Geo Petro Litix AI – Aprendizaje Automático Informado por la Física
Inteligencia Artificial guiada por la física para la caracterización de yacimientos sin alucinaciones.
Entrenamos nuestros modelos con unidades de flujo hidráulico (HFU) extraídas de la diagénesis real de los pozos, no con promedios estadísticos. Eliminamos las alucinaciones típicas de la IA integrando leyes físicas en cada predicción. Y cada resultado es totalmente explicable con TreeSHAP: no hay caja negra.
MAXIMIZANDO EL VALOR CON MENOR CAPEX
Las compañías operadoras enfrentan una presión creciente para reducir el CAPEX y optimizar el desempeño de los activos. En este contexto, las decisiones técnicas deben basarse en un mejor aprovechamiento de los datos existentes para reducir la incertidumbre, disminuir costos y aumentar el valor económico de los yacimientos.
Nuestra solución aplica Aprendizaje Automático Informado por la Física 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.
DESAFÍOS ACTUALES PARA LAS COMPAÑÍAS OPERADORAS
Las compañías operadoras deben tomar decisiones de alto impacto económico con información limitada. La calidad de los datos disponibles es un factor decisivo para reducir la incertidumbre y mejorar los resultados.
La IA convencional puede generar respuestas plausibles pero físicamente imposibles (alucinaciones). Nuestro enfoque de ML Informado por la Física 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 LÁMINA DELGADA, NÚCLEOS Y REGISTROS DE POZO
Nuestra metodología integra tres fuentes históricas de datos para entrenar modelos sin alucinaciones:
- Puntos de lámina delgada: extraemos coordenadas de conteos mineralógicos puntuales y las vinculamos con la diagénesis.
- Resultados de laboratorio de núcleos: porosidad, permeabilidad, presión capilar y saturaciones.
- Registros de pozo: GR, RHOB, NPHI, resistividad, entre otros.
Con estos datos, entrenamos un modelo Informado por la Física que estima propiedades petrofísicas sin perder coherencia física. El resultado: un modelo estático de yacimiento actualizado, listo para reevaluar reservas sin perforar nuevos pozos.
MÁS VALOR REINTERPRETANDO DATOS EXISTENTES
La caracterización convencional depende de nueva perforación, toma de núcleos y análisis de laboratorio—procesos de alto costo y disponibilidad limitada. Nuestra tecnología utiliza datos de archivo, procesándolos con Inteligencia Artificial guiada por la física para estimar propiedades petrofísicas, complementando los métodos actuales y reduciendo el costo de adquirir conocimiento del yacimiento.
| MÉTODO CONVENCIONAL | ML INFORMADO POR LA FÍSICA |
|---|---|
| Perforación + toma de núcleos | Datos de archivo (láminas delgadas, núcleos, registros) |
| Laboratorios petrofísicos tradicionales | Estimación de HFU basada en diagénesis |
| Modelos estadísticos con riesgo de alucinación | Modelos restringidos físicamente (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: puede ver cómo cada dato (lámina delgada, registro de Rayos Gamma, porosidad de núcleo) influyó en la HFU estimada.
- Validación geocientífica: un petrofísico puede confirmar que las relaciones aprendidas son geológicamente consistentes, libres de correlaciones espurias.
- Confianza regulatoria: al presentar un informe de reevaluación de reservas, puede demostrar la línea exacta de razonamiento del modelo, eliminando la opacidad de la caja negra.
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.
DE DATOS HISTÓRICOS A UN MODELO ACTUALIZADO
La solución integra puntos de datos de lámina delgada, registros de pozo e información de núcleos para entrenar modelos de Aprendizaje Automático Informado por la Física que estiman propiedades petrofísicas y apoyan la actualización del modelo estático de yacimiento.
Unidades de Flujo Hidráulico (HFU): en lugar de entrenar con etiquetas petrofísicas convencionales, nuestro modelo aprende a identificar HFU que reflejan la diagénesis real del yacimiento, asegurando consistencia geológica y predictibilidad física.
BENEFICIOS PARA EL ACTIVO
- Reducción de incertidumbre en la distribución de propiedades.
- Actualización rápida del modelo estático sin perforar nuevos pozos.
- Decisiones de desarrollo y reservas basadas en datos físicamente validados.
- Eliminación de alucinaciones típicas de modelos estadísticos sin restricciones.
- Explicabilidad total con TreeSHAP para auditorías y validación geocientífica.
PERFORACIÓN INTELIGENTE: MODELOS HÍBRIDOS FÍSICA + ML
El aprendizaje automático puramente estadístico no funciona en perforación. Lo que funciona son modelos híbridos que incorporan fenómenos físicos y cálculos de ingeniería en la solución.
Los datos de perforación son escasos, ruidosos y no estacionarios. Un modelo puramente correlacional aprende el campo, no el fenómeno. Las restricciones físicas actúan como regularizador: el modelo generaliza con menos datos y no produce salidas físicamente imposibles.
Patentes estadounidenses otorgadas respaldan esta metodología: desde control de ROP guiado por geología hasta detección automática de atascamientos mediante procesamiento de imágenes.
La premisa
Cada decisión de pozo debe ser auditable; un modelo que respeta la física es explicable en lenguaje de ingeniero. Las restricciones físicas permiten que el modelo generalice con menos datos y evitan salidas físicamente imposibles.
Aplicaciones a 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 automatizada de eventos — posicionamiento de atascamientos, clasificación de ripios, medición de flujo de lodo en tiempo real.
Esta tecnología extiende al dominio de perforación el mismo principio Informado por la Física que Geo Petro Litix ya aplica en yacimientos.
Monitoreo en tiempo real con edge computing.
Centro integrado de operaciones para perforación digital.
PROGRAMA DE CAPACITACIÓN CORPORATIVA
Machine Learning aplicado a la perforación — El enfoque de modelos híbridos. Un programa coimpartido por William Contreras (perforación) y Pablo Guillén (machine learning).
El objetivo no es enseñar a programar modelos. Es enseñar a los equipos técnicos y de gestión a distinguir qué aplicaciones de machine learning en perforación son reales, cuáles son hype, y qué debe tener la organización para capturar valor.
5 módulos
- Línea base de datos — ¿está listo el operador?
- Fundamentos de ML y por qué fallan los enfoques puramente estadísticos — con demostraciones en vivo.
- Casos de aplicación a corto plazo — ROP híbrido, analítica histórica.
- De la analítica a las decisiones — integración en el centro de operaciones en tiempo real.
- El futuro — hoja de ruta hacia la perforación en lazo cerrado y autónoma.
¿Qué lo hace único?
- La combinación de un ingeniero de perforación y un científico de datos que ejecuta modelos en vivo.
- No requiere programación: entrena el criterio para interpretar resultados.
- Casos reales con patentes otorgadas, presentados junto con sus limitaciones.
- Entregable: matriz de diagnóstico de madurez de datos para el operador.
Duración: 3 a 5 días (presencial o modular). Consulte tarifas corporativas.
📧 Solicitar información del programaSobre nosotros
Rafael Antonio Díaz
CEO – Líder Ejecutivo
PMP. Ingeniero de Petróleos (B.S.) desde 1995
Pablo Guillén
CSO – Líder Científico
PhD. Machine Learning / IA aplicada a Oil & Gas desde 1995
William B. Contreras
Especialista Sr. en Perforación Digital
MSc. Ingeniero Mecánico (B.S.) desde 1990
¿Interesado en nuestra tecnología?
Líder Ejecutivo – Rafael Antonio Díaz