Modelado de propiedades de yacimiento impulsado por aprendizaje automático del yacimiento AEB-3E en el campo Berenice, Egipto

Por qué importa esta historia del subsuelo

El petróleo y el gas pueden parecer cosa del pasado, pero el mundo sigue dependiendo en gran medida de ellos. La forma en que localizamos y gestionamos estos recursos subterráneos afecta no solo a la seguridad energética, sino también a cuánto son necesarios realmente nuevos pozos. Este estudio analiza un yacimiento en Egipto y plantea una pregunta sencilla con un giro de alta tecnología: ¿puede el aprendizaje automático moderno ayudarnos a construir una imagen más clara de las capas rocosas ocultas usando datos muy limitados, de modo que las empresas puedan tomar decisiones más inteligentes y menos derrochadoras?

El paisaje oculto bajo el desierto

En lo profundo del Desierto Occidental de Egipto, el campo petrolero Berenice contiene una pila de capas rocosas formadas en ríos antiguos y mares someros. La capa de interés, denominada AEB-3E, está compuesta por areniscas y lutitas dispuestas en un patrón complejo, cortadas y desplazadas por fallas. Estas fracturas en la roca pueden atrapar fluidos en compartimentos separados, de modo que un pozo puede parecer prometedor mientras otro cercano no lo es. Esa heterogeneidad dificulta predecir cuánto petróleo o agua hay entre los pocos pozos existentes y con qué facilidad pueden fluir los fluidos a través de la roca.

Pistas de pozos y ecos sísmicos

Los investigadores partieron de solo cuatro pozos, cada uno registrando cómo cambian con la profundidad distintas propiedades de la roca: radiactividad, densidad, velocidad del sonido, conductividad eléctrica y contenido de hidrógeno. A partir de estas mediciones calcularon tres rasgos clave que controlan la utilidad de la roca como yacimiento: cuánto material rico en arcilla contiene, cuánto espacio poroso hay disponible para almacenar fluidos y qué fracción de ese espacio está ocupada por agua en lugar de hidrocarburos. Luego emparejaron estos perfiles de pozo con una rejilla tridimensional y los combinaron con datos sísmicos 3D, que actúan como escáneres médicos del subsuelo, revelando estructuras y cambios sutiles entre pozos.

Dejar que un conjunto de modelos aprenda los patrones

En lugar de apoyarse únicamente en métodos estadísticos tradicionales, que asumen cambios espaciales relativamente suaves y previsibles, el equipo usó un flujo de trabajo llamado EMBER. Entrena muchos modelos de árboles de decisión a la vez, permitiéndoles aprender cómo las combinaciones de patrones sísmicos y mediciones de pozo se relacionan con la calidad de la roca en ubicaciones conocidas. Al mismo tiempo, toma ideas de la geoestadística para mantener los resultados geológicamente razonables, preservando la continuidad a lo largo de las capas y a través del campo. Para cada pequeño bloque en la rejilla 3D, el método no solo ofrece una respuesta única sino un rango completo de valores posibles, describiendo tanto la mejor estimación como cuánta incertidumbre acompaña a esa estimación.

Qué dicen los modelos sobre este yacimiento

Los mapas resultantes dibujan la AEB-3E como mayormente arenisca limpia con contenido de arcilla relativamente bajo y una capacidad de porosidad de moderada a buena. Las zonas con menos arcilla tienden a coincidir con mayor capacidad de almacenamiento y menor contenido de agua, resaltando áreas más atractivas para la producción. Los cortes transversales del modelo muestran que estas zonas favorables son lateralmente continuas en algunos lugares, pero también están moldeadas por fallas y por cambios sutiles en los ambientes fluviales y de costa originales. Las simulaciones indican además que la incertidumbre es generalmente baja a moderada, pero aumenta cerca de las fallas y en regiones alejadas de cualquier pozo, donde el modelo debe apoyarse más en los patrones sísmicos por sí solos.

Beneficios, límites y qué significa en la práctica

El estudio sugiere que combinar aprendizaje automático con datos sísmicos y de pozos puede acelerar el modelado de yacimientos y reducir la cantidad de ensayo y error manual, incluso cuando solo hay unos pocos pozos disponibles. En el campo Berenice, el enfoque identifica una zona suroeste que parece especialmente prometedora pero aún sin perforar, ofreciendo un objetivo focalizado para trabajos futuros. Al mismo tiempo, los autores subrayan que sus conclusiones son preliminares: con solo cuatro pozos, cualquier predicción distante de esos puntos de datos debe tomarse con cautela y verificarse con nuevos pozos o información de producción. Para los lectores, la lección es que herramientas digitales más inteligentes pueden ayudar a las empresas energéticas a aprovechar mejor los datos existentes, acotar dónde la perforación nueva está más justificada y entender mejor las incertidumbres que aún permanecen bajo nuestros pies.

Cita: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

Palabras clave: modelado de yacimientos, aprendizaje automático, datos sísmicos, Desierto Occidental de Egipto, propiedades petrofísicas