Andrei Felipe Lozano, Tatiana Juliao-Lemus, Edgar Ricardo Pérez, Ayerim Antonieta Obando-Yaguas
{"title":"Revisión de técnicas microscópicas para modelos digitales de roca","authors":"Andrei Felipe Lozano, Tatiana Juliao-Lemus, Edgar Ricardo Pérez, Ayerim Antonieta Obando-Yaguas","doi":"10.18273/revbol.v44n1-2022008","DOIUrl":null,"url":null,"abstract":"Los yacimientos no convencionales (roca generadora) representan una nueva etapa en la exploración y explotación de petróleo y gas a nivel mundial, y su caracterización petrofísica sigue siendo un desafío, debido a las bajas permeabilidades, los altos niveles de heterogeneidad y la dificultad de adaptación de las técnicas convencionales. La petrofísica digital surge como una alternativa que aprovecha los últimos avances en la microscopía electrónica, la tomografía computarizada y el procesamiento computacional para, a través de métodos numéricos y algoritmos de conteo de vóxel, estimar las propiedades petrofísicas en lo que se denomina un modelo de roca digital. En este trabajo se realiza una revisión de las técnicas de caracterización digital y su aplicación en muestras de yacimientos no convencionales pertenecientes a la Formación Vaca Muerta (Argentina) y Formación La Luna (Colombia). Con esta tecnología es posible visualizar el espacio poroso a escala micro- y nanométrica, con el fin de obtener información cualitativa (tipos de poro y microfracturas) y cuantitativa (porosidad, permeabilidad absoluta, distribución de tamaño de poro, cantidad de materia orgánica y propiedades petrofísicas avanzadas). Los resultados obtenidos indican que las muestras FIB-SEM se encuentran por debajo del volumen elemental representativo y que las muestras digitales con mayores dimensiones, aunque más representativas, requieren de una mayor capacidad computacional. El escalamiento de las propiedades petrofísicas, la falta de conectividad del medio poroso y la baja representatividad son las principales limitantes presentes en la tecnología. Sin embargo, su potencial aumenta conforme la inteligencia artificial, la simulación y el machine learning toman fuerza en la industria del petróleo.","PeriodicalId":44188,"journal":{"name":"Boletin de Geologia","volume":" ","pages":""},"PeriodicalIF":0.5000,"publicationDate":"2022-01-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Boletin de Geologia","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.18273/revbol.v44n1-2022008","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"GEOLOGY","Score":null,"Total":0}
引用次数: 0
Abstract
Los yacimientos no convencionales (roca generadora) representan una nueva etapa en la exploración y explotación de petróleo y gas a nivel mundial, y su caracterización petrofísica sigue siendo un desafío, debido a las bajas permeabilidades, los altos niveles de heterogeneidad y la dificultad de adaptación de las técnicas convencionales. La petrofísica digital surge como una alternativa que aprovecha los últimos avances en la microscopía electrónica, la tomografía computarizada y el procesamiento computacional para, a través de métodos numéricos y algoritmos de conteo de vóxel, estimar las propiedades petrofísicas en lo que se denomina un modelo de roca digital. En este trabajo se realiza una revisión de las técnicas de caracterización digital y su aplicación en muestras de yacimientos no convencionales pertenecientes a la Formación Vaca Muerta (Argentina) y Formación La Luna (Colombia). Con esta tecnología es posible visualizar el espacio poroso a escala micro- y nanométrica, con el fin de obtener información cualitativa (tipos de poro y microfracturas) y cuantitativa (porosidad, permeabilidad absoluta, distribución de tamaño de poro, cantidad de materia orgánica y propiedades petrofísicas avanzadas). Los resultados obtenidos indican que las muestras FIB-SEM se encuentran por debajo del volumen elemental representativo y que las muestras digitales con mayores dimensiones, aunque más representativas, requieren de una mayor capacidad computacional. El escalamiento de las propiedades petrofísicas, la falta de conectividad del medio poroso y la baja representatividad son las principales limitantes presentes en la tecnología. Sin embargo, su potencial aumenta conforme la inteligencia artificial, la simulación y el machine learning toman fuerza en la industria del petróleo.