Evaluación integral de las propiedades portadoras de gas en yacimientos de basamento ultraprofundos basada en una máquina de vectores de soporte optimizable

Buscando gas en las rocas más profundas

Muy por debajo de la superficie terrestre, en rocas que antes se consideraban demasiado antiguas y compactas para ser relevantes, los geólogos están encontrando nuevas reservas de gas natural. Estas rocas de “basamento” ultraprofundas se encuentran a más de seis kilómetros de profundidad, donde el calor, la presión y la complejidad litológica dificultan saber dónde se esconde el gas. Este estudio explora cómo un tipo de aprendizaje automático puede filtrar mediciones confusas de esas profundidades para identificar qué capas rocosas realmente contienen gas, ayudando a las compañías a perforar menos pozos secos y a gestionar estos yacimientos difíciles con mayor seguridad.

Un nuevo tipo de objetivo para gas profundo

La investigación se centra en el Bloque K2 de la cuenca de Qaidam en China, hogar del primer yacimiento de gas de basamento ultraprofundo del mundo con una profundidad de enterramiento superior a 6.500 metros. Aquí, el gas no se almacena en las areniscas habituales sino en antiguos macizos de basamento fracturados como el gneis y la diorita. Estas rocas están recorridas por redes de fracturas naturales y zonas meteorizadas que pueden almacenar y transmitir gas. El gas procedente de rocas generadoras jurásicas más jóvenes ha migrado hacia abajo a lo largo de fallas hasta estas zonas de basamento fracturado, acumulándose en trampas donde el gas se sitúa por encima de agua de formación salina. Debido a la gran heterogeneidad de las rocas, las mediciones realizadas en el pozo responden más a cambios litológicos que a si los poros están llenos de gas o de agua.

Por qué las herramientas tradicionales se quedan cortas

En muchos yacimientos más someros, los ingenieros confían en la comparación simple de dos curvas de porosidad —neutrón y densidad— para detectar gas: las curvas se cruzan de una forma característica cuando hay gas presente. En el basamento del Bloque K2, esta regla empírica falla. Algunas rocas ácidas tienen por sí mismas baja densidad y bajo contenido de hidrógeno, imitando la “firma de gas” incluso cuando no hay gas. Otras rocas alteradas por calor y fluidos muestran alto contenido de hidrógeno y un comportamiento de densidad diferente, volviendo a confundir la interpretación. Como resultado, las curvas familiares se solapan o se desplazan de maneras que no siguen de forma fiable el tipo de fluido, haciendo casi imposible trazar líneas claras entre capas ricas en gas y secas solo a simple vista.

Enseñar a una máquina a leer las rocas

Para superar este problema, el equipo recurre a una máquina de vectores de soporte optimizable, un conocido método de aprendizaje automático adecuado para conjuntos de datos pequeños pero complejos. En lugar de depender de un único patrón, el modelo incorpora varias mediciones de registro simultáneamente, incluyendo rayos gamma naturales, tiempo de tránsito sónico, densidad de la roca, respuesta de neutrones, resistividades eléctricas profunda y superficial, y lecturas de hidrocarburos totales del registro de gas. Cada punto de profundidad en los pozos se etiqueta como capa de gas fuerte, capa con gas débil o capa seca usando resultados reales de pruebas de producción. El algoritmo busca entonces la mejor forma de separar estos tres grupos en un espacio de alta dimensión, ajustando automáticamente parámetros clave para equilibrar precisión y fiabilidad.

Qué tan bien funciona el enfoque en pozos reales

Después de entrenar con cientos de muestras de profundidad, el modelo clasifica correctamente más del 97 % de los datos de entrenamiento y alrededor del 95 % de los datos de prueba independientes, con puntuaciones de rendimiento que indican una separación muy fuerte entre categorías. Aplicadas a pozos existentes en distintas posiciones estructurales, las predicciones del modelo coinciden estrechamente con el comportamiento real de producción: los pozos situados en la parte alta de la estructura, donde el modelo detecta capas gruesas de gas, muestran una producción de gas fuerte y estable con poca agua; los pozos más bajos, con zonas de gas predichas más delgadas y menor “altura” sobre el contacto gas–agua, presentan caudales de gas menores y una aparición temprana de agua. En un pozo nuevo que no formó parte del entrenamiento, la herramienta orientó la elección del intervalo de perforación en la parte superior y media del basamento. Ese intervalo produjo más de 200.000 metros cúbicos de gas por día sin agua, confirmando el valor práctico de las predicciones.

Una hoja de ruta para perforaciones profundas más inteligentes

A partir de estos resultados, los autores proponen un flujo de trabajo paso a paso: seleccionar y limpiar cuidadosamente los datos; definir categorías coherentes de capa con gas, con gas débil y seca vinculadas a la productividad real; entrenar y ajustar el modelo de aprendizaje automático; comparar las capas de gas predichas entre pozos; y luego verificar y actualizar el modelo con datos de producción continuos. Para los operadores, el mensaje es claro. En rocas de basamento ultraprofundas y difíciles, donde las reglas antiguas fallan, un modelo de aprendizaje automático bien entrenado que combine múltiples señales de registro puede ofrecer una imagen más nítida de dónde se encuentra realmente el gas y qué intervalos son más seguros de abrir, apoyando un desarrollo más eficiente y mejor informado de estos recursos desafiantes.

Cita: Huang, X., Tang, J., Zhao, J. et al. Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine. Sci Rep 16, 15492 (2026). https://doi.org/10.1038/s41598-026-53786-9

Palabras clave: yacimiento de gas ultraprofundo, rocas del basamento, análisis de registros de pozo, máquina de vectores de soporte, predicción de presencia de gas