Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos
- Autores
- Gianonni, Isabel Eugenia; Arregui, Mariano Germán; Varela, Augusto Nicolás; Vásquez, Javier
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- La clasificación de facies sedimentarias es una herramienta fundamental en la interpretación de procesos y paleoambientes sedimentarios. Se basa en la observación y descripción detallada de las características litológicas, composicionales y de las estructuras sedimentarias mecánicas y biogénicas presentes en las rocas. Este análisis resulta especialmente útil en la exploración y explotación de hidrocarburos, donde la comprensión del paleoambiente sedimentario es fundamental para la toma de decisiones.En los últimos años, la aplicación de técnicas de inteligencia artificial (IA) ha abierto nuevas perspectivas, permitiendo un análisis más rápido, preciso y detallado de las rocas. Mediante el uso de algoritmos se pueden analizar imágenes de los testigos de rocas y clasificarlos automáticamente en categorías predefinidas, por lo que es posible darle un enfoque sedimentológico y aplicarlo en la clasificación y caracterización que tradicionalmente se realiza a partir de métodos manuales. Esto reduce la subjetividad del observador, mejorando la precisión de las clasificaciones, además de disminuir los tiempos de descripción.El siguiente trabajo muestra la aplicación de Machine Learning siguiendo un criterio sedimentológico. Se describieron y reconstruyeron las facies sedimentarias de 84 metros de testigos de rocas de un set de datos sintéticos. El proceso de análisis consistió en varias etapas, en las que se buscó asegurar la calidad y representatividad de la información. Para luego dar paso a la etapa de modelado en el cual se evaluó la performance predictiva y de clasificación de diferentes modelos de Machine Learning supervisados y no supervisados, respectivamente.Como resultado, se obtuvieron diferentes métricas de evaluación que muestran un buen ajuste de la metodología utilizada. Debido que para validar las clasificaciones obtenidas fue necesario la utilización de criterios sedimentológicos, se llegó a la conclusión de que, si bien es imposible sustituir la experiencia humana en el entendimiento sedimentológico, estas técnicas constituyen una herramienta complementaria de gran poder predictivo para reducir las subjetividades descriptivas del paleoambiente sedimentario dentro de la industria de hidrocarburos.
Fil: Gianonni, Isabel Eugenia. YPF - Tecnología; Argentina
Fil: Arregui, Mariano Germán. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. YPF - Tecnología; Argentina
Fil: Varela, Augusto Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. YPF - Tecnología; Argentina
Fil: Vásquez, Javier. YPF - Tecnología; Argentina - Materia
-
Aprendizaje automatico
Inteligencia artificial
Sedimentologia
Reservorios - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/264867
Ver los metadatos del registro completo
id |
CONICETDig_f63ae0ab8b93bd339d08ce839d943c29 |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/264867 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticosGianonni, Isabel EugeniaArregui, Mariano GermánVarela, Augusto NicolásVásquez, JavierAprendizaje automaticoInteligencia artificialSedimentologiaReservorioshttps://purl.org/becyt/ford/1.5https://purl.org/becyt/ford/1La clasificación de facies sedimentarias es una herramienta fundamental en la interpretación de procesos y paleoambientes sedimentarios. Se basa en la observación y descripción detallada de las características litológicas, composicionales y de las estructuras sedimentarias mecánicas y biogénicas presentes en las rocas. Este análisis resulta especialmente útil en la exploración y explotación de hidrocarburos, donde la comprensión del paleoambiente sedimentario es fundamental para la toma de decisiones.En los últimos años, la aplicación de técnicas de inteligencia artificial (IA) ha abierto nuevas perspectivas, permitiendo un análisis más rápido, preciso y detallado de las rocas. Mediante el uso de algoritmos se pueden analizar imágenes de los testigos de rocas y clasificarlos automáticamente en categorías predefinidas, por lo que es posible darle un enfoque sedimentológico y aplicarlo en la clasificación y caracterización que tradicionalmente se realiza a partir de métodos manuales. Esto reduce la subjetividad del observador, mejorando la precisión de las clasificaciones, además de disminuir los tiempos de descripción.El siguiente trabajo muestra la aplicación de Machine Learning siguiendo un criterio sedimentológico. Se describieron y reconstruyeron las facies sedimentarias de 84 metros de testigos de rocas de un set de datos sintéticos. El proceso de análisis consistió en varias etapas, en las que se buscó asegurar la calidad y representatividad de la información. Para luego dar paso a la etapa de modelado en el cual se evaluó la performance predictiva y de clasificación de diferentes modelos de Machine Learning supervisados y no supervisados, respectivamente.Como resultado, se obtuvieron diferentes métricas de evaluación que muestran un buen ajuste de la metodología utilizada. Debido que para validar las clasificaciones obtenidas fue necesario la utilización de criterios sedimentológicos, se llegó a la conclusión de que, si bien es imposible sustituir la experiencia humana en el entendimiento sedimentológico, estas técnicas constituyen una herramienta complementaria de gran poder predictivo para reducir las subjetividades descriptivas del paleoambiente sedimentario dentro de la industria de hidrocarburos.Fil: Gianonni, Isabel Eugenia. YPF - Tecnología; ArgentinaFil: Arregui, Mariano Germán. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. YPF - Tecnología; ArgentinaFil: Varela, Augusto Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. YPF - Tecnología; ArgentinaFil: Vásquez, Javier. YPF - Tecnología; ArgentinaInstituto Argentino del Petróleo y el Gas2025-04info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/264867Gianonni, Isabel Eugenia; Arregui, Mariano Germán; Varela, Augusto Nicolás; Vásquez, Javier; Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos; Instituto Argentino del Petróleo y el Gas; Petrotecnia; 65; 1; 4-2025; 30-350031-6598CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://www.petrotecnia.com.ar/todas-las-revistas.htmlinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-10-15T14:22:05Zoai:ri.conicet.gov.ar:11336/264867instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-10-15 14:22:05.649CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
title |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
spellingShingle |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos Gianonni, Isabel Eugenia Aprendizaje automatico Inteligencia artificial Sedimentologia Reservorios |
title_short |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
title_full |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
title_fullStr |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
title_full_unstemmed |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
title_sort |
Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos |
dc.creator.none.fl_str_mv |
Gianonni, Isabel Eugenia Arregui, Mariano Germán Varela, Augusto Nicolás Vásquez, Javier |
author |
Gianonni, Isabel Eugenia |
author_facet |
Gianonni, Isabel Eugenia Arregui, Mariano Germán Varela, Augusto Nicolás Vásquez, Javier |
author_role |
author |
author2 |
Arregui, Mariano Germán Varela, Augusto Nicolás Vásquez, Javier |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Aprendizaje automatico Inteligencia artificial Sedimentologia Reservorios |
topic |
Aprendizaje automatico Inteligencia artificial Sedimentologia Reservorios |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.5 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
La clasificación de facies sedimentarias es una herramienta fundamental en la interpretación de procesos y paleoambientes sedimentarios. Se basa en la observación y descripción detallada de las características litológicas, composicionales y de las estructuras sedimentarias mecánicas y biogénicas presentes en las rocas. Este análisis resulta especialmente útil en la exploración y explotación de hidrocarburos, donde la comprensión del paleoambiente sedimentario es fundamental para la toma de decisiones.En los últimos años, la aplicación de técnicas de inteligencia artificial (IA) ha abierto nuevas perspectivas, permitiendo un análisis más rápido, preciso y detallado de las rocas. Mediante el uso de algoritmos se pueden analizar imágenes de los testigos de rocas y clasificarlos automáticamente en categorías predefinidas, por lo que es posible darle un enfoque sedimentológico y aplicarlo en la clasificación y caracterización que tradicionalmente se realiza a partir de métodos manuales. Esto reduce la subjetividad del observador, mejorando la precisión de las clasificaciones, además de disminuir los tiempos de descripción.El siguiente trabajo muestra la aplicación de Machine Learning siguiendo un criterio sedimentológico. Se describieron y reconstruyeron las facies sedimentarias de 84 metros de testigos de rocas de un set de datos sintéticos. El proceso de análisis consistió en varias etapas, en las que se buscó asegurar la calidad y representatividad de la información. Para luego dar paso a la etapa de modelado en el cual se evaluó la performance predictiva y de clasificación de diferentes modelos de Machine Learning supervisados y no supervisados, respectivamente.Como resultado, se obtuvieron diferentes métricas de evaluación que muestran un buen ajuste de la metodología utilizada. Debido que para validar las clasificaciones obtenidas fue necesario la utilización de criterios sedimentológicos, se llegó a la conclusión de que, si bien es imposible sustituir la experiencia humana en el entendimiento sedimentológico, estas técnicas constituyen una herramienta complementaria de gran poder predictivo para reducir las subjetividades descriptivas del paleoambiente sedimentario dentro de la industria de hidrocarburos. Fil: Gianonni, Isabel Eugenia. YPF - Tecnología; Argentina Fil: Arregui, Mariano Germán. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. YPF - Tecnología; Argentina Fil: Varela, Augusto Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. YPF - Tecnología; Argentina Fil: Vásquez, Javier. YPF - Tecnología; Argentina |
description |
La clasificación de facies sedimentarias es una herramienta fundamental en la interpretación de procesos y paleoambientes sedimentarios. Se basa en la observación y descripción detallada de las características litológicas, composicionales y de las estructuras sedimentarias mecánicas y biogénicas presentes en las rocas. Este análisis resulta especialmente útil en la exploración y explotación de hidrocarburos, donde la comprensión del paleoambiente sedimentario es fundamental para la toma de decisiones.En los últimos años, la aplicación de técnicas de inteligencia artificial (IA) ha abierto nuevas perspectivas, permitiendo un análisis más rápido, preciso y detallado de las rocas. Mediante el uso de algoritmos se pueden analizar imágenes de los testigos de rocas y clasificarlos automáticamente en categorías predefinidas, por lo que es posible darle un enfoque sedimentológico y aplicarlo en la clasificación y caracterización que tradicionalmente se realiza a partir de métodos manuales. Esto reduce la subjetividad del observador, mejorando la precisión de las clasificaciones, además de disminuir los tiempos de descripción.El siguiente trabajo muestra la aplicación de Machine Learning siguiendo un criterio sedimentológico. Se describieron y reconstruyeron las facies sedimentarias de 84 metros de testigos de rocas de un set de datos sintéticos. El proceso de análisis consistió en varias etapas, en las que se buscó asegurar la calidad y representatividad de la información. Para luego dar paso a la etapa de modelado en el cual se evaluó la performance predictiva y de clasificación de diferentes modelos de Machine Learning supervisados y no supervisados, respectivamente.Como resultado, se obtuvieron diferentes métricas de evaluación que muestran un buen ajuste de la metodología utilizada. Debido que para validar las clasificaciones obtenidas fue necesario la utilización de criterios sedimentológicos, se llegó a la conclusión de que, si bien es imposible sustituir la experiencia humana en el entendimiento sedimentológico, estas técnicas constituyen una herramienta complementaria de gran poder predictivo para reducir las subjetividades descriptivas del paleoambiente sedimentario dentro de la industria de hidrocarburos. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/264867 Gianonni, Isabel Eugenia; Arregui, Mariano Germán; Varela, Augusto Nicolás; Vásquez, Javier; Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos; Instituto Argentino del Petróleo y el Gas; Petrotecnia; 65; 1; 4-2025; 30-35 0031-6598 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/264867 |
identifier_str_mv |
Gianonni, Isabel Eugenia; Arregui, Mariano Germán; Varela, Augusto Nicolás; Vásquez, Javier; Aplicación de la inteligencia artificial para el análisis de facies sedimentarias en testigos corona sintéticos; Instituto Argentino del Petróleo y el Gas; Petrotecnia; 65; 1; 4-2025; 30-35 0031-6598 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://www.petrotecnia.com.ar/todas-las-revistas.html |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Instituto Argentino del Petróleo y el Gas |
publisher.none.fl_str_mv |
Instituto Argentino del Petróleo y el Gas |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1846082615733387264 |
score |
13.22299 |