Un flujo de trabajo revolucionario para la evaluación de depósitos de petróleo: integración de espectroscopia VNIR-LWIR y aprendizaje automático

En el campo de la exploración geológica, cómo encontrar las muestras más críticas de cientos de metros de largo de roca de manera rápida y precisa siempre ha sido un gran desafío. Un estudio sobre depósitos de petróleo y gas en Arabia Saudita muestra una solución prometedora.

En el campo de la exploración geológica, identificar rápidamente y con precisión las muestras más críticas de cientos de metros de núcleo ha sido durante mucho tiempo un desafío significativo. Un estudio centrado en los depósitos de hidrocarburos en Arabia Saudita demuestra una solución muy prometedora.

Nota:

Exploración geológicaSe refiere a una serie de investigaciones e investigaciones integrales llevadas a cabo para identificar la situación geológica subterránea y explorar recursos minerales (como petróleo y gas, minerales, aguas subterráneas, etc.). Para el campo del petróleo y el gas, la tarea central de la exploración geológica es determinar las áreas favorables para la acumulación de petróleo y gas y, en última instancia, localizar los depósitos de petróleo y gas disponibles para la explotación.

Depósitos de petróleo y gasEs una formación rocosa subterránea con espacios de almacenamiento (poros, grietas) y capacidad de filtración de fluidos (permeabilidad), en los que se almacenan petróleo y gas. Es uno de los elementos centrales de la formación de depósitos de petróleo y gas. Los tipos de rocas de los depósitos de petróleo y gas más comunes son arenisca y carbonatos (como piedra caliza y dolomita).

A través de la exploración geológica, se descubren, delimitan y evalúan depósitos de petróleo y gas de valor comercial.

Nota:

Exploración geológicaSe refiere a una serie de investigaciones exhaustivas y actividades de investigación realizadas para comprender las condiciones geológicas subterráneas y explorar recursos minerales (como petróleo, gas, minerales, aguas subterráneas, etc.). En el contexto de la industria petrolera, el objetivo principal de la exploración geológica es identificar áreas favorables a la acumulación de hidrocarburos y, en última instancia, localizar depósitos de petróleo y gas explotables.

Un depósito de hidrocarburoses una unidad rocosa subterránea que posee espacio de almacenamiento (poros, fracturas) y la capacidad de permitir el flujo de fluido (permeabilidad); Los hidrocarburos se almacenan en estos espacios. Es uno de los elementos centrales para la formación de una acumulación de hidrocarburos. Los tipos de roca más comunes para los depósitos de hidrocarburos son piedras areniscas y carbonatos (por ejemplo, piedra caliza, dolomita).

El propósito de la exploración geológica es descubrir, delinear y evaluar depósitos de hidrocarburos comercialmente viables.

Mapa de columnas petroestratigráficas integrales de las litofacies expuestas en la zona de estudio (wadi daqlah) the generalized lithostratigraphy of exposed facies in the study area (Wadi Daqlah)

"Rango espectral"

La base técnica central de este estudio es la imagen hiperespectral de banda completa, que cubre un amplio rango desde la luz visible hasta el infrarrojo de onda larga:

Luz visible - infrarrojo cercano (vnir, 400 - 1000 nm): sensible principalmente a elementos metálicos de transición como los iones de hierro (fem2) en las rocas. Al calcular el índice de hierro, se pueden evaluar rápidamente los cambios en la composición química de las rocas.

Infrarrojo de onda corta (swir, 1000 - 2500 nm): posición del valle de absorción característico de calcita y dolomita en esta región, con un desplazamiento pequeño pero estable de unos 20 nanómetros (calcita a 2345 nm, dolomita a 2325 nm). Esta diferencia es la clave para cartografiar la distribución de minerales de manera rápida y precisa.

Infrarrojo de onda media (mwir, 3 - 7 μm)yInfrarrojo de onda larga (lwir, 8 - 14 μm): contiene información más compleja sobre la Vibración molecular de los minerales de carbonatos. Al fusionar los datos de estos tres intervalos infrarrojos, este estudio ha podido captar matices no reconocibles solo por swir y relacionados con la estructura cristalina y el tamaño de las partículas de la roca, distinguiendo así con éxito las Dolomitas de diferentes estructuras.

“Rango espectral”

La base técnica principal de este estudio es la imagen hiperespectral de gama completa, que cubre un amplio espectro desde lo visible hasta el infrarrojo de onda larga:

Infrarrojos visibles cercanos (VNIR, 400-1000 nm)Este rango es principalmente sensible a elementos metálicos de transición como el hierro ferroso (Fe²). ⁺) en rocas. El cálculo de un índice de hierro permite una rápida evaluación de los cambios en la composición química de la roca.

Infrarrojo de onda corta (SWIR, 1000-2500 nm)Un hallazgo clave del estudio es el desplazamiento consistente de aproximadamente 20 nanómetros en las posiciones de absorción mínima características entre calcita y dolomita en esta región (calcita ~ 2345 nm, dolomita ~ 2325 nm). Esta diferencia es crucial para mapear rápidamente y con precisión la distribución de minerales.

Infrarrojo de onda media (MWIR, 3-7μm)yInfrarrojos de onda larga (LWIR, 8-14)μm)Estos rangos contienen información de vibración molecular más compleja de minerales carbonatos. Al integrar datos de estos tres intervalos infrarrojos, el estudio pudo detectar sutiles diferencias relacionadas con la estructura cristalina de la roca y el tamaño del grano que son indistinguibles usando SWIR solo, diferenciando con éxito dolomitas con texturas variables.

Características espectrales de la dolomita (verde) y la calcita (azul): la posición del pico de absorción característico de la dolomita es de aproximadamente 2325 nm, y la posición del pico de absorción característico de la calcita es de aproximadamente 2345 nm.

Firma espectral de dolomita (verde) y calcita (azul) con posición de banda de absorción característica alrededor de 2325 nm (línea verde discontinua) para dolomita y 2345 nm (línea azul discontinua) para calcitas.

"Flujo de trabajo de análisis de datos basado en imágenes hiperespectrales"

El muestreo geológico tradicional puede considerarse como un modelo "impulsado por la experiencia", que depende en gran medida de la observación a simple vista y el juicio subjetivo de los expertos. Este estudio propone un conjunto de soluciones "impulsadas por datos" más objetivas, eficientes y repetibles, cuyo flujo de trabajo refleja claramente la lógica de análisis, desde macro hasta micro:

Primer paso:Escaneo global, mapeo de minerales. El equipo de investigación primero utilizó las características de la banda swir para escanear rápidamente el núcleo de 50 metros de largo, generando un mapa de distribución mineral de alta precisión y definiendo claramente el área objetivo de la dolomitización.

Paso 2:Identificar diferencias estructurales. después de bloquear la región de dolomita, el sistema es capaz de ampliar esas diferencias espectrales finas relacionadas con la estructura cristalina y el tamaño de las partículas mediante la integración de la información espectral de swir, mwir y lwir, y utilizando el algoritmo de análisis de componentes principales (pca). Estas diferencias no se pueden distinguir a simple vista.

Paso 3:Localizar el mejor punto de muestreo. basado en diferencias espectrales, el algoritmo de agrupación K - media divide automáticamente los píxeles de dolomita en cuatro categorías. Posteriormente, el sistema contabiliza los centros espectrales de cada categoría y recomienda la ubicación de los núcleos más cercanos a estos centros como puntos representativos de muestreo.

Flujo de trabajo impulsado por datos basado en imágenes hiperespectrales

El muestreo geológico tradicional puede considerarse un modelo "basado en la experiencia", que depende en gran medida de la observación visual y el juicio subjetivo de los expertos. Este estudio propone una solución "basada en datos" más objetiva, eficiente y reproducible. El flujo de trabajo muestra claramente una lógica analítica que progresa de macro a micro:

1. Escaneo completo y mapeo de minerales:El equipo de investigación utilizó por primera vez las características espectrales SWIR para escanear rápidamente el núcleo de 50 metros, generando un mapa de distribución de minerales de alta precisión que delineaba claramente las zonas dolomitizadas objetivo.

2.Identificación de diferencias textualesDespués de identificar las regiones de dolomita, el sistema amplificó sutiles diferencias espectrales relacionadas con la estructura cristalina y el tamaño del grano mediante la integración de información espectral de SWIR, MWIR y LWIR y la aplicación del Análisis de Componentes Principales (PCA). Estas diferencias son totalmente indetectables a simple vista.

3. Localización de puntos de muestreo óptimosBasándose en las diferencias espectrales, el algoritmo de agrupamiento de K-medias clasificó automáticamente los píxeles de dolomita en cuatro categorías. El sistema calculó entonces el centroide espectral para cada categoría y recomendó las ubicaciones del núcleo más cercanas a estos centroides como los puntos de muestreo más representativos.

R. matriz de confusión estandarizada que muestra los resultados de la clasificación estructural de la dolomita basada en el análisis petrográfico y el análisis de imágenes hiperespectrales (comparación). Mapa de análisis de correlación entre el índice de hierro calculado por imágenes hiperespectrales y la concentración de hierro para muestras del mismo punto de muestreo del núcleo (esta muestra se utiliza simultáneamente para pruebas de laboratorio ICP - oes).

A. Matriz de confusión normalizada que muestra la clasificación de la textura de la dolomita a partir del análisis petrográfico y la clasificación basada en HSI. B. Correlación entre el índice de hierro derivado de HSI y la concentración de Fe para las mismas muestras de tapón utilizadas para las mediciones de laboratorio ICP-OES.

Clasificación y distribución de diferentes tipos de Dolomitas a lo largo del núcleo. Las Dolomitas de todas las categorías se encuentran en la banda B. visible infrarrojo cercano - infrarrojo de onda corta (vnir - swir), la Banda c. infrarrojo de onda media (mwir) y la banda D. infrarrojo de onda larga (lwir).

A. Clasificación y distribución de los diferentes tipos de dolomitas a lo largo del núcleo de perforación. Espectros representativos para cada clase en el VNIR-SWIR (B), MWIR (B) y LWIR (C).

"Conclusión"

En resumen, lo más destacado de este trabajo es que muestra un flujo de trabajo completo impulsado por datos desde el escaneo global hasta el muestreo, proporcionando nuevas ideas para la investigación geológica; Al mismo tiempo, rompe con la rutina y logra una caracterización fina de las rocas carbonatadas desde el reconocimiento mineral hasta la clasificación estructural mediante la integración de datos multibanda vnir - swir - mwir - lwir.

Esto no solo tiene un valor directo para la industria del petróleo y el gas, sino que también señala la dirección para futuras caracterizaciones finas en campos como la exploración mineral.

¡Si desea conocer el sistema de imágenes hiperespectrales de la banda visible - infrarrojo cercano, infrarrojo de onda corta e incluso infrarrojo de onda media o infrarroja de onda larga, ¡ Póngase en contacto con nosotros!

“Conclusión”

En resumen, los puntos destacados de este documento son dobles: demuestra un flujo de trabajo completo impulsado por datos desde el escaneo de escena completa hasta el muestreo, proporcionando un nuevo paradigma para la investigación geológica; Además, rompe con la convención mediante la integración de datos multibanda VNIR-SWIR-MWIR-LWIR para lograr una caracterización fina de las rocas carbonatadas, progresando desde la identificación de minerales hasta la clasificación de texturas.

Esto tiene un valor directo para la industria petrolera y también señala el camino para una caracterización detallada en aplicaciones futuras como la exploración de minerales.

Si está interesado en sistemas de imágenes hiperespectrales que cubran los rangos VNIR, SWIR o incluso MWIR y LWIR, ¡no dude en ponerse en contacto con nosotros!

TesisArtículo:

Gairola, G. S., Thiele, S. T., Khanna, P., Ramdani, A. I., Gloaguen, R., y Vahrenkamp, V. (2024). Un método hiperespectral impulsado por datos para el muestreo de tejidos de carbonato diagenético – Un estudio de caso utilizando un análogo afloramiento de depósitos árabes-D del Jurásico, Arabia Saudita. Geología marina y petrolera, 161, 106691.