GEO IA – 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. Con TreeSHAP, cada HFU predicha incluye el desglose de qué variables influyeron y en qué medida.
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.