Apprendimento Automatico Non Supervisionato per la Classificazione delle Elettrofacies nel Bacino Offshore di Keta

Uno studio recente introduce un approccio di apprendimento automatico non supervisionato per analizzare le elettrofacies nel bacino offshore di Keta in Ghana, dove i dati di carotaggio sono limitati. I ricercatori hanno esaminato sei log standard da pozzo C, coprendo un intervallo di profondità di circa 11.195 campioni. Utilizzando il clustering K-means in uno spazio log multivariato, hanno valutato la struttura del clustering attraverso le diagnostiche di inerzia e silhouette. L'analisi ha rivelato quattro cluster distinti, con un coefficiente silhouette medio vicino a 0,50, indicando una separazione moderata ma significativa. Le elettrofacies identificate mostrano pattern sistematici legati alla profondità, associati a variazioni nel contenuto di argilla, porosità e proprietà della roccia, illustrando una transizione geologica da unità dominate da scisti a unità più pulite dominate da arenarie. Questo studio evidenzia che il clustering non supervisionato basato solo sui log, supportato da metriche quantitative, offre un quadro affidabile per la classificazione delle elettrofacies e l'analisi della porosità in ambienti con dati limitati.