Predicción entre pozos con aprendizaje automático de registros sónicos en Terranova y Labrador

Escuchar las rocas sin un micrófono

Las compañías de petróleo y gas dependen de herramientas acústicas «sónicas» para escuchar cómo se propagan las ondas sonoras a través de las rocas subterráneas. Estas mediciones detalladas ayudan a los ingenieros a evaluar la resistencia de las rocas, planificar pozos seguros y correlacionar los datos de perforación con los sondeos sísmicos. Pero las herramientas sónicas son caras, pueden ralentizar las operaciones y a veces no se pueden ejecutar. Este estudio muestra cómo el aprendizaje automático puede reconstruir información sónica a partir de mediciones más baratas y rutinarias, ofreciendo una manera de «oír» el subsuelo incluso cuando falta el micrófono.

Por qué importa predecir datos sónicos

En la perforación en alta mar, los operadores registran muchos tipos de curvas de pozo: radiactividad natural, velocidad de perforación, caudal de bombeo, peso sobre la broca y más. Los registros sónicos son especiales porque revelan la velocidad a la que viaja el sonido por la roca, un dato clave para estimar la rigidez, la presión y las tensiones del yacimiento. Cuando no se dispone de herramientas sónicas, los ingenieros deben trabajar con lagunas o recurrir a reglas empíricas toscas. Al usar aprendizaje automático para convertir registros comunes no sónicos en curvas «pseudo-sónicas» precisas, las compañías pueden reducir costos de adquisición de datos, rellenar secciones faltantes y seguir tomando decisiones informadas sobre la estabilidad del pozo y el comportamiento del yacimiento.

Una receta cuidadosa para evitar hacer trampa

Los autores trabajaron con datos de dos pozos costa afuera en Terranova y Labrador. Para cada profundidad intentaron predecir la lentitud compresional (una forma de expresar cuánto tiempo tarda una onda sonora en atravesar la roca) usando solo mediciones no sónicas. De forma crucial, prohibieron cualquier entrada que usara directa o indirectamente datos sónicos, como propiedades elásticas derivadas. También construyeron características usando únicamente información de la misma profundidad o de profundidades superiores, imitando la perforación en tiempo real donde el futuro es desconocido. Los valores atípicos en las lecturas de los sensores se identificaron usando estadísticas de un solo pozo de entrenamiento y luego se trataron en ambos pozos de la misma manera, asegurando que los modelos no pudieran aprender sigilosamente de los datos de prueba. Todas las escalas y elecciones de características también se fijaron en el pozo de entrenamiento antes de aplicarlas, sin cambios, al otro pozo.

Convertir registros brutos en señales aprendibles

Simplemente alimentar registros brutos a un algoritmo rara vez es suficiente. El equipo diseñó un conjunto rico de características sensibles a la profundidad: siguieron cómo cambiaba cada registro con la profundidad, suavizaron señales ruidosas a varias escalas y calcularon pendientes y curvaturas que resaltan tendencias locales. También expresaron la profundidad en relación con segmentos del pozo, capturando patrones que se repiten cuando cambia el tamaño de la broca. Para evitar que los modelos se saturaran, clasificaron las características usando tres métodos distintos y combinaron las clasificaciones en una única lista ordenada. Luego se eligió un grupo compacto de las características más informativas usando una partición con conciencia temporal dentro del pozo de entrenamiento, de modo que el propio proceso respetara el orden natural con la profundidad.

Modelos basados en árboles superan al aprendizaje profundo

El estudio comparó tres tipos de modelos: Bosques Aleatorios (Random Forests), XGBoost (un método de boosting de gradiente popular) y redes neuronales LSTM bidireccionales, que se usan a menudo para datos secuenciales. Cada modelo se entrenó en un pozo y se probó a ciegas en el otro, un esquema exigente que expone diferencias entre pozos en rango de profundidad, condiciones de operación y tipos de roca. Bajo esta prueba, XGBoost rindió mejor, logrando una alta concordancia entre los registros sónicos predichos y medidos cuando se entrenó en el primer pozo y se aplicó al segundo. Los Bosques Aleatorios quedaron cerca y a veces fueron más estables en zonas ruidosas. Las redes LSTM, a pesar de su complejidad, quedaron rezagadas tanto en precisión como en robustez, probablemente porque solo había dos pozos y los datos variaban fuertemente con la profundidad, condiciones que no favorecen redes neuronales grandes.

Qué impulsa la precisión y dónde resulta útil

Al activar y desactivar diferentes partes de su preprocesamiento, los autores demostraron que la generación y selección inteligente de características produjo la mayor diferencia en rendimiento, más que simplemente añadir ventanas de historial más largas o un filtrado básico de outliers. Cuando se incluyeron estos pasos, ambos modelos basados en árboles generalizaron mucho mejor entre pozos. Los registros pseudo-sónicos resultantes fueron lo bastante precisos como para respaldar tareas posteriores, como estimar la rigidez de la roca, modelar presión de poro y tensiones, calibrar datos sísmicos y planificar pozos en zonas donde las mediciones sónicas directas faltan, se retrasan o son poco fiables. Debido a que todas las transformaciones se fijan en un pozo de referencia y luego se reutilizan, el flujo de trabajo podría operar casi en tiempo real durante la perforación.

Mensaje principal para no especialistas

Este trabajo muestra que, con un manejo disciplinado de los datos y modelos de aprendizaje automático bien elegidos, es posible recrear información sónica de alto valor a partir de canales de perforación y registro más baratos en un pozo nuevo que el modelo nunca ha visto. El enfoque no sustituye a las herramientas sónicas dedicadas, especialmente donde los márgenes de seguridad son estrechos, pero ofrece una alternativa práctica y rentable, así como una comprobación de calidad cuando los datos medidos parecen sospechosos. A medida que se añadan más pozos y regiones y se prueben modelos más recientes bajo las mismas reglas estrictas, este tipo de predicción entre pozos podría convertirse en una parte estándar del conjunto de herramientas digitales para una perforación offshore más segura y eficiente.

Cita: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

Palabras clave: aprendizaje automático, registros sónicos, registro de pozos, perforación en alta mar, caracterización de yacimientos