Identificación de Arcillas

Un desafío en los Campos Maduros

Bodan, F.; Gamarra, F.; Ramos, N.
Objetivo:
Identificación de minerales de arcillas para
la predicción y mitigación de daño de
formación causado por calidad e
incompatibilidad de agua.
Metodología:
Algoritmos de inteligencia artificial.
 Proceso

Datos Modelado Verificación Aplicación

• Búsqueda de • Calibración • Validación externa • Caso ejemplo
relaciones • Validación
consistentes cruzada. Boostrap.
• Exploración • Validación interna
 Exploración de Datos
ESMECTITA CLORITA
 Machine Learning

Actual (observed) output

X Modelled
Imput (real)
Y
data system
Learning is aimed
at minimizing this
Machine difference
Learning
(data-driven)
Predicted output Y
model

Fuente: Hastie, Tibshirani, & Friedman, 2009

Redes Neuronales

Tipo de
Algoritmo Min. Mediana Max. Rango
Arcillas
Illita NN 0.120 0.180 0.320 0.200
Esmectita NN 0.090 0.180 0.380 0.290
IS NN 0.110 0.250 0.350 0.240
Clorita NN 0.050 0.120 0.370 0.320
Caolinita NN 0.180 0.310 0.380 0.200
Random Forest
SVM-Maquinas Vectoriales de Soporte.

Maquinas vectoriales de
Kernel radial.
• Los puntos sobre la
banda difusa
representan maquinas
vectoriales
• Regiones rojos y azul son
las clasificaciones.
• Banda blanca : superficie
marginal.

Fuente: de Thorsten Joachims de Cornell University Computer

Science Department, tj@cs.cornell.edu
Predicción de Minerales de arcilla -
Modo Regresión de SML
Tipo de
Algoritmo Min. Mediana Max. Rango
Arcillas
Illita GLM 0.142 0.166 0.173 0.031
Esmectita GLM 0.408 0.512 0.514 0.106
IS GLM 0.270 0.352 0.380 0.110
Clorita GLM 0.079 0.092 0.096 0.016
Caolinita GLM 0.220 0.233 0.270 0.050
Illita SVM 0.395 0.552 0.630 0.236
Esmectita SVM 0.596 0.703 0.797 0.201
IS SVM 0.575 0.621 0.711 0.137
Clorita SVM 0.329 0.515 0.619 0.290
Caolinita SVM 0.414 0.574 0.647 0.233
Illita RF 0.425 0.612 0.658 0.233
Esmectita RF 0.698 0.739 0.757 0.059
IS RF 0.520 0.677 0.695 0.175
Clorita RF 0.518 0.576 0.627 0.109
Caolinita RF 0.561 0.596 0.645 0.083
Predicción de Minerales de arcilla -
Modo clasificación de SML

Tipo de
Algoritmo Min. Mediana Max. Rango
Arcillas
Illita SVM 0.925 0.937 0.952 0.028
Esmectita SVM 0.881 0.897 0.917 0.036
IS SVM 0.877 0.889 0.917 0.040
Clorita SVM 0.873 0.891 0.909 0.036
Caolinita SVM 0.833 0.863 0.885 0.052
Illita RF 0.956 0.968 0.976 0.020
Esmectita RF 0.901 0.917 0.933 0.032
IS RF 0.901 0.927 0.944 0.044
Clorita RF 0.897 0.919 0.933 0.036
Caolinita RF 0.873 0.891 0.913 0.040
Validación Externa – Regresión
CLASE MUY BAJO (0-10%)

CLASE BAJO (10-30%)

CLASE MEDIA (30-60%)

CLASE ALTA (60-80%)

Validación Externa – Clasificación

MUY ALTO (80-100%)

Caso de Aplicación

Pozo B
Arcillas totales 39%
Esméctita 30%
Caolinita 60%.
Illita 10%
 Conclusiones
El DDM-SML es muy versátil para modelar una relación
compleja de arcillas.
El RF y SVM:
DRX:
• Alto y similar rendimiento.
• Evita el sobreajuste.
• Modo de Regresión: 60-75 % Precisión
• Modo de Clasificación≈ 90 % Precisión
 Permite predicción para identificación de arcillas
con Registro Gamma Espectral.
Preguntas?

GRACIAS!