Upload
truongtuong
View
217
Download
1
Embed Size (px)
Citation preview
Using SAS in Petrobras to Rock-ReservoirCharacterization with Emphasis on Rock-Log
Correlation.
Geologist Nelson Pereira Franco FilhoPETROBRAS S.A. (UN-BC/ST/CER)
[email protected] (55-22-2761.3123)
Challenge to the Business
APPLICATIONS
StatisticsTechniques
The uncertainty or certainty ofthe potential volume to storagehydrocarbons in reservoirs.
Multiplicity of measures turns dataredundants in different scales.
Up-scaling
To organizedatabases
Cross-scaling
To transformdata
To classifysampling data
To classifydiscrets data
PhysicalRockProperties.
To estimateparameters
Petrobras SAS Geological Applications
Up-scaling
To organizedatabases
Cross-scaling
To transformdata
To classifysampling data
To classifydiscrets data
PROCs REG, NLIN, CORR
DATA STEP, QUERY
PROCs DISCRIM,FREQ
PROCs FASTCLUS,FREQ
PROC STANDARD
To estimateparameters
Thin PayVOIPDepth x Time conversion
Geological ModelingNTG Map
Saving &Access Facilities
VOIP
Geological ModelingNTG Map
DT/RHOB synthetics curves in non logging interval to helpsynthetic sismogram.
APPLICATIONS
Cross-scaling
0
10
20
30
40
50
Porosidade Sintetica
0 10 20 30 40 50
PROC REG
1,5
1,61,7
1,81,9
2,02,1
2,2
2,32,4
2,52,6
2,72,8
2,9
663
754
844
935
1025
1116
1207
1297
1388
1478
1569
1660
1750
1841
1931
2022
2113
2203
2294
2384
2475
2566
2656
2747
2837
2928
3019
3109
3200
3290
3381
3472
Depth (m)
Den
sity
(g/c
m3 )
RHOB
RHOBSFr = 0,772r = 0,795
r = 0,924r = 0,608
r = 0,907r = 0,992
r = 0,978
APPLICATIONS
To estimateparameters
PROC NLIN, PROC CORR
Pc x Sw calibrationsArchie’s m,n estimates
It based in non-linear regression methods(PROC NLIN using non-derivative method=DUD).
Modified Simandoux WaterSaturation Equation
proc NLIN data=DADOS method=DUD ;parms eme=2
ene=2 ;
model Rt1 = Eq1 + Eq2 ;
EQ1 = ((PHI ** EME) * (SW ** ENE)) / (1 * RW * (1 - VSH));
EQ2 = ((VSH * SW * (1 / RSH))) ;
bounds 1 <= m <= 5, 1 <= n <= 6 ;
output out=RT_out p=RTS r=RESRT ;run ;
proc CORR data=RT_out ;var RT1 RTS ;run ;
APPLICATIONS
Sandstones 3.0 meters thickness associated withSandstone/Shale Interlaminated Lithofacies.
Sand levels: 20/30cm thickness, φ = 27%, K > 600 mD e Vsh < 2%.
Cross-scaling
PROC REG
5m
GRDT
CALI
ILD
RHOBNPHI
SW
APPLICATIONS
Cross-scaling
PROC REG
RshaleRsandRt111
+=
Synthetic PARN and Deep Resistivity ILD – PROC REG
FaciesFacies ProportionProportionDefinedDefined byby Cores Cores oror
ImageImage LogsLogs
APPLICATIONSTo organize
databases
DATA STEP, QUERYLab data,Log data,
Sismic data,Well tests data
Infile/input,Merge,
Pointers (/, @, @@)RoundMacros
If/then/elseLag
APPLICATIONS
To transformdata
PROC STANDARD
( )μ
σ+
−Φ=Φ
sx
STD elomod._
PROC STANDARD data=DATA means= 0.30 std=5,4;VAR PhiSss;RUN;
Neutron/Density Porosity(Petroworks Model)
0
50
100
150
200
250
300
350
400
17 19 21 23 25 27 29 31 33 35 37
More
Classes of Porosity (%)
Freq
uenc
y
Standardized Porosity
Core Porosity
Neutron/Density Porosity
( )65
*5,50*5,14 DssNsse
φφφ
+=
APPLICATIONS
To transformdata
PROC STANDARD( )[ ]CPtt
tttVsht
maF
mamashe
1..
Δ−ΔΔ−Δ−Δ−Δ
=Φ
( )μ
σ+
−Φ=Φ
sx
STD elomod._
Wyllie Equation
0,000,05
0,100,15
0,200,25
0,300,35
0,400,45
0,500,55
0,600,65
1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171
Ranking of Observation
Poro
sity
(fra
ção)
Neutron/Density Porosity
Sonic Porosity
Standardized Sonic Porosity
Well 2 Well 3Well 1
405060708090
100110120130140150160170180190200210220230240250
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00Density Porosity (fraction)
Slow
ness
us/
ft
Type=1 IntergranularType=2 Chaotic VugularType=3 ClasticsType=3 Microporous and ClasticsType=4 Vugular within matrix
APPLICATIONS
To classifysampling data
DATA STEP,PROC DISCRIM
Porous FaciesGamma
Ray Sonic ResistivityIntergranular 16 - 24 100 - 113 10 - 30
Vugular 0 - 35 50 - 150 3 - 50
Microporous28-38 and >
45 80 - 120 0,1 - 3
Practical Uses of Rock-Log1) Help to describe geological model, using non-core
wells.2) Automatic recognition of log features by mathematical
models (cluster and discrim models).3) Help to define layer boundaries.4) Statistical analyses show where is the variance
content in log values and its power of recognition.5) Custom program contain an appropriate methodology
to apply of the same way for non-technical user.6) Join lab and log analysis at same scale (up-scalling).7) Usefull to fill geostatistical reservoir volume.
Case of Rock-Log Correlation
CarbonatesCarbonates of of GreatGreat BahamaBahama andandExuma Exuma BanksBanks
ELECTROFACIESELECTROFACIESLITHOFACIESLITHOFACIESXX
DirectDirect core rock core rock typestypes IndirectIndirect reconizingreconizing of of rocksrocksbyby geophysicsgeophysics logslogs
Rock-Log Correlation
PRACTICAL DIFICULTIES:PRACTICAL DIFICULTIES:
•• SeveralSeveral LITHOFACIES LITHOFACIES cancan presentpresent similar similar valuesvalues in in samesame loglog..
•• In In samesame LITHOFACIES LITHOFACIES thethe valuesvalues of of samesame loglog cancan changechangeaccordingaccording otherother variables:
SaturantSaturant fluidfluid BedBed thicknessthickness
WellWell geometrygeometry InvasionInvasion
PressionPression TemperatureTemperature
Recognizing Lithofacies
Poço Intv. Testo m Intv. Res.Poço 16 2644,0/2661,5 18,0 2662/2875
2679,5/2686,0 6,52688,0/2706,0 18,0
soma 42,0Poço 05 2914,0/2922,0 8,0 2900/3165
2923,5/2976,0 53,02979,0/3002,5 24,03005,5/3023,5 18,0
soma 102Poço 08 2579,0/2582,5 3,5 2550/2800
2593,0/2610,0 17,02646,5/2671,0 25,02675,5/2712,0 37,0
soma 82,0
Example – Data Base
Representativity (priors prop)
Fácies Lito Freqüência % LitologiaA1 CGL 60 4,10 CGLA2 ARN 317 21,64 ARN ECBA, ARN EPP, ARN MACA3 STO 157 10,72 SLTA4 FLH 119 8,12 FLHA5 MRG 7 0,48 MRGA6 CLU 2 0,14 CLUA7 ARN/FLH 7 0,48 MRG/FLHA8 SLX 5 0,34 SLXA9 AND 2 0,14 ANDR1 CRU BIO POR 307 20,96 BIO, COQR2 CRE BIO POR 18 1,23 BIO, COQ, PELBIOR3 CRU BIO/PEL FECH 296 20,20 BIO, COQ, CRU, PELBIOR4 CRE BIO FECH 97 6,62 BIO, COQ, CRE, PELBIOR5 CRE PEL POR 17 1,16 CRE, PELR6 CRE BIO/PEL FECH 38 2,59 CRE, PELBIO, PELR7 CSI POR 3 0,20 CSIR8 CSI FECH 10 0,68 CSIR9 CRE OOL 2 0,14 OO
R10 CRU PEL 1 0,07 PELTotal 1465 100,00
Sampling 0.2/0.2m = 293m of core descriptions
Methods to Group Lithofacies
LITHOGROUPS (LGs)
Lithogroup 1 = By Log Means Inferences.
Lithogroup 2 = Clusters by FASTCLUS.
Lithogroup 3 = First Discrim (using all lithofacies).
Lithogroup 4 = FASTCLUS + First Discrim + Log Means.
Lithogroup 5 = Geological Association of Lithofacies + Petrophysical Properties.
Lithogroup 6 = ALL OF ALTERNATIVES.
Facies-Groups by Log Means (LG 1)A4A1+A3+A7A2A5A6A8R1+R2R4+R5R3+R7R6R9+R10
A7A6+A8+R3+R5A3+A4+R6R9+R10R7+R2A1+A5A2R1+R4
A1+R1+R2+R7+R9+R10A3+R3+R4A4+R6A2+A5+A6+R5A7+A8
0
10
20
30
40
50
60
70
80
90
100
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R2 R3 R4 R5 R6 R7 R9 R10
Litofácies
GR
API
GR+desvGRGR-desv
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R2 R3 R4 R5 R6 R7 R9 R10
Litofácies
Neu
trão
fraçã
o
NPhi+desvNPhiNPhi-desv
-1,0-0,50,00,51,01,52,02,53,03,54,04,55,0
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R2 R3 R4 R5 R6 R7 R9 R10
Litofácies
DIF
CA
L po
l
difcal+desvdifcaldifcal-desv
-6-5-4-3-2-101234567
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R2 R3 R4 R5 R6 R7 R9 R10
Litofácies
drdn
adi
m
drdn+desvdrdndrdn-desv
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R2 R3 R4 R5 R6 R7 R9 R10
Litofácies
RHO
B g/
cm3
RHOB+desvRHOBRHOB-desv
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R2 R3 R4 R5 R6 R7 R9 R10
Litofácies
ene
adim
ene+desveneene-desv
R1+R2+R4+R9+R10A8+R7+R3A2+A4+R6A1+A5+A7A3A6R5
A4+A7+R5+R6A1+A5+A8+R1+R3+R4A6+R2+R7+R9+R10A2+A3
A1+A3+A5+A7A4+A6R1+R2+R3+R4+A8+R7+R9+R10
R5A2+R6
Facies-Groups by Clusters (Fastclus) (LG 2)
1 A2, R32 A4, R13 A3, A4, R34 A2, A3, A45 R66 R47 A2, A3, A4, A5, R68 R3, R49 A2, A3, A4, A7, R310 A2, A4, R3, R5, R611 A2, A3, R1, R3, R4, R612 A413 A2, A3, R3, R6 14 A3, A415 A2, R1, R3, R416 R3, R4, R617 A2, A418 R619 A2, R1, R3, R4, R5, R6
a) Clusters 1, 3, 4, 14 e 17 – A2, A3, A4 e R3.b) Clusters 5 and 18 – R6.c) R1 and R4 are associate in three clusters (11, 15 e 19).d) A6, R8, R9 e R10 without representativity.e) Clusters versus Facies : (r = 0,306).
A1 A2 A3 A4 A5 A6 A7 A8 A9 R1 R10 R2 R3 R4 R5 R6 R7 R8 R9 Total1 0 39 3 0 0 0 0 1 0 2 0 0 6 0 0 0 0 0 0 512 0 0 0 2 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 53 0 2 6 3 0 0 1 0 0 0 0 0 4 0 0 1 0 0 0 174 0 33 4 14 0 0 0 0 0 1 0 0 3 0 0 1 0 0 0 565 0 0 0 2 0 0 0 0 0 1 0 0 1 1 0 2 0 0 0 76 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 27 0 26 17 6 5 0 0 1 0 1 0 0 5 3 0 9 0 0 0 738 0 4 3 0 0 0 0 0 0 0 0 0 15 5 0 2 0 0 0 299 0 43 35 13 1 0 4 0 0 0 0 0 9 1 0 0 0 0 0 10610 0 2 0 2 0 0 0 0 0 0 0 0 5 0 2 2 0 0 0 1311 0 4 5 0 0 0 0 0 0 104 1 8 115 38 0 10 0 0 2 28712 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 513 0 23 4 1 0 0 0 0 0 2 0 0 3 2 0 3 0 0 0 3814 0 0 4 10 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 1715 0 9 1 0 0 1 0 0 0 9 0 0 20 7 1 1 0 0 0 4916 0 0 0 0 0 0 0 0 0 0 0 0 2 2 0 2 0 0 0 617 0 27 1 22 1 0 2 0 0 0 0 0 1 0 0 2 0 0 0 5618 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 319 0 11 0 0 0 0 0 3 0 47 0 0 28 9 5 7 0 1 0 111total 0 223 83 79 7 2 7 5 0 171 1 8 217 70 8 47 0 1 2 931
baixa ocorrência
CGLARN
STOFLH
MRGCLU
ARN/FLH
SLXAND
CRU POR
CRU PEL
CRE POR
CRU FECH
CRE FECH
CRE POR
CRE FECH
CSICRE O
OL
First Discriminant Analyse (all facies) (LG 3)
A2 A3 A4 A5 A6 A7 A8 R1 R10 R2 R3 R4 R5 R6 R8 R9 TotalA2 137 6 37 1 40 2 223
61,43 2,69 16,59 0,45 17,94 0,9 %A3 61 6 4 11 1 83
73,49 7,23 4,82 13,25 1,2 %A4 35 40 1 2 1 79
44,3 50,63 1,27 2,53 1,27 %A5 7 7
100 %A6 1 1 2
50 50 %A7 5 2 7
71,43 28,57 %A8 2 3 5
40 60 %R1 6 131 34 171
3,51 76,61 19,88 %R10 1 1
100 %R2 8 8
100 %R3 15 7 6 2 37 138 7 5 217
6,91 3,23 2,76 0,92 17,05 63,59 3,23 2,3 %R4 2 9 53 1 3 2 70
2,86 12,86 75,71 1,43 4,29 2,86 %R5 1 4 2 1 8
12,5 50 25 12,5 %R6 11 3 9 12 1 11 47
23,4 6,38 19,15 25,53 2,13 23,4 %R8 1 1
100 %R9 2 2
100 %Total 282 19 91 4 195 303 12 23 2 931
30,29 2,04 9,77 0,43 20,95 32,55 1,29 2,47 0,21 %
Facies-Groups
Lithogroups proposed byFASTCLUS + First Discrim + Log Means
1) A3 + A4 + A5 + A7 2) A2 + A13) R3 + R4 + R5 + R6 + A6 + A84) R1 + R2 + R7 + R8 + R9 + R10CRE O
OL
CRU PEL
CGL
MRGARN/FLH
CRU POR
CRE POR
CRU FECH
CRE FECH
CRE POR
SLX
FLH
CRE FECH
ARN
STO
CSI FECH
CLU
CSI POR
LG 4
Facies-Groups
LG 5 Geological Association of Lithofacies + Petrophysical Properties
1) R1
2) R2 + R5
3) R3 + R4 + R6
4) R7 + R8 + R9 + R10
5) A1 + A2
6) A3 + A4 + A5 + A7
7) A6 + A8 + A9
CRE OOL
CRU PEL
CSI POR
CGL
MRGARN/FLH
CRU POR
CRE POR
CRU FECH
CRE FECH
CRE POR
SLX
FLH
CRE FECH
ARN
STO
CSI FECH
CLUAND
0
20
40
60
80
100
120
140
40 60 80 100 120 140DT us/ft
GR
API
EFAC3=1EFAC3=2EFAC3=3EFAC3=4EFAC3=5
0
20
40
60
80
100
120
140
40 60 80 100 120 140DT us/ft
GR
API
EFAC2=1EFAC2=2EFAC2=3EFAC2=4EFAC2=5
0
20
40
60
80
100
120
140
40 60 80 100 120 140DT us/ft
GR
API
EFAC5=1EFAC5=2EFAC5=3EFAC5=4EFAC5=6
0
20
40
60
80
100
120
140
40 60 80 100 120 140DT us/ft
GR
API
EFAC4=1EFAC4=3EFAC4=5EFAC4=6EFAC4=8
Comparing Results1 – R1 + R72 – R2 + R33 e 4 – siliciclastics5 – without A6+A8+A96 - CMT
1 – R12 – without R2+R53 – R3 + R44 – sem R7+R85 e 6 – siliciclastics7 – without A6+A8+A98 - CMT
1 e 2 – siliciclastics3 – R3 + R44 – R1 + R25 - CMT
1 e 2 – siliciclastics3 – R1 + R74 – R2 + R3 + R45 - CMT
LG 5 LG 3
LG 4 LG 2
Conclusions/Recomendations
LG 2 and LG 3 seems the best results.The siliciclastics (facies A’s) must be grouped.GR, RHOB and DIFCAL were identify as the great variance logs (in this ordem).R3 and R4 seems, in logs, as siliciclastics.The sucess index (whit proporcinality) is about 70%.The facies A6, A8 and A9 can not be identifies.
• PROC FREQ to link clusters with litofacies.• Dynamic link (logs of results).
IndividuallyIndividually, , thethe loglog discriminantdiscriminant powerpower of of thethe lithofacieslithofacies is is oftenoftenmuchmuch limitedlimited..UsingUsing statisticalstatistical techniquestechniques, , thethe lithofacieslithofacies recognizingrecognizing becamebecameefectiveefective, , becausebecause provideprovide simultaneoussimultaneous analysisanalysis of of serveralserveral logslogs. .
CLUSTERCLUSTERANALYSESANALYSES
DISCRIMINANTDISCRIMINANTANALYSESANALYSES
AverageAverage LinkageLinkageCentrCentróóideideKK--meansmeans
Variância mVariância míínima de nima de WardWard
LinearLinearQuadraticQuadratic
TestTest of of CovarianceCovariance MatrixMatrixKNNKNN
CanonicCanonicLinear Linear stepstep--byby--stepstep
Statistical Techniques Employed
It is It is usedused in in nonnon--supervisionsupervision classificationclassification, , whenwhen no cores are no cores are avaliableavaliable. In . In thisthis case, case, thethe classificationclassification is is mademade in in termsterms of of loglogpropertiesproperties..
HighHigh GRGRFaciesFacies
LowLow GRGRFaciesFacies
HighHigh ResistivityResistivityFaciesFacies
EvenEven cancan bebe usingusing to determine to determine thethe ideal ideal numbernumber of of eletrofacieseletrofacies thatthatcancan bebe indetifyindetify. It. It’’s s necessarynecessary to use some to use some statistcalstatistcal parametersparameters::
Pseudo FPseudo F Pseudo Pseudo TT22 TreeTree diagramdiagramCCCCCC
Cluster Analyses
It is It is usedused in in supervisedsupervised classificationclassification, , whenwhen cores (cores (oror otherother rock rock typetypeclassificationclassification) are ) are avaliableavaliable. . TheThe logslogs are are usingusing to to createcreate a a functionfunction..
ThisThis functionfunction ((oror mathematicalmathematical modelmodel) is ) is apliyedapliyed in in nonnon--corescores wellswells to to classifyclassify thethe rockrock--typestypes..
Discriminant Analyses
If If avaliableavaliable, , whichwhich logslogs cancan bebe usedused for for thethe bestbest modelmodel of of recognizerecognize faciesfacies ? ?
HowHow manymany faciesfacies thethe logslogs cancan recognizerecognize ? ?
WhichWhich faciesfacies are are thesethese ??WhichWhich relationshiprelationship amongamong thesethese faciesfacies withwith original original faciesfacies ??HowHow thesethese faciesfacies cancan bebe defineddefined byby logslogs ((andand rock rock physicsphysics) ) propertiesproperties ??
Methodology Used
Basicamente eles se diferenciam pela maneira de medir a similariBasicamente eles se diferenciam pela maneira de medir a similaridade dade (distância) entre os grupos de amostras.(distância) entre os grupos de amostras.
AVERAGE LINKAGE:AVERAGE LINKAGE:A distância mA distância méédia dia éécalculada da distância calculada da distância entre cada amostra em um entre cada amostra em um cluster e todas as outras cluster e todas as outras amostras em outro cluster. amostras em outro cluster. Os dois clusters com Os dois clusters com menor distância mmenor distância méédia são dia são amalgamados em um novo amalgamados em um novo cluster.cluster.
Métodos de Agrupamento
A distância entre dois clusters A distância entre dois clusters éé definida como a distância Euclidiana definida como a distância Euclidiana entre dois centrentre dois centróóides ou mides ou méédias. Este mdias. Este méétodo todo éé mais robusto mais robusto ààpresenpresençça de a de outliersoutliers..
Métodos de Agrupamento - Centróide
KK--MEANS:MEANS:Este mEste méétodo deve ser usado quando jtodo deve ser usado quando jáá se conhece o nse conhece o núúmero K de mero K de clusters que se deseja criar. Inicialmente ele cria K clusters fclusters que se deseja criar. Inicialmente ele cria K clusters formados ormados aleatoriamente. A seguir ele reorganiza as amostras que compõem aleatoriamente. A seguir ele reorganiza as amostras que compõem cada cluster de modo a minimizar a variabilidade interna de cadacada cluster de modo a minimizar a variabilidade interna de cadacluster e maximizar a variabilidade entre clusters.cluster e maximizar a variabilidade entre clusters.
VARIÂNCIA MVARIÂNCIA MÍÍNIMA DE WARD:NIMA DE WARD:Este mEste méétodo tende a juntar clusters com um pequeno ntodo tende a juntar clusters com um pequeno núúmero de mero de amostras, e tem forte tendência a produzir clusters com amostras, e tem forte tendência a produzir clusters com aproximadamente o mesmo naproximadamente o mesmo núúmero de amostras. Ele tambmero de amostras. Ele tambéém m éé muito muito senssensíível vel àà presenpresençça de a de outliersoutliers..
Métodos de Agrupamento
A estatA estatíística Pseudostica Pseudo--F apresenta um valor relativamente alto quando F apresenta um valor relativamente alto quando éé adotado um nadotado um núúmero adequado de grupos.mero adequado de grupos.
Estatística Pseudo-F
Para um nPara um núúmero de grupos imediatamente menor que o ideal essa mero de grupos imediatamente menor que o ideal essa estatestatíística assume um valor alto.stica assume um valor alto.
Estatística Pseudo-T2
Valores maiores que 2 ou 3 nValores maiores que 2 ou 3 núúmeros ideais de gruposmeros ideais de gruposValores entre 0 e 2 grupos potenValores entre 0 e 2 grupos potenciaisciaisValores negativos altos amostras com Valores negativos altos amostras com outliersoutliers
Estatística CCC
O Diagrama em O Diagrama em ÁÁrvore permite visualizar graficamente a variarvore permite visualizar graficamente a variaçção de ão de RR22 (propor(proporçção da variância) com o não da variância) com o núúmero de grupos adotado. Quanto mero de grupos adotado. Quanto maior o nmaior o núúmero adotado de grupos, maior sermero adotado de grupos, maior seráá o valor de o valor de RR22..
Diagrama em Árvore
REGRA DISCRIMINANTE LINEAR:REGRA DISCRIMINANTE LINEAR:Gera uma funGera uma funçção linear entre cada fão linear entre cada fáácies e os perfis geofcies e os perfis geofíísicos.sicos.FAC_A = FAC_A = aa00 + + aa11*GR + *GR + aa22*RHOB+ .... + *RHOB+ .... + aaNN*DT*DTFAC_B = FAC_B = bb00 + + bb11*GR + *GR + bb22*RHOB+ .... + *RHOB+ .... + bbNN*DT*DT
............................FAC_M = FAC_M = mm00 + + mm11*GR + *GR + mm22*RHOB+ .... + *RHOB+ .... + mmNN*DT*DT
REGRA DISCRIMINANTE QUADRREGRA DISCRIMINANTE QUADRÁÁTICA:TICA:Gera uma funGera uma funçção de 2ão de 2°° grau entre cada fgrau entre cada fáácies e os perfis.cies e os perfis.
TESTE DE IGUALDADE DAS MATRIZES DE COVARIÂNCIA:TESTE DE IGUALDADE DAS MATRIZES DE COVARIÂNCIA:Decide automaticamente se usa a RDL ou a RDQ com base no testeDecide automaticamente se usa a RDL ou a RDQ com base no teste
de homogeneidade das matrizes de covariância.de homogeneidade das matrizes de covariância.
Regras Paramétricas
KNN:KNN:Consiste em atribuir a uma dada amostra o rConsiste em atribuir a uma dada amostra o róótulo que aparece mais tulo que aparece mais
vezes entre os rvezes entre os róótulos dos seus K vizinhos mais prtulos dos seus K vizinhos mais próóximos, segundo a ximos, segundo a mméétrica adotada.trica adotada.
CANÔNICA:CANÔNICA:A idA idééia ia éé obter uma variobter uma variáável vel YY11, combina, combinaçção linear das varião linear das variááveis veis
originais, que maximiza o poder de discriminaoriginais, que maximiza o poder de discriminaçção entre as fão entre as fáácies.cies.
A seguir obter uma nova variA seguir obter uma nova variáável vel YY22, tamb, tambéém combinam combinaçção linear das ão linear das varivariááveis originais, e não correlacionada com veis originais, e não correlacionada com YY11,, que junto com que junto com YY11, , maximiza o poder de discriminamaximiza o poder de discriminaçção entre as fão entre as fáácies.cies.
A partir de um certo ponto as novas variA partir de um certo ponto as novas variááveis veis YYii não apresentam não apresentam uma contribuiuma contribuiçção significativa para a discriminaão significativa para a discriminaçção entre as fão entre as fáácies.cies.
Regras Não-Paramétricas
LINEAR PASSOLINEAR PASSO--AA--PASSO:PASSO:Seleciona entre os vSeleciona entre os váários perfis aqueles que mais contribuem para rios perfis aqueles que mais contribuem para
discriminar entre as fdiscriminar entre as fáácies pretendidas e exclui do modelo os demais cies pretendidas e exclui do modelo os demais perfis, segundo um critperfis, segundo um critéério de aceitario de aceitaçção baseado no ão baseado no LambdaLambda de de WilksWilks..
Regras Não-Paramétricas
POPOÇÇO 1O 1(Po(Poçço de treino)o de treino)
ANASETE
Coluna de fColuna de fáácies composta cies composta resultante da anresultante da anáálise lise discriminantediscriminante
Acerto mAcerto méédio: 95%dio: 95%
Coluna de fColuna de fáácies composta cies composta resultante do agrupamentoresultante do agrupamento
ANASETE
Acerto mAcerto méédio: 80%dio: 80%
Coluna de fColuna de fáácies composta cies composta resultante da anresultante da anáálise lise discriminantediscriminante
POPOÇÇO 2O 2(Po(Poçço de validao de validaçção)ão)
Coluna de fColuna de fáácies composta cies composta resultante do agrupamentoresultante do agrupamento
Eletrical Logs
Eletrics Radioatives
- Magnetic field.- Eletric field.
- Ativation: neutrons e gamma.
- Rt, Rxo.- RHOB, DT, PHIN,GR.
-Resistivities orcondutivities of rocks.
- Density, porosityand rock type.
Sonics
(omh.m) (g/cc, %, API, μs/ft)