de un mínimo de cinco pozos, con tres pozos como pozosde entrenamiento. Los dos pozos restantes de la muestra se tomaron como pozosvecinos, uno para validación y otro para prueba. Para proceder con la correlación,será necesario identificar el marcador geológico presente en el campo, a partir delconocimiento de las formas tipo de tales marcadores en el registro. El marcadordeberá poseer características geológicas que le permita ser observado en unaamplia extensión lateral en cada uno de los pozos de estudio, se identificara enprincipio estratos de lutita y arenisca que manifiesta una alta radioactividadnatural.

En cuanto a la implementación de una herramienta de correlación, se desarrollaraun programa en MatLab, el cual a través de la ventana de deslizamiento realizarael barrido de la matriz de información.

Una vez ajustada la estructura de la RNA, se ejecutara el programa con lainformación proveniente de los pozos que integran el conjunto de validación. Losresultados que integran el archivo de salida del programa para cada pozo estaránrepresentados por una matriz de columnas que dependerán del número de datosde entrada. Se presentaran los resultados de la RNA para los pozos utilizadoscomo conjunto de prueba.

6

Los resultados serán diagramas donde se especificaran las profundidades, en lascuales se espera lograr la correlación entre pozos. A partir de estos diagramas seidentificara la ventana que según la RNA corresponde al marcador litológico (lutita)y sus vecindades (arenisca, dolomita y caliza).

6.2. ALCANCE GEOGRÁFICOComo sabemos que se requiere una muestra de un mínimo de cinco pozos, esconveniente que el campo que tenga más de cinco pozos. Como son los camposque se encuentran al sur de Bolivia. El campo San Alberto (Bloque San Alberto)se encuentra ubicado en la serranía del Aguaragüe de la Faja Sub - Andina Sur enTarija.

7. MARCO TEÓRICO7.1 REGISTRO DE POZOSLa grabación continua de parámetros geofísicos en un pozo con respecto a laprofundidad, produce lo que se conoce como registro de pozo. El nombre másapropiado para esta grabación continua de parámetros petrofísicos es “RegistroGeofísico de Pozo”; sin embargo son comúnmente llamados “Registros de pozo” osimplemente “Registros”.

Hace más de medio siglo que se introdujo y se usa el registro de pozos en laindustria petrolera. Desde entonces se han desarrollado y mejorado variedad dedispositivos para tal efecto. A medida que la ciencia de los registros de pozosavanza, también lo hace el arte de la interpretación de datos. Hoy en día elanálisis detallado de perfiles cuidadosamente elegidos, provee un método paraderivar e inferir valores precios para las saturaciones de hidrocarburos y de agua,le porosidad, y el índice de permeabilidad, y la litología de la roca delyacimiento12.4

Existe una gran variedad de registros de pozo hoy en día que pueden hacermediciones sofisticadas en el pozo. Estos pueden ser medidas de fenómenosespontáneos, como la radioactividad natural (registro de Rayos Gamma) querequiere de una herramienta simple con un detector muy sensible a la radiación.Otras herramientas pueden inducir la radiación como la herramienta de velocidad(registro sónico), en la cual la herramienta emite sonido dentro de la formación ygraba el tiempo que toma éste en regresar al receptor que se encuentra a unadistancia fija. Otra herramienta de radiación inducida es la herramienta dedensidad (registro de densidad) que genera su propia radioactividad y es usadapara estimar densidad y porosidad de la formación. También existe la herramienta

12. Schlumberger Educational Services; Principios/Aplicaciones de la Interpretación de Registros; 1991.

7

de neutrones (registro de neutrones), la cual permite estimar directamente laporosidad de la formación que reacciona al bombardeo de neutrones y determinala cantidad de hidrógeno almacenado en los poros de las rocas.

7.2 RED NEURONAL ARTIFICIALLas redes de neuronas artificiales (denominadas habitualmente como RNA oen inglés como ANN) son un paradigma de aprendizaje y procesamientoautomático inspirado en la forma en que funciona el sistema nervioso de losmamiferos. Se trata de un sistema de interconexión de neuronas que colaboranentre sí para producir un estímulo de salida. En inteligencia artificial es frecuentereferirse a ellas como redes de neuronas o redes neuronales.

Figura 1: Arquitectura de una Red Neuronal Artificial55

Fuente: http://es.wikipedia.org/wiki/Red_neuronal_artificial.

7.3 CORRELACIÓN DE REGISTROS ENTRE POZOSLa correlación de registros entre pozos pretende establecer y visualizar laextensión lateral de las formaciones de interés, y la relación espacial entre estas alo largo y ancho del campo a partir del reconocimiento de patrones en lasdiferentes trazas o curvas para zonas específicas de la sección registrada.

El proceso de correlación de registros entre pozos se inicia con la selección de un“datum”, o marcador, el cual puede ser ubicado y distinguido a través de todos lospuntos de observación, pozos en el campo y/o yacimiento. En general, unbuen datum lo constituyen las denominadas lutitas, pues aparecen sobre extensaszonas por encima y/o por debajo de las formaciones de interés, y además, laslutitas son depósitos de baja energía que se asumen han sido depositadas en sumayoría en forma horizontal, y por lo tanto se constituyen en un verdadero planode estratificación.

5. http://es.wikipedia.org/wiki/Red_neuronal_artificial

8

Una vez seleccionado el datum se eligen en el mapa del campo pozosrepresentativos para una mejor interpretación de la estratigrafía del área y conellos se orienta la línea del corte o dirección en la cual se haría la correlación. Estalínea es la representación de un plano vertical (sección), donde se proyectaran lospozos. Luego, en la sección se colocan con su distancia a escala las curvas oregistros de pozos para los pozos elegidos, y se relacionan a partir de la línea dereferencia o datum. Estas secciones destacan las diferencias en distancia verticaly espesor para las formaciones por encima y por debajo del plano de referenciao datum utilizado. Al realizar lo anterior, se ignoran todos los posibles movimientosestructurales a los cuales la secuencia ha sido expuesta. Después se puedencorrelacionar todos los eventos abajo o arriba del plano datum comparando lasrespuestas en los registros.

7.4 CORRELACION DE REGISTROS MEDIANTE REDES NEURONALESARTIFICIALES (RNA)Para aplicar la técnica de las RNA a la correlación de registros de pozos, engeneral, se requiere de los siguientes pasos:

- Clasificación de los datos.- Es fundamental definir los datos, y de estosseleccionar los que conformarían los conjuntos de entrenamiento, devalidación, y de prueba.

- Preprocesamiento de la información.- El tratamiento de los datos deentrada antes de alimentar a la RNA consta de los siguientes pasos:

i. Selección de datos con alta resolución vertical. La resolución de lasseñales en los registros de pozos es uno de los aspectos más importantespara identificar patrones litológicos diferentes y definir con claridad loslímites de los estratos. Las herramientas de registro deben ser sensitivas apequeños cambios en la estructura sedimentaria en una formación, la faltade precisión conducirá a deficiencias en las interpretaciones.

ii. Normalización de los datos en el registro. Se procede con lanormalización de los datos de entrada mediante la aplicación de la ecuación(1), lo que resulta en un conjunto de datos de entrada a la RNA cuyosvalores se encuentran en el rango entre cero (0) y uno (1). Este procesoprovee un rango de valores más apropiado para los procesos dereconocimiento de patrones por sistemas tipo RNA, y para las cuales esmucho más fácil reconocer patrones si estos están en un mismo rango demagnitud.

9

Dónde:Xmin: mínimo valor de los datos a normalizar,Xmax: máximo valor de los datos a normalizar,Xo : valor del dato a normalizar,Xn : valor normalizado de Xo.

iii. Selección del criterio de suavizado de los datos normalizados. Lapresencia de ruido en los registros o datos de entrada reduce la calidad dela información y también la confiabilidad de los resultados. La presencia de“ruido” resulta en falsas interpretaciones de los rasgos característicos de laformación. La técnica de suavizado de los datos normalizados de losregistros consistió en el ajuste de los datos a funciones tipo serie deFourier.

Para los datos normalizados de la primera ventana, y para cada ventana dedeslizamiento, se obtienen los coeficientes de Fourier que en formaconsecutiva conforman las filas de la matriz de ventanas. El primer dato decada fila de la matriz de ventanas hace referencia a la profundidad del topede la ventana.

El procedimiento descrito continúa hasta que la base o fondo de la ventanahaya alcanzado el último valor de profundidad en el registro en evaluación.El número de columnas de la matriz de ventanas dependerá del número dearmónicos especificado en la serie de Fourier, y el número de filasdependerá del número de deslizamientos que requiere la ventana pararecorrer la sección bajo análisis.

La matriz de ventanas se presenta en la ecuación (2).

10

Dónde:Vi: matriz de ventanas del pozo i,hk : profundidad del tope de la ventana k,a k

n , bkn : Coeficientes de Fourier de la ventana k

- Entrenamiento de la RNA.- El Preprocesamiento descrito se aplica a lospozos del conjunto de entrenamiento, de tal forma que a cada pozo delconjunto entrenamiento le corresponde una matriz de ventanas. Sí elnúmero de pozos del conjunto entrenamiento es tres, entonces deberíanasignarse seis vectores, dos por cada pozo como lo muestra el sistema devectores en la ecuación (3). Este sistema de vectores es fundamental parael entrenamiento de la red.

La fase final del entrenamiento, consiste en identificar las posiblescombinaciones de a dos vectores (sin reciprocidad) que se puedan dar en elanterior sistema. Con los vectores del sistema se realizan las posiblescombinaciones de acuerdo con los tipos de combinaciones permitidos.Finalmente se obtiene un vector de 18 valores binarios producto de talescombinaciones. Estos valores binarios son las salidas deseadas de la RNA.

11

Tabla 1: Combinación de vectores con sus respectivas salidas deseadas8.6

Fuente: http://www.revistas.unal.edu.co/index.php/rbct/article/view/723/11306.

Para la consolidación de la RNA final. Se implementa una red con regla deaprendizaje supervisado de tipo feed-forward backpropagation, es decir,una red con conexiones hacia delante que utiliza la regla de aprendizajeretropropagación de errores.

- Validación de la RNA.- Es importante comprobar la calidad del modeloresultante, es decir, se debe comprobar si la red neuronal puede resolvernuevos problemas del tipo general, para los que ha sido entrenada. Por lotanto, con el propósito de validar la red neuronal se requiere de otroconjunto de datos denominado conjunto de validación. Este conjunto estácompuesto por uno o varios pozos que no pertenezcan al conjunto deentrenamiento, y para estos pozos la profundidad del marcador sugeridapor el experto humano debe conocerse. La validación de la RNA requiereestablecer un criterio de decisión basado en la diferencia entre laprofundidad obtenida por la red (la ventana con mayor grado de correlación)y la sugerida por el experto humano. En caso de no validar la RNA seprocede a cambiar su arquitectura.

8. http://www.revistas.unal.edu.co/index.php/rbct/article/view/723/11306.

12

- Prueba de la RNA.- En la prueba de la RNA se evalúa el desempeño de lared al aplicarla a los pozos de un conjunto de prueba, con toda lainformación disponible.

8. TEMARIO TENTATIVOCAPÍTULO 1: GENERALIDADES1.1 INTRODUCCIÓN1.2 ANTECEDENTES1.3 PLANTEAMIENTO DEL PROBLEMA1.3.1 IDENTIFICACION DEL PROBLEMA1.3.2 FORMULACION DEL PROBLEMA1.4 OBJETIVOS1.4.1 OBJETIVO GENERAL1.4.2 OBJETIVOS ESPECIFICOS1.5 JUSTIFICACIÓN1.5.1 JUSTIFICACIÓN TECNICA1.5.2 JUSTIFICACIÓN ECONOMICA1.5.3 JUSTIFICACIÓN MEDIO AMBIENTAL1.6 ALCANCE1.6.1 ALCANCE TEMATICO1.6.2 ALCANCE GEOGRAFICO

CAPÍTULO 2: REGISTRO DE POZOS2.1 INTRODUCCIÓN2.2 BREVE HISTORIA DEL PERFILAJE DE POZOS2.3 REGISTRO DE GAMMA RAY2.4 REGISTRO DE DENSIDAD2.5 REGISTRO DE MICRORESISTIVIDAD2.6 REGISTRO DE NEUTRONES

CAPÍTULO 3: REDES NEURONALES ARTIFICIALES3.1 INTRODUCCIÓN3.2 MODELO DE UNA RED NEURONAL3.3 ARQUITECTURA DE LAS REDES NEURONALES3.4 ALGORITMO DE APRENDISAJE DE RETROPROPAGACIÓN3.5 BENEFICIOS DE LAS REDES NEURONALES ARTIFICIALES

CAPÍTULO 4: DESCRIPCION DEL SOFTWARE MATLAB4.1 INTRODUCCIÓN4.2 ENTORNO DE MATLAB

13

4.3 FUNCIONES INTERNAS DE MATLAB4.4 FUNCIONES DEFINIDAS POR EL USUARIO4.5 MANIPULACION DE MATRICES

CAPÍTULO 5: DISEÑO DE LA RED NEURONAL ARTIFICIAL PARAIDENTIFICACION DE LITOLOGIAS6.1 INTRODUCCIÓN6.2 DISEÑO DE UN ALGORITMO PARA IDENTIFICAR LITOLOGIAS6.3 ELABORACION DE UN PROGRAMA EN MATLAB PARA

IDENTIFICAR LITOLOGIAS6.4 ANÁLISIS DE RESULTADOS DE LA APLICACIÓN PRÁCTICA

CAPÍTULO 6: CONCLUSIONES Y RECOMENDACIONES6.1 CONCLUSIONES6.2 RECOMENDACIONES

BIBLIOGRAFÍAGLOSARIO DE TÉRMINOSANEXOS

9. BIBLIOGRAFÍA1. Bassiouni Z.; Theory, Measurement and Interpretation of Wells Logs;

Society of Petroleum Engineers (SPE); 1994.2. Darling T.; Well Logging and Formation Evaluation; Elsevier Gulf

Professional Publishing; USA;2005.3. Huang Z. and Williamson M.; Geological pattern recognition and

modelling with a general regression neural network; Soc. Expl.Geophys; 1994.

4. http://archives.datapages.com/data/colombia_acggp/simp8/tomo2/Paper55.htm.

5. http://es.wikipedia.org/wiki/Red_neuronal_artificial.6. http://ingenieria-de-

yacimientos.lacomunidadpetrolera.com/2008/02/redes-neuronales-artificiales-una.html.

7. http://laboratorios.fi.uba.ar/lsi/p-digaeta-proyectodetesis.htm.8. http://www.revistas.unal.edu.co/index.php/rbct/article/view/723/11306.9. Johnston D.; Seismic attribute calibration using neural networks; Soc.

Expl. Geophys; 1993.10.Kohli A. and Arora P., Application of Artificial Neural Networks for Well

Logs, International Petroleum Technology Conference (IPTC), Qatar,2014.

14

11.McCulloch W. and Pitts W.; A logical Calculus of ideas immanent innervous activity; Bulletin of Mathematical Biophysics; 1943.

12.Schlumberger Educational Services; Principios/Aplicaciones de laInterpretación de Registros; 1991.

13.Shahab M.; Virtual Intelligence Applications in Petroleum Enginnering:Part 1 - Artificial Neural Networks; SPE; West Virginia; 2000.

14.Universidad de Valparaiso; Redes Neuronales Artificiales.15.Universidad Industrial de Santander; Aplicación de las Redes

neuronales al Estudio de Yacimientos de Petróleo.16.YPFB Corporación; Plan de Inversiones 2009-2015; La Paz, Bolivia;

2011.

10. CRONOGRAMA DE TRABAJO

SEMANA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Elección del tema xFormulación Problema xJustificación y alcance xMarco Teórico x x xMarco Práctico x x x x xElaboración Borrador x x xDefensa Borrador xDefensa Final x