La perforación horizontal se ha convertido en un medio importante para que las compañías petroleras aumenten la producción por pozo en yacimientos compactos y no convencionales. Sin embargo, debido a la compleja relación espacial entre la trayectoria del pozo horizontal y las formaciones geológicas, los enfoques tradicionales de análisis de pozos verticales no pueden aplicarse eficazmente. Describir con precisión la relación espacial entre la trayectoria del pozo horizontal, la formación objetivo y la roca circundante es la tarea principal en la interpretación del registro de pozos horizontales. El método predominante actualmente se basa en construir un modelo inicial de la formación a partir del pozo piloto y ajustar el modelo por segmentos utilizando la simulación directa de los datos de registro, pero este método es poco eficiente en términos de tiempo y requiere cálculos repetidos para pozos diferentes en la misma área. Por lo tanto, establecer un modelo razonable pozo-formación es clave en el procesamiento e interpretación de los datos de registro de pozos horizontales. El modelo pozo-formación puede describir con precisión la relación espacial entre la trayectoria del pozo y la interfaz de la formación, incluyendo la distancia entre la posición del pozo y la interfaz, y el ángulo entre el eje del pozo y la dirección normal de la formación. Además, los métodos de análisis de datos de registro basados en aprendizaje automático e inteligencia artificial, mediante el entrenamiento de modelos inteligentes, se han aplicado en todos los aspectos de la interpretación de datos de registro, con la esperanza de superar las limitaciones de los métodos tradicionales. Por lo tanto, se propone un método automático de interpretación de registros de pozos horizontales basado en la integración de múltiples modelos y redes neuronales profundas: primero se construye un modelo teórico que incluye diferentes trayectorias de pozos y combinaciones de formaciones, generando una base de datos de muestras de respuesta de registros; luego se integran modelos de aprendizaje automático como eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Categorical Boosting (CatBoost), fusionando los resultados predictivos mediante un perceptrón multicapa (MLP); finalmente, se realiza una identificación automática inteligente de la relación geométrica entre la trayectoria del pozo y la roca circundante utilizando los datos reales. El análisis de casos muestra que este método captura con precisión las características complejas de la respuesta de registros de pozos horizontales, al mismo tiempo que mejora significativamente la velocidad y precisión de la interpretación, pudiendo adaptarse a un análisis rápido de múltiples pozos en entornos geológicos similares, proporcionando una herramienta inteligente y eficiente para la interpretación de registros de pozos horizontales.

pozo horizontal;interpretación de registros;inteligencia artificial;aprendizaje profundo;modelado de formaciones