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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/264867

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