Un marco híbrido de ML informado por la física para la predicción de la presión de poro y el gradiente de fractura en yacimientos carbonatados

Por qué importa mantener los pozos seguros

Cuando los ingenieros perforan profundamente bajo el lecho marino en busca de petróleo y gas, deben equilibrar cuidadosamente la presión del fluido de perforación con la presión natural de las rocas. Si estiman demasiado bajo, los fluidos pueden entrar bruscamente en el pozo y provocar entradas peligrosas o reventones. Si estiman demasiado alto, la roca puede agrietarse y tragarse el lodo de perforación, perdiendo tiempo y dinero. Este artículo presenta una nueva forma de predecir estas presiones con mayor precisión en formaciones carbonatadas complejas, usando una combinación de física tradicional y aprendizaje automático moderno.

El desafío de las rocas carbonatadas complicadas

En cualquier roca subterránea, el fluido atrapado en pequeños poros ejerce una presión hacia afuera que los geocientíficos denominan presión de poro. Sobre esa roca, el peso de todo el material suprayacente genera una fuerza de compresión. En conjunto, estas presiones determinan cuán pesado debe ser el lodo de perforación para mantener el pozo estable. En rocas ideales y uniformes, fórmulas de larga data pueden estimar estas presiones razonablemente bien. Pero los yacimientos carbonatados marinos distan mucho de ser uniformes: contienen cavidades, capas de baja permeabilidad, fracturas naturales y cambios repentinos en el tipo de roca. En tales escenarios, los métodos estándar de la industria suelen fallar, y las mediciones directas de presión con herramientas de fondo son tan escasas y costosas que no pueden tomarse en todos los puntos.

Combinando reglas físicas con aprendizaje a partir de datos

Los autores proponen un marco híbrido diseñado específicamente para estos carbonatos complejos. Primero, ejecutan las fórmulas industriales habituales, que convierten mediciones como ondas sísmicas en la roca, resistividad eléctrica y el comportamiento de perforación en estimaciones de presión de poro y de la presión necesaria para fracturar la roca. En lugar de aceptar estas estimaciones tal cual, el nuevo enfoque añade una Capa de Calibración Adaptativa que examina las pocas lecturas de presión de alta calidad disponibles y reconfigura suavemente las curvas tradicionales con la profundidad. Este paso conserva las tendencias físicas generales suaves al tiempo que corrige sesgos locales introducidos por texturas de roca o condiciones de fluidos inusuales.

Una capa inteligente que se ajusta con la profundidad

La Capa de Calibración Adaptativa actúa como un puente flexible entre las ecuaciones de libro y los datos reales. A cada profundidad, aprende cuánto confiar en cada método clásico comparando su predicción con mediciones directas cercanas. Luego asigna un peso dependiente de la profundidad que empuja la curva clásica hacia la realidad sin permitir oscilaciones bruscas. Estas salidas corregidas se alimentan, junto con los registros de pozo estándar y los parámetros de perforación, a un modelo de aprendizaje potenciado por gradientes. Este motor de aprendizaje automático se especializa en reconocer patrones no lineales sutiles, pero está anclado por las entradas calibradas y físicamente coherentes, reduciendo el riesgo de sobreajuste a datos ruidosos o limitados.

Predicciones más precisas y márgenes de seguridad más claros

Para probar el marco, el equipo lo aplicó a seis pozos en un yacimiento de gas carbonatado frente a la costa de Irán. En comparación con su desempeño antes de la calibración, las fórmulas tradicionales mejoraron sustancialmente tras ajustarse con mediciones directas. Aun así, el modelo híbrido rindió notablemente mejor, reduciendo los errores típicos de predicción en alrededor del 60 por ciento y llevando el coeficiente de ajuste a valores cercanos a los que normalmente se observan solo en rocas clásticas bien comportadas. Un módulo adicional de incertidumbre perturba repetidamente los datos de entrada y reentrena el modelo para construir un conjunto de perfiles de presión posibles. A partir de esto, el método produce una banda de confianza por profundidad que suele tener apenas unas décimas de megapascal de ancho, proporcionando a los perforadores una sensación cuantificada del margen de maniobra disponible.

Qué significa esto para una perforación más segura y económica

Para un público no especialista, el mensaje central es sencillo: este método híbrido ofrece a los ingenieros de perforación una imagen más clara de dónde se sitúan realmente las presiones subsuperficiales y de cuánta confianza pueden tener en esos valores. Al reducir la incertidumbre tanto sobre la presión del fluido en la roca como sobre la presión que la fracturaría, los operadores pueden diseñar programas de lodo menos conservadores pero seguros, evitando tanto entradas de fluido como pérdidas costosas de lodo de perforación. En yacimientos carbonatados complejos, donde las reglas empíricas tradicionales fallan con frecuencia, combinar modelos basados en la física con calibración adaptativa y aprendizaje automático ofrece una vía práctica hacia decisiones de perforación más seguras y eficientes.

Cita: Tahvildari, S.P., Shojaei, S. & Masihi, M. A physics-informed hybrid ML framework for pore pressure and fracture gradient prediction in carbonate reservoirs. Sci Rep 16, 8925 (2026). https://doi.org/10.1038/s41598-026-41773-z

Palabras clave: predicción de presión de poro, gradiente de fractura, yacimientos carbonatados, aprendizaje automático híbrido, estabilidad del pozo