Geo Petro Litix AI – Physics Informed Machine Learning
Inteligencia Artificial guiada por la física para caracterizar yacimientos sin alucinaciones.
Entrenamos nuestros modelos sobre unidades hidráulicas de flujo (HFU) extraídas de la diagénesis real de los pozos, no sobre promedios estadísticos. Eliminamos las alucinaciones típicas de la IA integrando leyes físicas en cada predicción. Y cada resultado es completamente explicable con TreeSHAP: no existe caja negra.
MAXIMIZAR VALOR CON MENOR CAPEX
Las empresas operadoras enfrentan una creciente presión por reducir el CAPEX y optimizar el desempeño de sus activos. En este contexto, las decisiones técnicas deben apoyarse en un mejor aprovechamiento de la información existente para disminuir la incertidumbre, reducir costos y aumentar el valor económico de los yacimientos.
Nuestra solución aplica Physics Informed Machine Learning para estimar propiedades petrofísicas con alta fidelidad, evitando las alucinaciones que presentan los modelos puramente estadísticos. Así, cada predicción respeta las leyes de la física de yacimientos.
LOS DESAFÍOS ACTUALES DE LAS OPERADORAS
Las operadoras deben tomar decisiones de alto impacto económico con información limitada. La calidad de la información disponible es un factor determinante para disminuir la incertidumbre y mejorar los resultados.
La IA convencional puede generar respuestas plausibles pero físicamente imposibles (alucinaciones). Nuestro enfoque Physics Informed ML incorpora restricciones termodinámicas y de flujo directamente en la función de pérdida del modelo, asegurando que cada salida sea físicamente consistente. Además, con TreeSHAP sabemos exactamente por qué el modelo tomó esa decisión.
PIML: CORRELACIONANDO DATOS DE LAMINILLAS, CORAZONES Y REGISTROS
Nuestra metodología integra tres fuentes de datos históricos para entrenar modelos que no alucinan:
- Puntos de laminillas delgadas: extraemos las coordenadas de los puntos de conteo mineralógico y las vinculamos con la diagénesis.
- Resultados de laboratorio de corazones: porosidad, permeabilidad, presión capilar y saturaciones.
- Registros de pozo: GR, RHOB, NPHI, resistividad, entre otros.
Con estos datos, entrenamos un modelo Physics Informed que estima propiedades petrofísicas sin perder la coherencia física. El resultado: un modelo estático actualizado del yacimiento, listo para reevaluar reservas sin perforar nuevos pozos.
MÁS VALOR REINTERPRETANDO DATOS EXISTENTES
La caracterización convencional depende de nuevas perforaciones, corazonamientos y análisis de laboratorio, procesos de alto costo y disponibilidad limitada. Nuestra tecnología utiliza información de archivo procesándola con Inteligencia Artificial guiada por la física para estimar propiedades petrofísicas, complementando los métodos actuales y reduciendo el costo de obtener conocimiento del yacimiento.
| MÉTODO CONVENCIONAL | PHYSICS INFORMED ML |
|---|---|
| Perforación + corazonamiento | Datos de archivo (laminillas, núcleos, registros) |
| Laboratorios petrofísicos tradicionales | Estimación de HFU basada en diagénesis |
| Modelos estadísticos con riesgo de alucinación | Modelos con restricciones físicas (sin alucinaciones) |
| Semanas o meses | Días o semanas |
TRANSPARENCIA TOTAL: NO SOMOS UNA CAJA NEGRA
En la industria petrolera, cada decisión sobre reservas debe ser auditable. Por eso incorporamos TreeSHAP, una herramienta de explicabilidad basada en teoría de juegos que descompone cada predicción en la contribución exacta de cada variable de entrada.
¿Qué significa esto para el operador?
- Trazabilidad: puedes ver cómo influyó cada dato (la laminilla, el registro de Gamma Ray, la porosidad del núcleo) en la HFU estimada.
- Validación geocientífica: un petrofísico puede confirmar que las relaciones aprendidas son geológicamente coherentes, sin correlaciones espurias.
- Confianza regulatoria: al presentar un informe de reevaluación de reservas, puedes demostrar exactamente la línea de razonamiento del modelo, eliminando la opacidad de las cajas negras.
TreeSHAP nos permite garantizar que el modelo no está tomando atajos estadísticos, sino aprendiendo las verdaderas relaciones físicas que gobiernan el yacimiento. El resultado: predicciones precisas, explicables y auditables.
DEL DATO HISTÓRICO AL MODELO ACTUALIZADO
La solución integra puntos de laminillas delgadas, registros de pozo e información de corazonamiento para entrenar modelos de Physics Informed Machine Learning que estiman propiedades petrofísicas y apoyan la actualización del modelo estático del yacimiento.
Unidades hidráulicas de flujo (HFU): en lugar de entrenar con etiquetas petrofísicas convencionales, nuestro modelo aprende a identificar las HFU que reflejan la diagénesis real del yacimiento, garantizando coherencia geológica y predictibilidad física.
BENEFICIOS PARA EL ACTIVO
- Reducción de incertidumbre en la distribución de propiedades.
- Actualización rápida del modelo estático sin nuevos pozos.
- Decisiones de desarrollo y reservas basadas en datos físicamente validados.
- Eliminación de alucinaciones propias de modelos estadísticos no restringidos.
- Explicabilidad total con TreeSHAP para auditorías y validación geocientífica.
PERFORACIÓN INTELIGENTE: MODELOS HÍBRIDOS FÍSICA + ML
El machine learning puramente estadístico no funciona en perforación. Lo que funciona son modelos híbridos que incorporan el fenómeno físico y los cálculos de ingeniería dentro de la solución.
La data de perforación es escasa, ruidosa y no estacionaria. Un modelo puramente correlacional aprende el campo, no el fenómeno. La restricción física actúa como regularizador: el modelo generaliza con menos datos y no produce salidas físicamente imposibles.
Patentes concedidas en EE. UU. avalan esta metodología: desde el control de ROP guiado por geología hasta la detección automática de cuñas por procesamiento de imágenes.
La tesis
Toda decisión de pozo debe ser auditable; un modelo que respeta la física es explicable en el lenguaje del ingeniero. La restricción física permite que el modelo generalice con menos datos y evita salidas físicamente imposibles.
Aplicaciones de corto plazo
- Optimización de ROP con modelos híbridos — anclada en la respuesta geológica de la formación.
- Analítica sobre datos históricos — identificación de tiempo no productivo (NPT) y priorización económica sin nuevos pozos.
- Detección automática de eventos — ubicación de cuñas, clasificación de recortes, medición de flujo de lodo en tiempo real.
Esta tecnología extiende al dominio de la perforación el mismo principio Physics Informed que Geo Petro Litix ya aplica en yacimientos.
Monitoreo en tiempo real con edge computing.
Centro de operaciones integradas para perforación digital.
PROGRAMA DE FORMACIÓN CORPORATIVA
Machine Learning Aplicado a Perforación — El Enfoque de Modelos Híbridos. Un programa dictado en alianza por William Contreras (perforación) y Pablo Guillén (machine learning).
El objetivo no es enseñar a programar modelos. Es enseñar a un equipo técnico y gerencial a distinguir qué aplicaciones de machine learning en perforación son reales, cuáles son humo, y qué debe tener la organización para capturar el valor.
5 Módulos
- Línea base de datos — ¿está la operadora lista?
- Fundamentos de ML y por qué el enfoque puramente estadístico fracasa — con demostraciones en vivo.
- Casos de aplicación de corto plazo — ROP híbrido, analítica histórica.
- De la analítica a la decisión — integración en el centro de operaciones en tiempo real.
- El futuro — hoja de ruta hacia el lazo cerrado y la perforación autónoma.
¿Qué lo hace único?
- La combinación del ingeniero de perforación y el científico de datos que ejecuta los modelos en vivo.
- No se programa: se entrena el criterio de lectura de resultados.
- Casos reales con patentes concedidas, presentados con sus limitaciones.
- Entregable: matriz de diagnóstico de madurez de datos de la operadora.
Duración: 3 a 5 días (presencial o modular). Consulte condiciones para empresas.
📧 Solicitar información del programaQuiénes somos
Rafael Antonio Díaz
CEO – Líder Ejecutivo
PMP. Ing. de Petróleos desde 1995
Pablo Guillén
CSO – Líder Científico
PhD. Machine Learning / IA aplicada al Oil & Gas desde 1995
William B. Contreras
Esp. Sr. Perforación Digital
MSc. Ing. Mecánico desde 1990
¿Interesado en nuestra tecnología?
Líder Ejecutivo – Rafael Antonio Díaz