Redes_Neuronales_Artificiales_RNA_para_e

Vista previa del material en texto

Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
 
Aplicación de RNA's en la estimación de la relación de Poisson y Módulo de Young; 
parámetros importantes en el diseño y modelado geo-mecánico 3D. 
 
Miguel Ángel Vidal Arango a, Rodolfo Gabriel Camacho Velázquez a, Miguel Ángel Lozada Aguilar b 
 
Resumen 
 
El presente trabajo muestra una metodología en la estimación de la relación de Poisson y 
Módulo de Young, la cual se considera como una alternativa para determinar las 
propiedades mecánicas de la roca, a un menor costo. En varios yacimientos de México 
todos los pozos requieren ser fracturados por lo cual es primordial contar con cálculos de 
esfuerzos, mínimo y máximo horizontal, así como de la deformación que sufren las rocas al 
ser fracturadas. El no contar con estos parámetros desde un inicio, nos pueden generar 
errores en los planes de explotación y desarrollo de los campos y malas decisiones en los 
esquemas de producción generados, consecuentemente una mala inversión en el proyecto. 
 
El utilizar los núcleos en la mayor parte de la columna geológica, las pruebas de laboratorio, 
pruebas triaxiales, registros de densidad y registros sónicos en la estimación de la Relación 
de Poisson y el Módulo de Young son pruebas costosas que requieren de mucho tiempo, 
pero al contar con datos suficientes (Big Data) se puede aplicar la metodología propuesta. 
 
Se demuestra que con el uso de 609 datos de núcleos y registros de un bloque se 
desarrollaron tres modelos que permiten estimar con buena precisión la relación de Poisson 
y el Módulo de Young, con un coeficiente de correlación de 0.96 y un error absoluto de 
1.6%. Cumpliendo el objetivo principal de tener otra alternativa para reducir los costos, con 
el uso de RNA's. 
 
Palabras claves del tema del artículo: Redes Neuronales Artificiales (RNA's), Relación de Poisson, Módulo 
de Young, Big Data (BD), Modelo geomecánico, Métodos de Simulación-Predicción: BBP, QP, IBP, LM. 
 
CMP2018_ Yacimientos 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Introducción 
 
El principal objetivo es desarrollar un modelo que permita estimar con buena precisión la 
relación de Poisson y el Módulo de Young, siendo otra alternativa a través del uso de las 
RNA's para reducir los costos y tiempo, además de poder contar con estos parámetros 
importantes para el diseño y modelado geo-mecánico 3D. 
 
El ocupar 609 datos de núcleos y registros de un campo en específico de la Región Norte y 
aplicando diferentes métodos de predicción con el uso de Inteligencia Artificial en función de 
los valores de profundidad, porosidad, presión de sobre-esfuerzo, presión de poro, esfuerzo 
mínimo horizontal, registros de densidad (RHOB), registro sónico compresional (DT-C) y 
registro sónico de corte (DT-S) nos permitirá realizar los cálculos necesarios para alimentar 
nuestros modelos de RNA a utilizar en otros pozos a fracturar del mismo bloque. 
La RNA consta de tres fases: los datos de entrada, una o más capas (prueba y 
entrenamiento) y un dato de salida o resultado final, donde el procedimiento radica en el 
entrenamiento con los datos registrados para el aprendizaje. Posteriormente se realizan los 
ajustes necesarios con sensibilidades y métodos predictivos para generar el valor que más 
se aproxime al dato real reportado, quedando calibrado el nuevo modelo. Cabe señalar que 
los datos para la RNA, generan diferentes patrones donde la vista humana, no alcanza a 
determinarlos, siendo este tipo de herramienta muy útil cuando se tiene mucha información 
y la respuesta que se busca depende de varios parámetros. 
 
Los datos utilizados para el entrenamiento y predicción de los valores finales obtenidos son: 
Tabla 1. Resumen de los datos reales utilizados para el modelo predictivo. 
 
Propiedades 609 datos Maximo Mínimo Promedio SD
Profundidad, (mtrs) 1731 1502 1617 94.081
Porosidad, (%) 0.148 0.13 0.139 0.007
RHOB, (g/cc) 2.71 2.40 2.56 0.104
DT compresional, (msec/ft) 70.70 54.21 62.45 7.347
DT de corte, (msec/ft) 135.33 98.40 116.87 16.195
Presion de sobre esfuerzo (psi) 13,720.71 11,692.01 12,706.36 631.167
Presion de poro (psi) 9112.31 7282.23 8197.27 574.497
Esfuerzo min horizontal (Mpa) 1.88 1.64 1.76 0.082
Relación de Poisson (Adimensional) 0.24 0.20 0.22 0.016
Modulo Young E(bar*) 99,724.00 64,777.00 82,250.50 13103.501
Datos reales empleados para el entrenamiento de la RNA - Geo-mecánica de la roca
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Método para la estimación de la relación de Poisson y Módulo de Young a través del 
uso de RNA's. 
 
Los valores de la relación de Poisson, se pueden obtener a través de dos formas: 
1. Método estático: Utilizado en el laboratorio para medir la deformación cuando se aplican 
ciertas fuerzas en la roca y se mide su comportamiento. 
2. Método dinámico: Al utilizar los registros del pozo: (DT-C) y (DT-S), donde se puede 
calcular con la ecuación siguiente: 
(Salaheldin et al., 2017) 
 ( ) * ( )+ ……………………………………………………………………….. (1) 
Donde: = relación de Poisson dinámica. 
 
Para estimar el Módulo de Young utilizando la ley de Hook’s (Nguyen et al. 2009) es: 
 ………………………..…………………………………………………………………….. (2) 
Donde: = Módulo de Young, = esfuerzo y = deformación. 
 
Para obtener estos dos parámetros y calcular el valor del Módulo de Young, se usaron 
diferentes tipos de rocas, que incluyen los parámetros siguientes: porosidad, litología, 
temperatura, presión de poro, saturación de fluidos y la consolidación. (Williams., 1970). 
 
De la misma manera que la relación de Poisson, los valores calculados para el Módulo de 
Young pueden generarse de dos maneras: 
 
Módulo de Young estático: 
Estudios anteriormente realizados por varios autores en la literatura, dan un rango de 
Módulos de Young generados directamente en el laboratorio y su comportamiento en 
diferentes tipos de rocas (Vidal Arango., 2017) que se muestran a continuación. 
 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Criterio de Baron-Habit-Morlier, (Le Tirant. y Gay. 1972): 
 
 
 
 
E, en función de la resistencia a la compresión simple, Rc. (Le Tirant P., 1972). 
 
 
 
 
Criterios de Perkins-Kern (1961): 
 
 
 
 
*1 bar = 14.504 psi, = 1.0197 kg/cm2 
 
E, en función del tiempo de viaje sónico = ts (Williams., 1970). 
 
Al considerar el tiempo de viaje sónico evaluado con el registro sónico, se toma en el 
intervalo de interés del pozo a fracturar y se realiza con el método dinámico. 
 
 
 
10,000 50,000
50,000 100,000
60,000 100,000
200,000 300,000
300,000 500,000
500,000 1,000,000
Areniscas consolidadas
Areniscas muy consolidadas
Calizas duras y muy duras
Tipo de roca E [bar*]
Arenas poco consolidadas
Areniscas arcillosas
Margas y calizas suaves
E = 260 Rc + 50, 000
E = 400 Rc + 100, 000
Para E y Rc = [bar]
Para calizas:
Para areniscas:
0.5 1.5
Arenisca media dura 2.0 4.0
Arenisca densa dura 5.0 7.5
Caliza y dolomia 8.0 13.0
Tipo de roca E [Psi x 10
6
]
Arena poroso, consolidada
a ligeramente consolidada
Tabla 2. Tipo de rocas y rango de valor de Elasticidad. Baron-Habit-Morlier 
 
Tabla 3. Tipo de rocas y su valor de Elasticidad. Compresión simple, Rc 
 
Tabla 4. Tipo de rocas y su valor de Elasticidad. Perkins-Kern 
 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Módulo de Young dinámico: Se puede estimar con los registros (RHOB), (DT-C) y (DT-S), 
por lo general la estimación es significativamente más alta que la estática dadas las 
condiciones dinámicas que se consideran y puede calcularsecomo: 
(Salaheldin et al., 2017) 
 ( )( ) [ ( ) ]…….………………….. (3) 
 
Donde: = Módulo de Young o elasticidad dinámica, = (RHOB). 
 
El contar con estos parámetros podemos generar nuevas correlaciones para el 
comportamiento de cada formación a partir de los registros y datos reportados. 
Al utilizar la técnica de regresión múltiple lineal (Ahmed et al., 1991) se pudo ajustar los 
datos estáticos reportados por el laboratorio y calibrar el nuevo modelo con la RNA. 
La forma para ajustar y predecir los datos con el modelo se obtuvo con la ecuación general 
siguiente: ( )( ) ( )( ) …….………………….. (4) 
 
Al estimar los nuevos valores del Módulo de Young dinámicos, se generan las correlaciones 
para ajustar los datos estáticos ya proporcionados por las pruebas de laboratorio. Donde 
dependerá del número de muestras analizadas y la correlación por utilizar, a continuación 
se muestran algunas que se consideraron. 
 
Tipo de roca compacta que se utilizó para esta correlación: (Wang., 2000). ……………………………………………………………….. (5) 
 
Donde: = Módulo de Young o elasticidad estática. 
 
Tipo de roca metamórfica (ígnea) se utilizó: (King., 1983). …………………………………………………….. (6) 
 
 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Tipo de roca semi-compacta se utilizó: (Eissa y Kazi., 1988). 
 ………….……………………………………….. (7) 
 
También se consideró esta correlación para yacimientos no convencionales, y debido a los 
datos recopilados del campo, se realizó un ajuste adecuado. 
Tipo de roca consolidada se utilizó: (Canady., 2010). 
 ( )( ) ……………..…….………………………………… (8) 
 
Aplicación y validación de las correlaciones para el caso de campo: 
 
1. A- Para la primera validación se tiene el pozo 191 con su registro procesado, Fig.1: 
 
 
 
 
Fig. 1. Registro geológico procesado: Tipo de roca areno arcillosa, MP: C-786, pozo 191 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Los registros (DT-C), (DT-S) y (RHOB) del pozo 191 se muestran en la Fig. 2: 
 
 
 
La prueba de laboratorio para los datos reportados en y ( ) fueron los 
siguientes: 
 
 
 
 
 
 
 
Tabla 5. Tipo de roca areno arcillosa, MP: C-786, pozo 191, E estático-Laboratorio 
 
Fig. 2. Registro sónico (DT-C, DT-S, registro de densidad (RHOB), MP: C-786, pozo 191 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
De los datos anteriores, se realizó el ajuste para la RNA con los tres registros (DT-C), (DT-
S) y (RHOB,) para obtener los resultados de ( ): 
 
 
 
Para la validación del valor obtenido del ( ) con su respectiva ( ) del 
laboratorio se ajustó con la ecuación 5, para el tipo de roca compacta, Fig. 3: 
 
 
 
 
0
5
10
15
20
25
30
35
40
0.00 2.00 4.00 6.00 8.00 10.00
In
te
rv
a
lo
 d
is
p
a
ra
d
o
, 
m
ts
 
Gpa 
Módulo Young 
MY_estática_Ec5 
MY_estática_Lab 
Fig. 3. Módulo de Young E_estática de laboratorio y su ajuste con la RNA, MP: C-786, pozo 191 
Tabla 6. Tipo de roca areno arcillosa, MP: C-786, pozo 191- E estático-RNA 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Los resultados de todos los datos se muestran como resumen para el ajuste de nuestro 
modelo de RNA en la tabla siguiente: 
 
 
 
 
Se utilizaron tres correlaciones para obtener valores del MY ( ) con la RNA, ecus. 
5, 8 vs ecu. 3, para el tipo de roca compacta, Fig. 4: 
 
 
 
 
Param-Estat RHOB, g/cm
3
DTC-us/ft DTS-us/ft R-Poisson
Media 2.63 46.38 134.54 0.20
Error típico 0.03 0.59 1.13 0.0009
Mediana 2.70 45.90 132.80 0.20
Moda 2.70 49.70 132.10 0.21
Desviación estándar 0.15 3.55 6.81 0.01
Varianza de la mues 0.02 12.60 46.31 0.00003
Curtosis 1.08 -1.27 -0.92 -1.30
Coef de asimetría -0.97 0.08 0.53 0.30
Rango 0.70 11.60 23.00 0.02
Mínimo 2.20 40.50 124.40 0.20
Máximo 2.90 52.10 147.40 0.21
Suma 94.80 1669.50 4843.30 7.29
Cuenta 36.00 36.00 36.00 36.00
0
5
10
15
20
25
30
35
40
0.00 10.00 20.00 30.00
In
te
rv
a
lo
 d
is
p
a
ra
d
o
, 
m
ts
 
Eq 5-8-Gpa 
 
Módulo Young 
Fig. 4. Módulo de Young E_estática con tres correlaciones y ajuste con la RNA, pozo 191 
Tabla 7. Resultados de los datos. MP: C-786, pozo 191- E estático-RNA 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
2. A- Para la segunda validación se tiene el pozo 178 con los registros (DT-C), (DT-S) y 
(RHOB), Fig. 5: 
 
 
 
 
Datos reportados en la y ( ): 
 
 
 
Tabla 8. Tipo de roca areno arcillosa, MP: C-786, pozo 178, E estática-Laboratorio 
 
Fig. 5. Registro sónico (DT-C), (DT-S), y (RHOB), MP: C-786, pozo 178 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Ajuste de la RNA con los tres registros (DT-C), (DT-S) y (RHOB,) resultados del ( ): 
 
 
 
Validación de los datos obtenidos del ( ) con su respectiva ( ) de 
laboratorio, se ajustó igual con la ecuación 5 por ser homólogo en las propiedades. Fig. 6: 
 
 
 
 
0
10
20
30
40
50
60
70
80
0.00 5.00 10.00 15.00
In
te
rv
a
lo
 d
is
p
a
ra
d
o
, 
m
ts
 
Gpa 
Módulo Young 
MY_estático_Ecu5
MY_estático_Lab
Tabla 9. Tipo de roca areno arcillosa, MP: C-786, pozo 178- E estático-RNA 
Fig.6. Módulo de Young E_estática de laboratorio y su ajuste con la RNA, MP: C-786, pozo 178 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Resultados de los datos en resumen con el ajuste de la RNA: 
 
 
 
 
Se utilizaron tres correlaciones para obtener valores de ( ) con la RNA, ecus. 5, 8 
vs ecu. 3, para el tipo de roca compacta, Fig. 7: 
 
 
Param-Estat RHOB, g/cm
3
DTC-us/ft DTS-us/ft R-Poisson
Media 2.63 46.78 130.65 0.20
Error típico 0.02 0.44 0.55 0.0011
Mediana 2.70 46.90 130.40 0.20
Moda 2.70 49.70 132.10 0.21
Desviación estándar 0.15 3.73 4.64 0.01
Varianza de la muestra 0.02 13.91 21.53 0.00008
Curtosis 0.09 -1.43 0.20 -0.91
Coef de asimetría -0.66 -0.12 0.42 -0.21
Rango 0.70 11.60 23.60 0.04
Mínimo 2.20 40.50 122.10 0.18
Máximo 2.90 52.10 145.70 0.21
Suma 186.80 3321.30 9275.80 14.06
Cuenta 71.00 71.00 71.00 71.00
0
10
20
30
40
50
60
70
80
0.00 10.00 20.00 30.00
In
te
rv
a
lo
 d
is
p
a
ra
d
o
, 
m
ts
 
Eq 5-8-Gpa 
Módulo's Young 
Tabla 10. Resultados de los datos. MP: C-786, pozo 178- E estático-RNA 
Fig.7. Módulo de Young E_estática con tres correlaciones y ajuste con la RNA, pozo 178 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
3. A- Para la tercera validación se tiene el pozo 194 con los registros (DT-C), (DT-S) y 
(RHOB), Fig. 8: 
 
 
 
 
Datos reportados en la y el ( ): 
 
 
 
 
Fig. 8. Registro sónico (DT-C), (DT-S),y (RHOB), MP: C-786, pozo 194 
Tabla 11. Tipo de roca areno arcillosa, MP: C-786, pozo 194, E estática-Laboratorio 
 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Ajuste de la RNA con los tres registros (DT-C), (DT-S) y (RHOB,) resultados del ( ): 
 
 
 
Validación de los datos obtenidos del ( ) con su respectiva ( ) de 
laboratorio, se ajustó igual con la ecuación 8. Fig. 9: 
 
 
 
 
0
2
4
6
8
10
1214
16
0.00 5.00 10.00 15.00
In
te
rv
a
lo
 d
is
p
a
ra
d
o
, 
m
ts
 
Gpa 
Módulo Young 
MY_estática_Ecu8
MY_estática_Lab
Tabla 12. Tipo de roca areno arcillosa, MP: C-786, pozo 194- E estático-RNA 
Fig.9. Módulo de Young E_estática de laboratorio y su ajuste con la RNA, MP: C-786, pozo 194 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Resultados de los datos en resumen con el ajuste de la RNA: 
 
 
 
 
Se utilizaron tres correlaciones para obtener valores del MY ( ) con la RNA, ecus. 5 
y 8 vs ecu. 3, ajustándose con la ecu. 8, por su profundidad y tipo de roca, Fig. 10: 
 
 
Param-Estat RHOB, g/cm
3
DTC-us/ft DTS-us/ft R-Poisson
Media 2.70 42.85 155.14 0.22
Error típico 0.05 0.42 3.25 0.002
Mediana 2.70 42.20 154.30 0.22
Moda 2.90 41.20 144.20 0.22
Desviación estándar 0.19 1.64 12.57 0.01
Varianza de la muestra 0.04 2.68 157.98 0.00004
Curtosis -0.13 -0.74 -0.91 -1.04
Coef de asimetría -0.81 0.71 0.59 0.01
Rango 0.60 5.00 38.60 0.02
Mínimo 2.30 41.20 141.30 0.21
Máximo 2.90 46.20 179.90 0.23
Suma 40.50 642.80 2327.10 3.29
Cuenta 15.00 15.00 15.00 15.00
0
2
4
6
8
10
12
14
16
0.00 10.00 20.00 30.00
In
te
rv
a
lo
 d
is
p
a
ra
d
o
, 
m
ts
 
Eq 5-8-Gpa 
 
Módulo Young 
Tabla 13. Resultados de los datos. MP: C-786, pozo 194- E estático-RNA 
Fig.10. Módulo de Young E_estática con tres correlaciones y ajuste con la RNA, pozo 194 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Conclusiones: 
 
Las pruebas de núcleos de laboratorio para la relación de Poisson estática y los datos de los 
registros, fueron utilizadas para construir el primer modelo de RNA y poder estimar nuevos perfiles, 
en base a los resultados obtenidos llegamos a lo siguiente: 
1. El modelo de RNA desarrollado fue capaz de predecir la relación de Poisson estática basada en 
los datos de los registros sónicos compresional (DT-C) y de corte (DT-S). 
2. El modelo de RNA desarrollado se puede usar para estimar cualquier relación de Poisson 
estática, con una alta precisión; resultando un coeficiente de correlación de 0.96 y un promedio con 
error absoluto de 1.6%. 
3. Esta técnica desarrollada ayudará a poder estimar un perfil continuo de la relación de Poisson 
estática, sin la necesidad a futuro de extraer muestras de núcleos para su análisis en el laboratorio, 
ya que se cuenta primeramente con una cantidad suficiente (Big Data) en este caso con 609 datos, 
para el ajuste del modelo y su calibración, por lo tanto, nos reducirá el costo total del pozo, 
generando a su vez datos importantes para el modelado geomécanico. 
 
Al desarrollar la segunda y tercera RNA para poder obtener los datos del Módulo de Young 
dinámicos y estáticos empleando algunas correlaciones para cierto tipo de roca, se pudo estimar el 
Módulo de Young estático con una gran precisión, donde se llevó a cabo con el análisis de 
regresión múltiple y el uso de los 609 datos, en base a los resultados obtenidos, se determinó lo 
siguiente: 
1. El Módulo de Young dinámico puede estimarse directamente a partir de los datos de los 
registros de densidad (RHOB), sónico compresional (DT-C) y de corte (DT-S). 
2. Las nuevas correlaciones utilizadas dan una mejor aproximación a los datos reportados por las 
pruebas triaxiales de laboratorio, la cual nos permiten correlacionarlos con los del núcleo estático, 
para diferentes tipos de yacimientos. 
3. La aproximación con cierto tipo de correlación para cada roca, dio un error del 1.6% con el dato 
reportado en las pruebas de laboratorio, por lo tanto el modelo de RNA es una alternativa útil para 
usarse a futuro. 
 
Finalmente vimos que: el primer pozo fue para validar con datos reales el modelo y el 
aprendizaje de la RNA, para el segundo pozo, la RNA generó datos de las dos variables 
y los registros estimados para la Relación de Poisson y Módulo de Young y para el 
último pozo, crea un nuevo patrón con nuevos datos, con relación a la profundidad, 
RHOB, DT-C y DT-S. 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Agradecimientos 
 
Se agradece a la Subdirección de Aseguramiento Tecnológico por el apoyo recibido en la elaboración y 
revisión de este artículo. 
Se realiza y agradece el uso de esta metodología en su área de trabajo técnica. 
 
APENDICE A: Modelos de RNA's. 
 
Datos de entrada para las RNA's y generación de los tres modelos: 
1. 
2. 
3. 
 
 
 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Referencias: 
 
1. Ahmed U, Markley ME, Crary SF (1991) Enhanced in situ stress profiling with micro-fracture, 
core and sonic logging data. SPE Forma Eval :243–251 
2. Canady WA (2010) Method for full-range young’s modulus correction. In: North American 
unconventional gas conference and exhibition, 143604 https://doi.org/10.2118/143604-MS 
3. Eissa EA, Kazi A (1988) Relation between static and dynamic young’s modulus of rocks. Int 
J Rock Mech Min Sci Geomech 25:479–482 https://doi.org/10.1016/0148-9062(88)90987-4 
4. Elkatatny, S.M. et al, Jun 2017: An Artificial Intelligent Approach to Predict Static Poisson's 
Ratio, ARMA 17-771. https://www.onepetro.org/conference-paper/ARMA-2016-755 
5. King MS (1983) Static and dynamic elastic properties of rocks from the canadian shield. Int J 
Rock Mech Min Sci 20:237–241. https://doi:10.1016/0148-9062(83)90004-9515 
6. Le Tirant P. y Gay L. 1972. Manuel de Fracturation Hydraulique. Paris: Editions Technip. 
7. Nguyen VX, Abousleiman YN, Hoang S (2009) Analyses of wellbore instability in drilling 
through chemically active fractured-rock formations. SPE J 14:283–301 
8. Perkins, T. K. y Kern, L. R. 1961. Widths of Hydraulic Fractures. J Pet Technol 13 (9): 937-
949. SPE-89-PA. https://doi.org/10.2118/89-PA. 
9. Salaheldin et al., Jan 2017. Development of a new correlation to determine the static 
Young’s modulus. https://doi.org/10.1007/s13202-017-0316-4 
10. Vidal Arango M. A. et al. Jun 2017. Tesis: Producción Adicional por Re-fracturamiento 
Hidráulico: Análisis Dinámico y Metodología. Págs. 141, Cap. 4. Facultad de ingeniería y 
Posgrado UNAM. http://www.ptolomeo.unam.mx:8080/xmlui/handle/132.248.52.100/12774 
11. Wang ZN (2000) Seismic and acoustic velocities in reservoir rocks: recent development, vol 
3, Society of Exploration Geophysicists, Tulsa. 
12. Williams, B. 1970. Fluid Loss from Hydraulically Induced Fractures. J Pet Technol 22 (7): 
882-888. SPE-2769-PA. https://doi.org/10.2118/2769-PA. 
 
https://doi.org/10.2118/143604-MS
https://doi.org/10.1016/0148-9062(88)90987-4
https://www.onepetro.org/conference-paper/ARMA-2016-755
https://doi.org/10.2118/89-PA
http://www.ptolomeo.unam.mx:8080/xmlui/handle/132.248.52.100/12774
https://doi.org/10.2118/2769-PA
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Trayectoria profesional del autor y coautores: 
Autor 
Miguel Ángel Vidal Arango a, (UNAM) 
Maestro en Ingeniería petrolera, egresado de la UNAM (2014-2016) con 12 años de experiencia en ingeniera 
petrolera, en las áreas de Yacimientos, Productividad de Pozos y Recuperación mejorada. Participando en 
temas específicos en los siguientes activos: 
En el departamento de la Gerencia de los Centros Regionales de Estudios de Explotación en Villahermosa, 
Tab. Junio 2005-Agosto 2006 en el área de Ingeniería de Yacimientos y Simulación numérica; posteriormente 
en el Proyecto y grupo estratégico de Cantarell en Cd. del Carmen, Camp. Agosto 2006-Dic 2008 en el área de 
Administración Integral de Yacimientos y Recuperación mejorada; y desde el 2009 hasta julio del 2014 
colaborando en losactivos ATG y APPRA en las áreas de Caracterización Dinámica y Productividad de pozos, 
En Agosto 2014 hasta Agosto 2016, curso la maestría en el área de Yacimientos, Tesis: Producción Adicional 
por Re-fracturamiento Hidráulico: Análisis Dinámico y Metodología, para Yacimientos No Convencionales. 
Las principales actividades desarrolladas por orden cronológico son: Simulación numérica, Recuperación 
Mejorada, Caracterización Dinámica de Yacimientos y Productividad de Pozos, con experiencia técnica y en 
campo para el análisis de los datos, diagnóstico y diseños; para la entrega de resultados y mejoras de 
producción, apoyando en algunas tareas en la documentación de los proyectos y mejoras de propuestas en la 
explotación de los diferentes Yacimientos y sus activos. 
Actualmente es colaborador en la Subdirección de Aseguramiento Tecnológico (SAT) en la Coordinación de 
Caracterización estática y dinámica de Yacimientos en PEP. 
 
Pertenece a la Society of Petroleum Engineers (SPE), forma parte del grupo y red de especialistas de 
Caracterización Dinámica de Yacimientos (2014) y también de la red de Productividad de Pozos (2013). 
Ha participado y asistido a varios congresos a partir del 2006 a la fecha. 
 
Coautor 
Rodolfo Gabriel Camacho Velázquez a, (UNAM) 
En 1979 obtuvo el grado en la carrera de Ingeniería Geofísica en la Universidad Nacional Autónoma de México 
(UNAM). En 1983 realizó estudios de Maestría en Ingeniería Petrolera en la Universidad de Tulsa, Oklahoma; 
y en 1987 obtuvo el grado de Doctor en Ingeniería Petrolera en la misma Universidad. 
 
De 1979 a 1981 laboró en el Instituto Mexicano del Petróleo. De 1987 a 1988 trabajó como Investigador 
Asociado en el Departamento de Ingeniería Petrolera de la Universidad de Tulsa. En 1988 se desempeñó 
como Investigador en el Instituto Mexicano del Petróleo, hasta 1991. Fue Asesor de la Subdirección de 
Planeación y Coordinación en Petróleos Mexicanos a partir de 1991 hasta 1992. De 1992 y hasta 1999 estuvo 
comisionado en la División de Estudios de Posgrado de la Facultad de Ingeniería por PEMEX Exploración y 
Producción, desarrollando actividades docentes y de investigación en el programa de Posgrado en Ingeniería 
Petrolera. De 2000 a 2002 estuvo a está cargo en forma interina de la Gerencia de Productividad de Pozos 
de la Subdirección de Tecnología y Desarrollo Profesional. De 2002 a 2005 fue Gerente de Desarrollo 
Tecnológico de Exploración y Producción en las Direcciones Corporativas de Planeación Estratégica y 
Operaciones. De 2005 a 2008 fue gerente de Información Técnica de Explotación. De 2008 a 2011 estuvo a 
cargo de la Gerencia de Tecnología de Explotación en la Subdirección Técnica de Explotación en PEP. 
Asesor de la Dirección de PEMEX Exploración y Producción de 2011 a 2016. 
 
Actualmente es profesor de la Facultad de Ingeniería en la UNAM. 
 
Ha presentado y publicado más de cien trabajos técnicos en diferentes foros y revistas, principalmente aquellos 
patrocinados por la Society of Petroleum Engineers (SPE). También ha publicado varios artículos en la revista 
Ingeniería Petrolera de la Asociación de Ingenieros Petroleros de México (AIPM), y en la revista de Water 
Resources Research. Ha colaborado en el desarrollo del capítulo VII del libro: Computational Methods for 
Free and Moving Boundary Problems in Heat and Fluid Flow. 
 
 
Congreso Mexicano del Petróleo 
Acapulco, Gro. 2018 
“Creatividad y talento impulsan la industria 
 Petrolera con rentabilidad” 
Es miembro de La Academia Nacional de Ingeniería, y de la Academia Mexicana de Ciencias. Fue Presidente 
del SPE-Sección México en el periodo 2004-2006 y Vicepresidente del Programa Técnico de la SPE Sección 
México en el periodo 2002-2004. También ha participado, entre otros cargos, como Technical Editor en la SPE 
Editorial Review Committee en 1996, y hasta 1999 fue Review Chairman de la revista SPE Reservoir 
Evaluation and Engineering. Actualmente es editor técnico de las revistas SPE Journal and Journal of 
Canadian Petroleum Technology, recibiendo la distinción de Outstanding Technical Editor. También participa 
como par técnico de varios proyectos del Fondo Sener Conacyt y CIIS del IMP. 
 
En el periodo del 2015-2016 fue seleccionado por la SPE como Conferencista Distinguido. 
En el 2008, recibió del SPE la distinción Lester Uren Award. En 2000 recibió la distinción "Instituto Mexicano 
del Petróleo" por parte de la A.I.P.M., por logros en investigación y desarrollo tecnológico en ingeniería 
petrolera. Ha recibido la Medalla "Juan Hefferan", otorgada por la AIPM, al mejor trabajo técnico, en 1990 y 
1993; el "Premio Nacional de la Administración Pública", otorgado por el Gobierno Mexicano, en 1990; la 
Medalla "Academic Excellence" otorgada por la Atlantic Richfield Company, Tulsa, en 1982; la Medalla "Gabino 
Barreda", otorgada por la UNAM en 1979; y Mención Honorífica otorgada al término del examen profesional 
por la Facultad de Ingeniería, UNAM, en 1979. 
 
 
Coautor 
Miguel Ángel Lozada Aguilar b, (PEMEX) 
 
Estudió la licenciatura en Ingeniería Petrolera en la Universidad Nacional Autónoma de México y obtuvo una 
Maestría en Exploración y Producción por el Instituto Francés del Petróleo. Ha sido autor y coautor de más de 
22 artículos técnicos que incluyen principalmente productividad de pozos y sistemas artificiales de producción. 
Ha trabajado en Pemex por más de 34 años en diferentes Regiones y Activos, en las áreas de perforación, 
producción e ingeniería de yacimientos; Fue Administrador del Activo de Producción Cantarell durante 6 años y 
más tarde fue nombrado Subdirector de Desarrollo de Campos. Actualmente es Presidente de la Especialidad 
de Petrolera en la Academia de Ingeniería de México y Subdirector de Aseguramiento Tecnológico en Pemex 
Exploración y Producción.