Técnicas de Predicción

de Propiedades Petrofísicas

En el área de Geociencias, los sistemas en estudio se describen, generalmente, con un gran número de variables que interactúan unas con otras. Algunas de estas variables son de difícil adquisición o alto costo, por lo que es usual tratar de derivar relaciones empíricas que puedan conectarlas de forma que, por ejemplo, se pueda completar registros de pozos u obtener otros parámetros o registros petrofísicos a partir de aquellos parámetros más usuales o de fácil medición.

Tradicionalmente suele dividirse el conjunto de datos en grupos y encontrar algún tipo de relación lineal que los conecte en cada subconjunto. Sin embargo, el problema en estudio puede comprender un número alto de subconjuntos o patrones y la interacción entre las variables puede ser altamente no-lineal.

El Aprendizaje Automático (AA) es una rama de la Inteligencia Artificial que ayuda a reconocer la estructura inherente a un conjunto de datos y permite obtener modelos, usualmente no-lineales, que conectan las variables. Técnicas supervisadas de AA, como Arboles de Decisión, Redes Neuronales, Lógica Difusa o la hibridización de estas, actúan como un método automático de reconocimiento de patrones, modelando la conexión entre parámetros con relaciones de naturaleza no lineal y sin necesidad de una subdivisión o identificación previa de subgrupos, es decir, sin necesidad de conectar -porciones- o -parches- para describir el registro o conjunto completo.