Está en la página 1de 260
UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACIÓN DE INGENIERÍA GEOFÍSICA INTEGRACIÓN DE

UNIVERSIDAD SIMÓN BOLÍVAR

DECANATO DE ESTUDIOS PROFESIONALES

COORDINACIÓN DE INGENIERÍA GEOFÍSICA

INTEGRACIÓN DE PARÁMETROS MAGNÉTICOS Y GAMMA RAY VÍA RND, EN EL POZO SALTARIN 1-A, COLOMBIA

Por:

Victoria Daniela Camacho Ochoa

PROYECTO DE GRADO

Presentado ante la Ilustre Universidad Simón Bolívar

Como requisito parcial para optar al título de

Ingeniero Geofísico

Sartenejas, noviembre de 2010

UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACIÓN DE INGENIERÍA GEOFÍSICA INTEGRACIÓN DE

UNIVERSIDAD SIMÓN BOLÍVAR

DECANATO DE ESTUDIOS PROFESIONALES

COORDINACIÓN DE INGENIERÍA GEOFÍSICA

INTEGRACIÓN DE PARÁMETROS MAGNÉTICOS Y GAMMA RAY VÍA RND, EN EL POZO SALTARIN 1-A COLOMBIA

Por:

Victoria Daniela Camacho Ochoa

Realizado con la asesoría de:

Prof. Vincenzo Costanzo

PROYECTO DE GRADO

Presentado ante la Ilustre Universidad Simón Bolívar

Como requisito parcial para optar al título de

Ingeniero Geofísico

Sartenejas, noviembre de 2010

ii

iii

iii

RESUMEN

En el presente trabajo se utiliza la herramienta computacional de las Redes Neuronales Difusas para integrar datos experimentales de propiedades magnéticas (Cociente S, Susceptibilidad magnética y la Saturación de la magnetización isotermal remanente) y el volumen de arcilla con el propósito de inferir Cociente S en el pozo Saltarín 1-A (Cuenca de los Llanos Orientales, Colombia) a partir de los parámetros antes mencionados.

Para realizar las pruebas computacionales, se utilizó el módulo ANFIS (Adapttive Neuro Fuzzy Inference System de MatLab R2008). Este constituye un modelo híbrido adaptable a cinco capas, que describe una red neuronal con parámetros difusos. Inicialmente, se consideraron dos grupos de datos. El primero de estos incluía sólo 62 muestras de pozo, mientras que el segundo abarcaba un total de 100 muestras. La construcción de los sistemas difusos se hizo tomando como conjuntos de entrada el equivalente al 70% del set de datos total para ambos casos.

Se consideraron también varias combinaciones entre las propiedades estudiadas, a fin de entender el peso de estas en las inferencias realizadas. Luego, todas ellas fueron integradas bajo un único sistema difuso. Los ensayos se llevaron a cabo siguiendo un esquema simple y semi-logaritmico para la variable susceptibilidad. Finalmente, todos estos modelos fueron probados para el pozo completo. Los mejores resultados se cuantificaron en términos del cálculo del error cuadrático medio y de regresiones lineales hechas para gráficos cruzados, entre los datos experimentales y los valores de CS inferidos.

Los mejores resultados fueron obtenidos para aquellos sistemas que involucran las variables , y SIRM como variables de entrada, respondiendo satisfactoriamente a la combinación (2,2,1).

A partir de los resultados obtenidos se analizó la correspondencia de las inferencias con la información litológica disponible. A pesar de las heterogeneidades que atraviesa el pozo y la presencia de anomalías magnéticas en las profundidades someras, las RND logran definir patrones claros a partir de la información suministrada, lo que permite unir con éxito en relaciones numéricas empíricas, los contrastes magnéticos, granulométricos y litológicos con las variaciones en las paleo condiciones óxidos reductoras de los estratos analizados.

iv

A mi mamá Carmen,

mi hermana Daniela

y mi sobrina Antonella.

Gracias por guiar y

alegrar mi camino.

INDICE GENERAL

RESUMEN

iv

INDICE GENERAL

vi

INDICE DE TABLAS

x

INDICE

DE

FIGURAS

xiii

INTRODUCCIÓN

1

CAPITULO I

4

MARCO TEÓRICO

4

1.1

Minerales magnéticos

4

1.2.

Susceptibilidad magnética,

6

1.3

Cociente S, CS

8

1.4

Saturación de la Magnetización Isotermal Remanente

11

1.4.

Registro Gamma Ray

13

1.5.1.

Principales usos

13

1.5.2.

Radiación gamma natural

14

1.5.3.

Radiactividad de lutitas y

17

1.5.5

Usos

cuantitativos del registro gamma ray

18

1.5.6

Usos cualitativos del registro gamma ray

20

CAPITULO II

22

LÓGICA DIFUSA

22

2.1.

Historia

23

2.2

Conjuntos

difusos

24

2.3

Funciones

de pertenencia

25

2.4.

Variables

lingüísticas

27

2.5.

Operaciones con conjuntos difusos

28

vi

2.6

Reglas difusas

29

2.7. Sistemas de inferencia difusa

30

2.8. Tipos de métodos de inferencia difusa

36

2.8.1.

Método de inferencia difusa tipo Mamdani

36

2.8.1.

Método de inferencia difusa tipo Takagi-Sugeno

37

2.9. Sistemas de inferencia adaptativos Neuro-Difusos. (ANFIS)……………… 38

2.9.1. Arquitectura de un modelo tipo ANFIS

39

CAPITULO III

43

MARCO GEOLÓGICO

43

4.1.

Geología regional de la cuenca

45

4.2. Geología local. Descripción litológica, Pozo Saltarín 1-A, Cuenca de los

Llanos Orientales de

47

4.2.1 Carbonera

Formación

49

4.2.2 Formación

León

51

4.2.3 Formación

Guayabo

52

CAPITULO IV

56

METODOLOGÍA

56

4.1

Obtención de

56

4.1.1

Preparación de las muestras

56

4.1.2

Medición del Cociente S

57

4.2.1

Calculo

de

58

4.3.1

Cálculo de Volumen de arcilla

59

4.2

ANFIS

4.2.1 Entrenamiento de un sistema difuso ANFIS, a partir de las variables

Construcción de sistemas difusos utilizando

Pruebas computacionales:

59

Susceptibilidad magnética y

CS

64

4.2.2

Entrenamiento

de

un

sistema

difuso ANFIS con las variables

Susceptibilidad magnética y volumen de arcilla para predecir Cociente S……

vii

70

4.2.3 Construcción de un sistema difuso ANFIS con las variables

Susceptibilidad magnética y SIRM para inferir Cociente

4.2.4 Creación de un sistema difuso ANFIS con las variables Susceptibilidad

75

magnética, volumen de arcilla, SIRM para predecir CS

80

CAPITULO V

 

87

RESULTADOS EXPERIMENTALES Y ANÁLISIS

87

5.1

Resultados

experimentales

87

5.1.1 Registros

de Susceptibilidad

magnética y Cociente S

88

5.1.2 Perfiles de SIRM y Volumen de arcilla

90

5.2

Discusión de resultados

 

93

CAPITULO VI

 

99

RESULTADOS COMPUTACIONALES Y DISCUSIÓN

99

6.1 Posible relación entre parámetros magnéticos y CS

99

6.2 Resultados computacionales con 62 muestras del pozo Saltarín 1-A

103

6.2.1 Inferencia de CS a partir de un sistema difuso empleando la variable

Susceptibilidad magnética, para 62 muestras del pozo Saltarín

6.2.2 Predicción de CS con un sistema difuso que emplea las variables

Susceptibilidad magnética y volumen de arcilla, para 62 muestras del pozo

Saltarín 1A

6.2.3 Inferencia de CS a partir de un sistema difuso empleando las variables

Susceptibilidad magnética y SIRM, para 62 muestras del pozo Saltarín 1A

6.2.4 Predicción de CS a partir de RND empleando las variables

Susceptibilidad magnética, volumen de arcilla y SIRM, para 62 muestras del

pozo Saltarín

6.3 Resultados computacionales para el total de las muestras del pozo Saltarín

103

113

122

130

144

6.3.1 Predicción de CS a partir de un sistema difuso empleando la variable

Susceptibilidad magnética para 100 muestras del

144

viii

6.3.2

Predicción de CS a partir de un sistema difuso empleando las variables

Susceptibilidad magnética y volumen de arcilla para 100 muestras del pozo 151

6.3.3 Predicción de CS a partir de un sistema difuso empleando las variables

Susceptibilidad magnética y SIRM para 100 muestras del

6.3.4 Predicción de CS a partir de un sistema difuso empleando las variables

Susceptibilidad magnética, volumen de arcilla y SIRM para 100 muestras del

158

pozo

166

CONCLUSIONES Y RECOMENDACIONES

179

REFERENCIAS BIBLIOGRAFICAS

182

APÉNDICE A

184

APENDICE B

185

APENDICE C

186

APENDICE D

189

APENDICE E

190

APENDICE F

192

APENDICE G

195

APENDICE H

199

APENDICE I

200

APENDICE J

217

ix

INDICE DE TABLAS

Tabla 1.1: Ejemplo de algunos minerales magnéticos, (modificado de Vallenilla,

2005)

Tabla 1.2: Valores de coercitividad para algunos minerales magnéticos

(modificada de Vallenilla, 2005)

Tabla 1.3: Rango de valores de radiactividad para litologías comunes

(modificado de Glover, P. Notas de Curso de Petrofísica MSc)

Tabla 5.1: Muestras con valores anómalos de susceptibilidad. Modificado de

López (2009)

Tabla 6.1: Modelos para relacionar el valores experimentales de CS con las

variables Susceptibilidad magnética, volumen de arcilla y SIRM a partir de

regresiones lineales, para el pozo Saltarín

Tabla 6.2: Resultados obtenidos para 62 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética y Cociente

Tabla 6.3: Resultados obtenidos para 62 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Logaritmo de

Susceptibilidad magnética y Cociente

Tabla 6.4: Resultados obtenidos para 62 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética, volumen de arcilla y Cociente

Tabla 6.5: Resultados obtenidos para 62 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Logaritmo de

Susceptibilidad magnética, volumen de arcilla y Cociente

Tabla 6.6: Resultados obtenidos para 62 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética, SIRM y Cociente S

6

9

18

95

101

104

107

113

114

123

x

Tabla 6.7: Resultados obtenidos para 62 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Logaritmo de la

Susceptibilidad magnética, SIRM y Cociente

Tabla 6.8: Resultados obtenidos para 62 muestras del pozo Saltarín 1A, mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética, volumen de arcilla, SIRM y Cociente

Tabla 6.9: Resultados obtenidos para 62 muestras del pozo Saltarín 1A, mediante la construcción de un sistema difuso con las variables Logaritmo de Susceptibilidad magnética, volumen de arcilla, SIRM y Cociente S……… 131

Tabla 6.10: Tabla Resumen para los mejores resultados obtenidos con 62

muestras del pozo Saltarín 1A, mediante la construcción de sistemas difusos con

las variables Logaritmo de Susceptibilidad magnética, SIRM y CS……

Tabla 6.11: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética y Cociente

Tabla 6.12: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Logaritmo de

Susceptibilidad magnética y Cociente

Tabla 6.13: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética, volumen de arcilla y Cociente

Tabla 6.14: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Logaritmo de

Susceptibilidad magnética, volumen de arcilla y Cociente

Tabla 6.15: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética, SIRM y Cociente S

Tabla 6.16: Resultados obtenidos para 100 muestras del pozo Saltarín 1A, mediante la construcción de un sistema difuso con las variables Logaritmo de

Susceptibilidad magnética, SIRM y Cociente

123

131

139

145

145

151

152

158

159

xi

Tabla 6.17: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Susceptibilidad

magnética, , SIRM y Cociente S

Tabla 6.18: Resultados obtenidos para 100 muestras del pozo Saltarín 1A,

mediante la construcción de un sistema difuso con las variables Logaritmo de

Susceptibilidad magnética, , SIRM y Cociente

Tabla 6.19: Tabla Resumen para los mejores resultados obtenidos con 100 muestras del pozo Saltarín 1A, mediante la construcción de sistemas difusos con

las variables Logaritmo de Susceptibilidad magnética, volumen de arcilla, SIRM

y

167

168

Cociente

175

xii

INDICE DE FIGURAS

Fig. 1.1: Cálculo del cociente S, exponiendo la muestra rocosa a campos

magnéticos externos de magnitudes 0,4T y

Fig. 1.2: Dirección del campo magnético inducido en cada uno de los ejes de una

muestra en el experimento de SIRM. Modificado de (Sanchez,

Fig. 1.3: Curva de adquisición de IRM de una muestra que ha alcanzado la

saturación. Tomado de (Chaparro, 2006)

Fig. 1.4: Espectro de emisión natural de rayos gamma. Modificado de (Rider,

2006)

Fig. 1.5: Proceso de dispersión y absorción de rayos gamma. Modificado de

Glover, P. Notas de Curso de Petrofísica MSc

Fig. 1.6: Espectro de radiactividad observado de una fuente que contiene uranio,

torio y potasio. Modificado de (Rider,

Fig. 1.7: Comportamiento esperado para diversas litologías en un registro Gamma Ray (modificado de Glover, P. Notas de Curso de Petrofísica MSc)… 20 Fig. 2.1: Función de pertenencia para la variable altura (Modificado del Fuzzy

Logic Toolbox User’s Guide)

Fig. 2.2: Tipos de funciones de pertenencia. (Modificado del Fuzzy Logic Toolbox

10

11

12

15

16

17

26

User’s Guide) Fig. 2.3: Pasos que involucra un sistema de inferencia difuso

User’s Guide) Fig. 2.3: Pasos que involucra un sistema de inferencia difuso

27

31

Fig. 2.4: Diagrama de un sistema de inferencia difuso (Modificado del Fuzzy

Logic Toolbox User’s Guide)

Fig. 2.5: Fusificación de la variable de entrada (Modificado del Fuzzy Logic

Toolbox User’s Guide)

Fig. 2.6: Aplicación del operador difuso “OR” . (Modificado del Fuzzy Logic

Toolbox User’s Guide)

Fig. 2.7: Aplicación del método de implicación. (Modificado del Fuzzy Logic

Toolbox User’s Guide)

31

32

33

34

xiii

Fig. 2.8: Agregación de todas las salidas. (Modificado del Fuzzy Logic Toolbox

35

Fig. 2.9: Proceso de desfusificación. (Modificado del Fuzzy Logic Toolbox User’s

Guide)

Fig. 2.10: Arquitectura de un modelo ANFIS. Tomado de (Alonso, 2000)………39 Fig. 3.1: Ubicación geográfica del Pozo Saltarín-1A. Tomado de (Costanzo, 2009) .

………………………………………………………………………………………………43

Fig. 3.2: Mapa geológico, localizando el pozo SALTARIN-1A y otros pozos

correspondientes a la correlación sur de Bayona et al

Fig. 4.1: Estratigrafía y Procedencia de las rocas del Mioceno en la parte distal

44

36

User’s Guide)

de la cuenca. (Bayona et al, 2008)

46

Fig. 4.2: Cuadro estratigráfico de la cuenca. (Bayona et al, 2008)

48

Fig. 4.3: Columna generalizada a escala 1:4.000 del pozo Saltarín 1-A,

mostrando las superficies de correlación y los ambientes de acumulación para

algunas unidades. (Bayona, 2008)

55

Figura 4.1: Esquema de entrenamiento de un sistema

60

Figura 4.2: Selección de criterios de

62

Figura 4.3: Esquema del modelo difuso

63

Figura 4.4: Ventana de edición de ANFIS con gráfica de datos de entrada…….65

Figura

4.5:

Error de entrenamiento

66

Figura

4.6:

Estructura del sistema

67

Figura 4.7: Datos de entrenamientos y datos

67

Figura 4.8: Sistema difuso correspondiente al entrenamiento ANFIS, para predecir Cociente S a partir de valores de Susceptibilidad magnética………….68

Figura

4.9: Funciones de membresía del sistema difuso (

69

Figura 4.10: Reglas asociadas al sistema difuso (

69

Figura 4.11: Matriz de entrada graficada con valores de y CS

71

Figura 4.12: Estructura del sistema tipo ANFIS para y

72

Figura 4.13: Evolución del entrenamiento de un sistema tipo ANFIS para y

.

xiv

72

Figura 4.14: Sistema difuso tipo ANFIS con Susceptibilidad y como

variables de

73

Figura 4.15: Funciones de membresía del sistema

74

Figura 4.16: Conjunto de reglas que definen el sistema difuso

74

Figura 4.17: Datos de susceptibilidad, SIRM y CS cargados en el ANFIS……

76

Figura 4.18: Esquema representativo del FIS creado para y SIRM

76

Figura 4.19: Evolución del entrenamiento realizado con y

77

Figura 4.20: Gráfica de datos de entrenamiento (círculos azules) y valores

inferidos (puntos rojos) para un sistema difuso entrenado con las variables

Susceptibilidad y

Figura 4.21: Esquema del Sistema difuso entrenado para y SIRM……………78 Figura 4.22: Ventana editora del ANFIS, con las respectivas funciones de

membresía asignadas a cada variable (y

Figura 4.23: Conjunto de reglas asociadas al entrenamiento con las variables y

SIRM para predecir

Figura 4.24: Datos de Susceptibilidad magnética, y SIRM, cargados en la

ventana editora del

Figura 4.25: Estructura del sistema difuso creado con las variables

Susceptibilidad, volumen de arcilla y

Fifura 4.26 Evolución del entrenamiento para las pruebas que involucran las

variables , y

Figura 4.27: Gráfica con datos de entrenamiento (círculos azules) y valores

inferidos (puntos rojos) para un sistema difuso entrenado con las variables

Susceptibilidad, volumen de arcilla y

Figura 4.28: Esquema del Sistema difuso entrenado con las variables, y

SIRM para predecir Cociente S

Figura 4.29: Ventana editora del ANFIS, con las respectivas funciones de

membresía asignadas a cada variable (, y

Figura 4.30: Ventana editora del ANFIS, con el conjunto de reglas asociadas al

entrenamiento con las variables (, y

78

79

80

81

81

82

83

84

85

85

xv

Figura 5.1: Perfiles de Susceptibilidad magnética y Cociente S (en unidades SI) para 62 muestras del pozo Saltarín 1-A (0m-511.97m): (a) Susceptibilidad

magnética, (b) Cociente S

Figura 5.2: Perfiles de Susceptibilidad magnética y Cociente S del pozo Saltarín 1-A. (0m-511.97m): (a) Susceptibilidad magnética, (b) Cociente S………………90 Figura 5.3: Registros de Volumen de arcilla y SIRM para 62 muestras del pozo

Saltarín 1-A. (0m-511.97m): (a) Volumen de arcilla, (b)

Figura 5.4: Registros de Volumen de arcilla y SIRM para el pozo Saltarín 1-A.

(0m-511.97m): (a) Volumen de arcilla, (b) SIRM

Figura 5.3: Envolventes transgresivas definidas para el pozo Saltarín 1-A, a

partir de dos edades bioestratigráficas. Tomado de López (2009)

Figura 6.1: MODELO A, Gráfica de valores experimentales de Cociente S vs

Susceptibilidad magnética para el pozo Saltarín

Figura 6.2: MODELO B, Gráfica de valores experimentales de Cociente S vs

volumen de arcilla para el pozo Saltarín

Figura 6.3: MODELO C, Gráfica de valores experimentales de Cociente S vs

SIRM para el pozo Saltarín

Figura 6.4: Cociente S inferido a partir de valores experimentales de

Susceptibilidad magnética para el pozo Saltarín 1A (0m-511.07m): (a) Cociente

S inferido para 2 reglas difusas, (b) Cociente S inferido para 3 reglas difusas.105

Figura 6.5: Cociente S inferido a partir de valores experimentales de

Susceptibilidad magnética para el pozo Saltarín 1A (0m-511.07m): (a) Cociente

S inferido para 4 reglas difusas, (b) Cociente S inferido para 5 reglas difusas106

Figura 6.6: Cociente S inferido a partir de valores experimentales de Logaritmo de Susceptibilidad magnética para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 2 reglas difusas, (b) Cociente S inferido para 2 reglas

89

91

92

94

100

100

101

108

Figura 6.7: Cociente S inferido a partir de valores experimentales de Logaritmo de Susceptibilidad magnética para el pozo Saltarín 1A (0m-511.07m): (a)

xvi

Cociente S inferido para 4 reglas difusas, (b) Cociente S inferido para 5 reglas

difusas

Figura 6.8: Gráficos cruzados con valores de Cociente S inferido vs Cociente S

experimental para Cuatro Reglas Difusas. (a) Usando el modelo simple ( ),

(b) Utilizando el modelo semi-logaritmico (

Figura 6.9: Gráficos cruzados con valores de Cociente S inferido vs Cociente S experimental para Cinco Reglas Difusas. (a) Usando el modelo simple ( ),

(b) Utilizando el modelo semi-logaritmico (

Figura 6.10: Cociente S inferido a partir de valores experimentales de y para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 3 reglas

difusas (3, 1 ), (b) Cociente S inferido para 4 reglas difusas (4,1 )

Figura 6.11: Cociente S inferido a partir de valores experimentales de y para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 4 reglas difusas (2, 2 ), (b) Cociente S inferido para 5 reglas difusas (5, 1 )….116 Figura 6.12: Cociente S inferido a partir de valores experimentales de y para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 3 reglas

difusas (3, 1 ), (b) Cociente S inferido para 4 reglas difusas (4,1 )

Figura 6.13: Cociente S inferido a partir de valores experimentales de y para el pozo Saltarín 1A (0m-511.07m): (a) (a) Cociente S inferido para 4

reglas difusas (2, 2 ), (b) Cociente S inferido para 4 reglas difusas (6, 1 ) ……………………………………………………………………………………119 Figura 6.14: Gráfico cruzado para valores de Cociente S inferido vs Cociente S experimental para 4 Reglas Difusas de la forma (2,2 ): (a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-logaritmico

(

Figura 6.15: Gráfico cruzado para valores de Cociente S inferido vs Cociente S

experimental para cinco Reglas Difusas de la forma (5, 1 ): (a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-logaritmico

(

109

110

111

115

118

120

121

xvii

Figura 6.16: Cociente S inferido a partir de valores experimentales de y

para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 4

reglas difusas (1, 4SIRM), (b) Cociente S inferido para 4 reglas difusas (2, 2SIRM), (c) Cociente S inferido para 5 reglas difusas (1, 5SIRM)……………125

Figura 6.17: Cociente S inferido a partir de valores experimentales de y

para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 4 reglas difusas (1, 4SIRM), (b) Cociente S inferido para 4 reglas difusas (2,

2SIRM), (c) Cociente S inferido para 5 reglas difusas (1,

Figura 6.18: Gráfico cruzado para valores de Cociente S inferido vs Cociente S

experimental para cuatro Reglas Difusas de la forma (2,2SIRM): (a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-logaritmico

126

(

128

Figura

6.19: Gráfico cruzado para valores de Cociente S inferido vs Cociente S

experimental para cinco Reglas Difusas de la forma (1,5SIRM): (a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-logaritmico

(

129

Figura

6.20: Cociente S inferido a partir de valores experimentales de , y

para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 4 reglas difusas (2, 2 , 1SIRM), (b) Cociente S inferido para 4 reglas difusas

(1, 2 , 2SIRM), (c) Cociente S inferido para 5 reglas difusas (1, 5 ,

1SIRM)

133

Figura

6.21 Cociente S inferido a partir de valores experimentales de ,

y

para el pozo Saltarín 1A (0m-511.07m): (a) Cociente S inferido para 4

reglas difusas (2, 2 , 1SIRM), (b) Cociente S inferido para 4 reglas difusas

(1, 2 , 2SIRM), (c) Cociente S inferido para 5 reglas difusas (1, 5 ,

134

Figura 6.22: Gráfico cruzado para valores de Cociente S inferido vs Cociente S

, 1SIRM): (a)

utilizando el modelo simple ( ), (b) utilizando el modelo semi-

logaritmico (

experimental para cuatro Reglas Difusas de la forma (2, 2

136

xviii

Figura 6.23: Gráfico cruzado para valores de Cociente S inferido vs Cociente S

, 1SIRM): (a)

utilizando el modelo simple ( ), (b) utilizando el modelo semi-

logaritmico (

Figura 6.24: Cociente S inferido a partir de valores experimentales de para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 5 reglas difusas, (b) Cociente S inferido para 6 reglas difusas.146 Figura 6.25: Cociente S inferido a partir de valores experimentales de para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 5 reglas difusas, (b) Cociente S inferido para 6 reglas

experimental para cuatro Reglas Difusas de la forma (1, 5

137

147

Figura 6.26: Gráfico cruzado para valores de Cociente S inferido vs Cociente S experimental para cinco Reglas Difusas considerando 100 muestras del pozo:

(a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-

logaritmico (

Figura 6.27: Gráfico cruzado para valores de Cociente S inferido vs Cociente S experimental para cinco Reglas Difusas considerando 100 muestras del pozo: (a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-logaritmico

(

Figura 6.28: Cociente S inferido a partir de valores experimentales de y volumen de arcilla para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 4 (1,4 ) reglas difusas, (b) Cociente S inferido para 4 (2,2 ) reglas difusas (c) Cociente S inferido para 5 (1,5 ) reglas difusas, (d) Cociente S inferido para 6 (2,3 ) reglas difusas

……………………………………………………………….……………………………154

Figura 6.29: Cociente S inferido a partir de valores experimentales de y volumen de arcilla para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 4 (1,4 ) reglas difusas, (b) Cociente S inferido para 4 (2,2 ) reglas difusas (c) Cociente S inferido para 5 (1,5 ) reglas difusas, (d) Cociente S inferido para 6 (2,3 ) reglas difusas

150

149

.

xix

…………………………………………………………………………………………….155

Figura 6.30: Gráficos cruzados para valores de Cociente S inferido vs Cociente S experimental para cuatro Reglas Difusas de la forma , considerando 100 muestras del pozo Saltaría 1-A: (a) utilizando el modelo simple (

), (b) utilizando el modelo semi-logarítmico (

157

Figura 6.31: Cociente S inferido a partir de valores experimentales de y SIRM para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 5 (1,5SIRM) reglas difusas, (b) Cociente S inferido

para 6 (1,6SIRM) reglas difusas (c) Cociente S inferido para 6 (6,1SIRM)

reglas difusas

Figura 6.32: Cociente S inferido a partir de valores experimentales de y SIRM para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 5 (1,5SIRM) reglas difusas, (b) Cociente S

inferido para 6 (1,6SIRM) reglas difusas (c) Cociente S inferido para 6

(6,1SIRM) reglas difusas

Figura 6.33: Gráficos cruzados para valores de Cociente S inferido vs Cociente S

experimental para seis Reglas Difusas de la forma (6,1SIRM) considerando 100 muestras del pozo Saltaría 1-A: (a) utilizando el modelo simple ( ),

(b) utilizando el modelo semi-logarítmico (

Figura 6.34: Cociente S inferido a partir de valores experimentales de , y SIRM para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de roca: (a) Cociente S inferido para 6 reglas difusas ( , (b) Cociente

S inferido para 4 reglas difusas ( (c) Cociente S inferido para 4

reglas difusas (

Figura 6.35: Cociente S inferido a partir de valores experimentales de

y SIRM para el pozo Saltarín 1A (0m-511.07m) considerando 100 muestras de

roca: (a) Cociente S inferido para 6 reglas difusas ( , (b) Cociente

S inferido para 4 reglas difusas ( (c) Cociente S inferido para 4

reglas difusas (

161

162

165

170

171

xx

Figura 6.36: Gráficos cruzados para valores de Cociente S inferido vs Cociente S experimental para seis Reglas Difusas de la forma ( considerando 100 muestras del pozo Saltaría 1-A: (a) utilizando el modelo simple ( ), (b) utilizando el modelo semi-logarítmico (

xxi

173

1

INTRODUCCIÓN

Los métodos de regresiones lineales han sido ampliamente utilizados para generar modelos que relacionen parámetros experimentales, en cuyos casos, una única expresión matemática correlaciona las variables estudiadas. Sin embargo, estos métodos presentan algunas limitaciones debido a las complejidades presentes en problemas geofísicos y geológicos. Las técnicas no lineales como las Redes Neuronales Difusas (RND), representan un avance en términos de establecer relaciones empíricas entre parámetros que no están conectados en forma clara o simplemente lineal.

En este estudio, se aplican las RND para predecir valores de Cociente S a partir de medidas experimentales de susceptibilidad magnética, de Saturación de la magnetización Isotermal Remanente (SIRM) y el volumen de arcilla, en el Pozo Saltarín 1-A ubicado en el sector centro oriental de la cuenca de los Llanos Colombianos.

El método computacional de redes neuronales difusas es un algoritmo híbrido que combina lógica difusa y redes neuronales. Algoritmos que consideran independientemente redes neuronales (Helle et al., 2001) y lógica difusa (Cuddy and Glover, 2000), así como algoritmos híbridos (Hurtado et al., 2008), han sido previamente utilizados en la predicción de parámetros petrofísicos complejos o de adquisición costosa, como la permeabilidad, en términos de parámetros cuya adquisición es relativamente menos compleja y/o costosa, como la porosidad, registros de rayos gamma, saturación de agua, etc. Además de inferir parámetros petrofísicos, los resultados han proporcionado información litológica adicional de un

2

área en particular (Hambalex, 2003; Finol et al., 2001 y Hurtado et al., 2008, entre otros).

Se sabe que el Cociente S está íntimamente relacionado con cuán reductor u

oxidantes haya sido el ambiente de depositación. No obstante, entre los objetivos de este trabajo se plantea el definir ecuaciones empíricas que permitan inferir dicho parámetro, en términos de la concentración de magnetita, cambios granulométricos

y contrastes litológicos. También se busca que dichas ecuaciones sirvan como una

herramienta numérica objetiva para reconocer diferentes litologías a lo largo de todo

el pozo.

López (2009) logró definir ecuaciones empíricas que relacionan la susceptibilidad magnética y el CS utilizando RND. Las inferencias obtenidas al alimentar la red con datos experimentales para todo el pozo no resultaron lo suficientemente satisfactorias. Él atribuye esto a las claras heterogeneidades litológicas que se observan a través 670 metros de perforación del Saltarín. Sin embargo, logró definir modelos individuales para las Formaciones Guayabo, León y Carbonera, al dividir los datos experimentales que alimentan la red según criterios litológicos.

En este estudio se busca extender dicha investigación, alimentando el modelo con dos parámetros adicionales ( y SIRM), que pudieran sopesar el efecto de las heterogeneidades litológicas del pozo.

Al usar datos de Susceptibilidad magnética, SIRM y volumen de arcilla, se parte del hecho que todos ellos, en conjunto, están relacionados con cambios en las concentraciones relativas entre dos minerales magnéticos, uno de baja (magnetita) y otro de alta (hematita) coercitividad, reflejando a su vez cambios en las paleocondiciones oxido reductoras de los distintos estratos. Es decir, todo contraste de tipo magnético ( , granulométrico (SIRM) y litológico ( ), obedece a algún paleoambiente.

3

Para llevar a cabo las pruebas computacionales, se empleó la interfaz ANFIS de MatLabR2008 y se consideró un total de 100 muestras del pozo. Estas muestras fueron tomadas cada cinco metros y corresponden a lodolitas y areniscas de las Formaciones Guayabo y León. Es importante mencionar, que el pozo estudiado perforó una unidad litoestratigráfica adicional, correspondiente a la Fm. Carbonera. Sin embargo, el alcance del registro Gamma Ray impidió considerar las muestras correspondientes a dicho bloque.

La metodología involucró un número considerable de pruebas regidas por varios esquemas de entrenamiento. Dichos esquemas incluían, según el caso, algunas o todas las variables implicadas. Finalmente, todos los modelos o sistemas difusos creados fueron probados y comparados con los valores experimentales de Cociente S. La escogencia del mejor de los modelos generados estuvo definida por la implementación de gráficos cruzados (valores inferidos vs valores reales) así como el cálculo del RMSE (error cuadrático medio).

En términos de la correspondencia o no de los registros inferidos y los registros experimentales fue posible determinar si en efecto, existe algún contraste litológico que involucre variaciones de alguna otra propiedad, que supere el alcance de los parámetros considerados. En todo caso, una buena correspondencia, brinda además una alternativa viable para la obtención de valores de CS, que en la práctica se traduce en una mejor y más detallada caracterización litológica del pozo.

4

1.1 Minerales magnéticos

CAPITULO I

MARCO TEÓRICO

Unos pocos minerales son magnéticos y las rocas en los que se encuentren pueden,

a su vez, poseer propiedades de este tipo. Se sabe, que diferentes tipos de rocas

pueden identificarse por medio de sus propiedades magnéticas. En la práctica este

comportamiento depende de un pequeño grupo de minerales portadores de hierro en

el material. Los minerales magnéticos contienen átomos de ciertos elementos, de los

que el hierro es el único ejemplo natural importante, que se comportan como

pequeños imanes.

Según Vallenilla (2005), los minerales magnéticos son capaces de registrar la magnetización y conservarla en el tiempo; minerales con esta propiedad son los óxidos de hierro puros como la magnetita y la hematita o en solución sólida con óxidos de titanio. Algunos minerales son más magnéticos que otros y algunos materiales tienen más minerales magnéticos que otros.

La cuantificación de los parámetros magnéticos resulta una alternativa viable en

el estudio detallado de las rocas. La determinación de la remanencia magnética en

una muestra permite conocer la edad de las componentes de magnetización, y por lo tanto, la edad en la cual se depositó. Los estudios magnéticos, en conjunto, pueden permiten inferir tipos y tamaño de los granos magnéticos presentes en las rocas, así como sus concentraciones. Las propiedades magnéticas permiten caracterizar

5

también, litologías y determinar paleoambientes, ciclos eustáticos y tipos de contactos entre formaciones. La magnetita (Fe 3 O 4 ) es el mineral magnético más importante de tierra y de mayor relevancia para el paleomagnetismo pues posee propiedades magnéticas particularmente intensas. Puede formarse en ambientes continentales y marinos como elemento primario o secundario tanto en rocas sedimentarias, ígneas o metamórficas.

La hematita (Fe 2 O 3 ) es el mineral antiferromagnético más conocido, siendo este producto de la alteración de la magnetita y de la deshidratación de la limonita. Es uno de los constituyentes más comunes de las rocas ígneas básicas.

La maghemita (Fe 2 O 3 ) es el producto de la oxidación a bajas temperaturas o de la meteorización de la magnetita. Posee propiedades similares a las de la magnetita, sin embargo es inestable en condiciones de presiones y temperaturas bajas, pues tiende a transformarse en hematita. Es un mineral común tanto en ambientes subaéreos como submarinos.

La goetita (FeOOH) se genera por la meteorización microcristalina, y en conjunto, con otros hidróxidos de hierro, forma la limonita. Tiene un comportamiento antiferromagnético.

En la naturaleza se encuentra presente otro grupo de minerales magnéticos que son los sulfuros de hierro. La fórmula general de estos es FeS 1+x , con 0<x<1. En las rocas terrestres el sulfuro más común es la pirita (FeS) la cual tiene un comportamiento paramagnético a temperatura ambiente.

La pirrotita (Fe 1-x S) es otro mineral ferromagnético. Es un mineral accesorio común en rocas metamórficas, ígneas y sedimentarias, aunque raramente domine la remanencia total de una muestra. Se forma generalmente durante la diagénesis de

6

sedimentos marinos, en ambientes depositacionales con aporte orgánico y en aureolas de metamorfismo de rocas ígneas intrusivas (Butler, 1998). Tabla 1.1: Ejemplo de algunos minerales magnéticos, (modificado de Vallenilla,

2005)

MINERAL

COMPOSICIÓN

ESTADO MAGNÉTICO

Magnetita

Fe 3 O 4

Ferromagnético

Hematita

Fe 2 O 3

Antiferromagnético

Ilmenita

FeTiO 4

Antiferromagnético

Maghemita

Fe 2 O 3

Ferromagnético

Pirrotita

Fe 1-x S

Ferromagnético

Greiguita

Fe 3 S 4

Ferromagnético

Goetita

FeOOH

Antiferromagnético

Hierro

Fe

Ferromagnético

Cobalto

Co

Ferromagnético

Níquel

Ni

Ferromagnético

1.2. Susceptibilidad magnética,

La susceptibilidad magnética es una propiedad adimensional que indica el grado de facilidad que tiene un material de ser magnetizado, es decir, proporciona una idea de cómo se comporta la materia cuando ésta se encuentra en presencia de un campo magnético externo. Esta propiedad varía con la temperatura en la mayoría de los materiales, así como también depende de la forma, concentración, tamaño y tipo de grano que compone la roca y la magnitud del campo externo.

Cuando un material es inmerso en una región en la cual exista un campo magnético, este se magnetiza y la magnitud de la magnetización depende de la intensidad del campo. La magnitud de la magnetización se le denomina momento

7

magnético M, el cual está relacionado a su vez con el campo externo aplicado H de acuerdo a la siguiente expresión:

(1.1)

Donde B es la inducción magnética en el material, M es la magnetización del material y H el campo magnético aplicado.

Las propiedades magnéticas de los materiales no sólo son funciones de la magnitud de M sino también de la forma en que ésta varía con H. Se denomina susceptibilidad magnética , al cociente del momento magnético entre la magnitud del campo magnético aplicado. Para una gran cantidad de materiales se cumple entonces la relación:

(1.2)

Según López (2009), las propiedades magnéticas de los sólidos son determinadas fundamentalmente por átomos individuales y por los electrones asociados a éstos. Dichos átomos pueden tener un número considerable de electrones, cada uno con su espín asociado, un momento angular orbital determinado y un momento magnético asociado a cada uno de ellos. Entonces, el momento magnético del átomo es la suma de todos los momentos magnéticos electrónicos.

Si los momentos magnéticos de todos electrones están orientados de tal forma que se cancelan mutuamente, entonces el átomo como un todo no tendrá momento magnético (diamagnetismo). Si los momentos magnéticos sólo se cancelan de forma parcial, el átomo conservará un momento magnético remanente que permitirá en la práctica poder clasificar los materiales en anti para, ferri y ferromagnéticos.

8

Se tiene entonces que, según la intensidad de las mediciones de la susceptibilidad magnética, los materiales se clasifican en: diamagnéticos, paramagnéticos y ferromagnéticos. Los materiales diamagnéticos presentan valores de susceptibilidad negativa debido a que la magnetización en estos casos se da en sentido opuesto al campo aplicado. Todos los materiales tienen un término diamagnético base, pero puede ser apantallado por la susceptibilidad paramagnética.

Los materiales paramagnéticos registran valores de susceptibilidad bajas, ya que la magnetización de estos es débil. La magnetización que adquieren los sólidos al estar bajo un campo magnético externo depende linealmente del campo aplicado y ésta desaparece cuando el campo es removido. En cambio, los materiales ferromagnéticos muestran valores de susceptibilidad altos y positivos, debido a que poseen propiedades magnéticas fuertes.

Las medidas de susceptibilidad magnética en rocas son esenciales para las investigaciones en ciencias de la tierra y sus usos son numerosos. La susceptibilidad magnética es empleada frecuentemente para calcular la concentración de minerales magnéticos, con el fin de ayudar a identificar rocas. Se sabe por ejemplo que, las rocas de menor susceptibilidad magnética son por lo general sedimentarias, mientras que las de mayor susceptibilidad corresponden a rocas ígneas básicas.

Además, se utilizan registros de susceptibilidad magnética para determinar zonas de perturbación, hiatos, sedimentos de aluvión en ambientes lacustres y marinos, y para precisar cambios estratigráficos en núcleos de sedimentos marinos profundos. Asimismo, las mediciones de susceptibilidad magnética han sido empleadas para relacionar el cambio climático y el campo magnético de la tierra así como para entender las relaciones océano y clima.

1.3 Cociente S, CS

9

El Cociente S permite establecer una proporción relativa entre minerales de alta coercitividad, como la hematita y minerales de baja coercitividad, como la magnetita presentes en una muestra rocosa (Opdyke y Channell, 1996). Entendiendo por coercitividad a el campo magnético requerido para rotar por 180º la dirección de magnetización de un grano de dominio simple (granos muy finos de minerales ferromagnéticos).

Según López (2009), en muchos casos, las mediciones de cociente S estiman la importancia relativa entre minerales antiferromagnéticos (como la hematita) y minerales ferrimagnéticos (como la magnetita).

Partiendo de la medición de las propiedades magnéticas de los minerales, se pueden calcular ciertos parámetros cuyos valores serán indicativos del mineral magnético. El cociente S por ejemplo, presenta valores que van en el rango de 0 a 1. Los valores cercanos a cero, indican que la magnetización remanente de la muestra es debido a minerales magnéticos de alta coercitividad (hematita). Mientras que si los valores del cociente S, se encuentran cercanos a 1, se puede decir que el mineral magnético dominante en la muestra es de baja coercitividad (magnetita).

Tabla 1.2: Valores de coercitividad para algunos minerales magnéticos (modificada de Vallenilla, 2005)

MINERAL

Magnetita

Hematita

COERCITIVIDAD (mT)

0.1 -30

40-175

Maghemita

6-9

Pirrotita

9-100

Greiguita

10-70

Goetita

25-252

10

Partiendo de este hecho, el cociente S permite discriminar entre mineralogías magnéticas de las muestras rocosas, debido esencialmente a que su valor se traduce en una proporción relativa de las concentraciones de hematita sobre magnetita.

Además, los registros de cociente S pueden emplearse en la deducción de posibles ambientes de depositación y cambios mineralógicos de los estratos. Esto se debe a que valores de cociente S cercanos a cero, corresponden a ambientes oxigenados en principio de aguas someras, que permitan la precipitación de hematita. En contraposición, valores de cociente S cercanos a 1, corresponden a ambientes con oxigenación reducida y de poca circulación, básicamente de aguas profundas que permitan la acumulación de magnetita.

Para obtener el valor de cociente S de una muestra debe seguirse el siguiente procedimiento. En principio, debe aplicársele a la muestra un campo magnético elevado (de 2.4 T o 4 T) e inmediatamente medir la magnetización adquirida bajo la influencia de este campo. Posteriormente debe medirse la magnetización adquirida luego de aplicarle a la muestra un campo de menor intensidad (0,3T o 0,4T), en sentido opuesto pero en la misma dirección. Finalmente el valor del cociente S resultante, será el cociente entre las magnetizaciones antes medidas. En la Figura.- se esquematiza el procedimiento que debe seguirse en el cálculo del cociente S para muestras rocosas.

en el cálculo del cociente S para muestras rocosas. Fig. 1.1: Cálculo del cociente S, exponiendo

Fig. 1.1: Cálculo del cociente S, exponiendo la muestra rocosa a campos magnéticos externos de magnitudes 0,4T y 4T.

11

1.4 Saturación de la Magnetización Isotermal Remanente

El magnetismo remanente isotermal es aquel que es inducido a una muestra producto de la aplicación de un campo magnético intenso (en las direcciones X, Z e Y) a temperatura constante. El SIRM, es la saturación del IRM, entiéndase, el punto en el cual la muestra no podrá aumentar su remanencia, que a su vez viene determinado por el tipo de minerales magnéticos y sus concentraciones.

por el tipo de minerales magnéticos y sus concentraciones. Fig . 1.2: Dirección del campo magnético

Fig. 1.2: Dirección del campo magnético inducido en cada uno de los ejes de una muestra en el experimento de SIRM. Modificado de (Sanchez, 2006).

La curva del SIRM es aquella que se construye entonces a partir de la adquisición del IRM y del aumento progresivo del campo magnético inducido, hasta llegar a la saturación (Figura 1.3). La forma de esa curva depende la coercitividad de los minerales magnéticos (Lowrie, 1997).

12

12 Fig. 1.3: Curva de adquisición de IRM de una muestra que ha alcanzado la saturación.

Fig. 1.3: Curva de adquisición de IRM de una muestra que ha alcanzado la saturación. Tomado de (Chaparro, 2006)

Estas curvas de SIRM pueden ser combinadas con curvas de desmagnetización por campos alternos, las cuales permiten caracterizar el tamaño de los granos magnéticos que componen la roca. Dependiendo del punto en que ambas curvas se interceptan, es posible determinar con precisión los dominios magnéticos (Sánchez,

2006).

Cuando se habla de granulometrías magnéticas se refiere al tamaño de grano magnético. Según estos, los granos pueden ser superparamagnéticos, de dominio simple y de dominio múltiple. L os granos superparamagnéticos son partículas muy finas, con un comportamiento muy inestable, con tiempo de relajación menores a 100s. En la hematita y la magnetita, este comportamiento se presenta para granos menores a 0,03 m de longitud (Lowrie, 1997).

El dominio simple se presenta cuando la partícula magnética mide entre 0,03 y 1 m para la magnetita y 0,03 y 15 m para la hematita, y se puede magnetizar uniformemente en un dominio único, lo cual lo hace muy estable y requiere de un campo magnético muy intenso para su desmagnetización. El dominio múltiple ocurre cuando el grano magnético es lo suficientemente grande como para que la energía magnética aumente hasta en el punto en que la magnetización no se pueda mantener uniforme. Para la magnetita el verdadero valor del dominio múltiple se

13

presenta en granos que sobrepasan el rango entre los 15 y 20 m, mientras que los que se encuentran en el rango intermedio se les conoce como dominio pseudosimple (Lowrie, 2008).

1.4. Registro Gamma Ray

El

registro

gamma

ray

mide

la

radiación

gamma

natural

emitida

por

las

formaciones en el subsuelo con respecto a la profundidad (García, 2005).

En la naturaleza, los únicos isótopos inestables que producen una cantidad apreciable de rayos gamma son el potasio ( 40 K), el uranio ( 238 U) y el torio ( 232 T). Estos tres isótopos, en su degradación a isótopos estables, son los que originan la radiactividad natural de las formaciones (García, 2005).

El registro gamma ray simple cubre la radiactividad de estos tres elementos combinados, mientras que el gamma ray espectral muestra la contribución individual de cada uno de ellos (Rider, 1996).

El significado geológico de la radiactividad se encuentra en la distribución de esos tres elementos. La mayoría de las rocas son radiactivas en cierto grado, las rocas ígneas y metamórficas, por ejemplo son mucho más radiactivas que las rocas sedimentarias. Sin embargo, entre todos los sedimentos, las arcillas son quienes emiten una mayor radiación, aunque deberá tomarse en cuenta que no todas las arcillas son radiactivas y que no toda radiactividad debe ser por ende emitida por estas.

1.5.1. Principales usos

14

El registro gamma ray es utilizado cuantitativamente para obtener el volumen de arcillas. Cualitativamente, en su forma más simple, este puede ser empleado para correlacionar o sugerir facies y secuencias sedimentarias, así como para identificar litologías (Rider, 1996).

Adicionalmente, el registro gamma ray espectral puede usarse para calcular el volumen de minerales radiactivos y un volumen de arcilla mucho más preciso. Asimismo, se emplea este tipo de registros para caracterizar tipos de minerales de arcillas predominantes en las rocas, ambientes depositacionales, posibles fracturas y para la ubicación de la roca madre o generadora.

1.5.2. Radiación gamma natural

La radiación natural en las rocas proviene esencialmente de tres fuentes: los elementos radiactivos de la familia del torio, de la familia del uranio y del isotopo radiactivo de potasio 40 K.

El potasio es por mucho el mas abúndate de estos tres elementos, sin embargo su contribución en la radiactividad total en relación con su peso es pequeña. En realidad, las contribuciones de estos tres elementos sobre la radiactividad total están en el mismo orden de magnitud mientras que la abundancia por el contrario pareciera ser el inverso de la contribución en energía. Por ello, una pequeña cantidad de uranio tendrá un efecto mayor en la radiactividad y una gran cantidad de potasio tendrá un efecto mínimo (Rider, 1996).

Cada una de estas tres fuentes emite rayos gamma espontáneamente. Esto significa que, ellas producen fotones con masa y carga nulas pero con alta energía. La energía en el caso del uranio, torio y potasio ocurre en el espectro de 0 a 3 MeV. La radiación del 40 K es distintiva, con un único valor de energía de 1.46 MeV. Por el contrario, el uranio y el torio emiten radiación en un rango de energías pero con

15

picos inequívocos de frecuencia. Estos picos son especialmente distintivos para niveles altos de energía, 2.62 MeV para el torio y 1.46 MeV para el uranio. El espectro y los niveles de energía que se muestran a continuación ilustran ambos, el punto de emisión natural de rayos gamma para los elementos fuente (uranio, potasio y torio).

gamma para los elementos fuente (uranio, potasio y torio). Fig. 1.4: Espectro de emisión natural de

Fig. 1.4: Espectro de emisión natural de rayos gamma. Modificado de (Rider, 2006)

Una de las características de los rayos gamma es que cuando estos atraviesan algún material su energía es absorbida progresivamente. Este efecto se conoce como la Dispersión de Compton y es producto de la colisión de los rayos gamma y los electrones, que trae consigo una disminución de la energía. Mientras mayor sea la densidad electrónica del material que atraviesan los rayos gamma, mayor será la pérdida de energía (Rider, 1996).

16

16 Fig. 1.5: Proceso de dispersión y absorción de rayos gamma. Modificado de Glover, P. Notas

Fig. 1.5: Proceso de dispersión y absorción de rayos gamma. Modificado de Glover, P. Notas de Curso de Petrofísica MSc

Los rayos gamma son detectados por un sensor que produce un pulso eléctrico discreto para cada rayo gamma detectado y registra el número de pulsos captados por unidad de tiempo (García, 2005). Por tanto, la intensidad de los rayos gamma medida por la herramienta es función de:

- La intensidad inicial de los rayos gama emitidos, que está relacionada directamente con la composición elemental de las rocas.

- La cantidad de energía perdida debido a la dispersión de Compton, que

se encuentra determinada por la densidad del medio y la distancia entre la

fuente emisora de radiactividad y el detector.

En registros de pozo, cuando la radiación es medida por la herramienta, ésta atravesó previamente la formación y probablemente el lodo de perforación (ambas causas de la dispersión de Compton). Así, los niveles discretos de energía a los cuales son emitidos los rayos gamma se degradan o convierten en un espectro continuo. Cuando cada mineral radiactivo está presente, su radiación se mezclara en un espectro continuo, en el cual pueden distinguirse los picos correspondientes al

17

uranio, torio y potasio empleados en la práctica, para identificar las fuentes originales de la radiación (Rider, 1996)

las fuentes originales de la radiación (Rider, 1996) Fig. 1.6: Espectro de radiactividad observado de una

Fig. 1.6: Espectro de radiactividad observado de una fuente que contiene uranio, torio y potasio. Modificado de (Rider, 1996).

1.5.3. Radiactividad de lutitas y arcillas.

Las litologías que comúnmente emite mayor radiactividad son las lutitas, debido a que estas son en última instancias, derivadas de las rocas ígneas, las cuales poseen un contenido significativo de isótopos emisores de rayos gamma. Las rocas ígneas están compuestas por cuarzo, feldespatos y micas, siendo estas últimas portadoras de un gran contenido de potasio y ocasionalmente de isótopos de las series del torio y uranio. Los feldespatos y las micas, por lo general resultan alterados a minerales de arcillas con una estructura reticular que facilita la inclusión de radio isótopos. Estas arcillas forman los principales componentes de las lutitas. Por tanto, ellas pueden contener hasta un 0,3% de potasio y un 0,01% de los isotopos de uranio y torio (Rider, 1996).

En registros petrofísicos la radiactividad se mide en la escala API. La tabla que se muestra a continuación reseña los valores típicos en API para algunos minerales. Nótese que especialmente las lutitas y las evaporitas poseen los valores más altos de

18

radiactividad, mientras que para las arenas y las calizas se tienen los valores más

bajos.

Tabla 1.3:

Rango de valores de radiactividad para litologías comunes (modificado

de Glover, P. Notas de Curso de Petrofísica MSc).

MINERAL

RADIACIÓN GAMMA (UNIDADES API)

Mineral

puro

Calcita

0

Dolomía

0

Cuarzo

0

Litología

Caliza

5-10

Dolomita

10-20

Arenisca

10-30

Lutita

80-140

Evaporitas

Halita

0

Anhidrita

0

Silvina

0

Gypsum

500

Otros

Sulfuros

0

Lignito

0

Antracita

0

Micas

200-350

1.5.5 Usos cuantitativos del registro gamma ray.

En la mayoría de los reservorios las litologías suelen ser bastantes simples,

presentando ciclos de areniscas y lutitas o carbonatos y lutitas. Una vez que las

litologías son identificadas, el registro gamma ray puede ser empleado para calcular

19

el volumen de arcilla de las rocas. Esto es importante, porque permite discriminar las rocas yacimientos (Rider, 1996).

Si consideramos el valor máximo de gamma ray en el registro cómo el valor que tendría una roca cuya composición es de 100% lutita (línea de lutita), y el valor mínimo de gamma ray como el que tendría una roca con 0% lutita (línea de arena) y considerando la escala del registro como una escala lineal, cualquier valor en éste tendrá un volumen de arcilla asociado y a la vez definido por la siguiente relación.

(2.3)

Puede notarse que el cálculo del volumen de arcilla es una especie de “caja negra” puesto que la escogencia de los valores de GR mínimo y GR máximo en el registro depende mucho de la experiencia del petrofísico. Generalmente el volumen de arcilla calculado no suele ser exacto y tiende a estar por encima del valor real.

Más aún, no existe ninguna base científica para asumir que la dependencia entre el valor de gamma ray y el volumen de arcilla, debe ser estrictamente lineal. Por ende, varias modificaciones a esta relación han sido originadas como parte de resultados empíricos. Dichas relaciones cambian para rocas jóvenes (no consolidadas) y para rocas antiguas (consolidadas).

Para rocas Pre-Terciarias (rocas consolidadas);

(2.4)

Para rocas Terciarias (rocas no consolidadas);

(2.5)

Donde él

relación.

corresponde al volumen de arcilla, calculado a partir de la siguiente

20

(2.6)

1.5.6 Usos cualitativos del registro gamma ray

El registro gamma ray es una herramienta especialmente útil en la discriminación de litologías. Si bien no puede definir cualquier litología de forma inequívoca, la información que suele brindar es invaluable cuando se combina con otros registros. En la Figura 1.7, se muestra el comportamiento de algunas litologías en un registro gamma ray, así como también se señalan las líneas de mínimo y máximo gamma ray o líneas de arena y lutita, respectivamente.

gamma ray o líneas de arena y lutita, respectivamente. Fig. 1.7: Comportamiento esperado para diversas litologías

Fig. 1.7: Comportamiento esperado para diversas litologías en un registro Gamma Ray (modificado de Glover, P. Notas de Curso de Petrofísica MSc).

Para las areniscas y otras rocas arenosas se tiene que el cuarzo, principal componente de grano grueso de las rocas detríticas no muestran radioactividad, y por tanto, estas suelen estar asociadas a valores bajos de gamma ray. Sin embargo,

21

asociaciones de minerales detríticos pueden ser radiactivas. Los más comunes son los feldespatos, las micas minerales pesados y fragmentos líticos. Todos ellos, originan areniscas que pueden presentar valores de gamma ray altos y moderados.

Los carbonatos en su estado puro no son radiactivos. No obstante, en algunas facies, estos pueden contener materia orgánica, que suele ser radiactiva debido a la presencia de uranio. Además, las evaporitas más comunes como la anhidrita y la sal, arrojan valores de radiactividad extremadamente bajos. Sin embargo, altas radiactividades en algunas evaporitas es causada por la presencia de potasio.

Entre las formaciones menos comunes, el carbón y el yeso dan respuestas bastante bajas de gamma ray, mientras que las cenizas volcánicas y las capas de potasio producen lecturas sumamente altas (García, 2005)

22

CAPITULO II

LÓGICA DIFUSA

La lógica difusa es una rama de la inteligencia artificial basada en el concepto de grados de pertenencia. En cierto nivel, la lógica difusa puede ser vista como un lenguaje que permite trasladar sentencias complejas en lenguaje natural a un lenguaje matemático formal a través de la teoría de conjuntos difusos y funciones características asociadas a ellos, por lo cual el aspecto central de los sistemas basados en la teoría de la lógica difusa es que tienen la capacidad de reproducir de manera aceptable los modos usuales de razonamiento, considerando que la certeza de una proposición viene definida por grados o por niveles.

La lógica difusa trata de crear aproximaciones matemáticas en la resolución de ciertos tipos de problemas y pretende producir resultados exactos a partir de datos imprecisos. Puede definirse entonces como un sistema matemático que modela funciones no lineales y que convierte unas entradas en salidas acordes con los planteamientos lógicos que usan el razonamiento aproximado (Wong y Nikravesh,

2001).

Un sistema difuso es un conjunto de reglas de lógicas (premisas y conclusiones) que usa conjuntos difusos con límites imprecisos. Un sistema difuso tiene límites vagos, en contraste con los conjuntos de la lógica convencional. Esto implica que un objeto puede tener parcial membresía o pertenencia en más de un conjunto difuso. En un conjunto convencional, el valor de uno (1) indica completa pertenencia, mientras que el valor de cero (0) indica no pertenencia. Para un conjunto difuso la pertenencia puede ser representada por un número fraccionario entre cero y uno (López, 2009).

23

2.1. Historia

En 1965 el doctor Lofti A. Zadeh de la Universidad de California publicó su artículo “Conjuntos Difusos” (Fuzzy Sets) en el cual describió, a través de la teoría matemática de conjuntos, cómo poder trabajar matemáticamente con expresiones imprecisas tal como lo hacen los seres humanos. Bajo este concepto, introdujo la idea de que los elementos sobre los que se construye el pensamiento humano no son números sino etiquetas lingüísticas (González, 2006).

Sin embargo, sus orígenes se remontan hasta hace 2500 años. Los filósofos griegos como Aristóteles, consideraban que existían varios grados de veracidad y falsedad pero fue Platón quien creó las bases de lo que luego se llamaría “lógica difusa” al sugerir la existencia de una tercera región, mas allá de lo verdadero y lo falso donde estos conceptos se cruzaban considerando los grados de pertenencia.

Fueron los aportes de diversas disciplinas los que influyeron a Zadeh en la publicación de su famoso ensayo, entre los que destacan la paradoja de Bertrand Russell, el principio de incertidumbre de la física cuántica de Heisenberg, la teoría de los conjuntos vagos de Max Black, además de la contribución fundamental del polaco J. Lukasiewicz creador de la lógica multivaluada, quien visualizo los conjuntos con un posible grado de pertenencia con valores de 0 y 1, y después lo extendió a un número infinito de valores dentro de dicho rango.

A principio de la década de los setenta se establecen varios grupos de investigación en lógica difusa en algunas pequeñas universidades japonesas, los profesores Terana y Shibata en Tokio y los profesores Takana y Asai en Osaka. En 1974 el británico Ebrahim H Mamdani, demuestra la aplicabilidad de la lógica difusa en el campo del control y desarrolla el primer sistema de control difuso práctico para la regulación de un motor de vapor.

24

Paralelamente al desarrollo de las aplicaciones de la lógica difusa, en los años ochenta, investigadores teóricos como Takagi y Sugeno trabajan en la primera investigación para construir reglas difusas a partir de datos de entrenamiento, y aunque en un principio no tienen mucha repercusión, mas tarde será el punto de partida para la investigación de sistemas difusos.

En la década de los noventa, además de las redes neuronales y la lógica difusa, aparen los algoritmos genéticos. Estas tres técnicas computacionales pueden combinarse de múltiples maneras y se pueden considerar complementarias, lo que las convierte en herramientas de trabajos muy potentes en el campo de la investigación.

2.2 Conjuntos difusos

Un conjunto es una porción del universo que cumple con características específicas. Según la lógica convencional, se puede asegurar que un conjunto es exactamente una función del universo entre el rango de los valores de 0 y 1, que asocia precisamente el valor 1 a los objetos que estén el conjunto y el valor 0 a los que no (González, 2006).

En líneas generales, los conjuntos clásicos se definen mediante aseveraciones que dan lugar a una clara división del universo entre valores “verdaderos” y “falsos”. El razonamiento humano, sin embargo, utiliza afirmaciones que no se pueden reducir a este tipo de división, debido esencialmente a que los fenómenos cotidianos tienen implícito cierto grado de imprecisión en la descripción de la naturaleza.

Sea X un espacio de puntos o un universo con un elemento genérico denotado por .

Un conjunto difuso A en X, está caracterizado por una función característica o de membresía que asocia a cada elemento de X un número real en el intervalo de

y cuyo valor representa el grado de pertenencia de

en A (Zadeh, 1965).

25

Se tiene entonces que, un conjunto difuso es un conjunto de pares ordenados en el que el primer elemento corresponde a un número en el rango de

que define el grado de pertenencia de un elemente en A, y la segunda componente

especifica precisamente el elemento

.

Así pues, los conjuntos difusos pueden ser vistos como una generalización de los conjuntos clásicos, la teoría clásica de conjuntos sólo considera la pertenencia o no de un elemento a un conjunto, mientras que la teoría de los conjuntos borrosos propone la pertenencia parcial de un elemento a un conjunto que viene dada por un grado de

pertenencia.

2.3 Funciones de pertenencia

Cada elemento de un universo es miembro en alguna medida del conjunto difuso, es decir, la pertenencia o no de un elemento a un conjunto borroso A no es absoluta sino gradual. La función que asigna a cada elemento un grado de pertenencia a dicho conjunto se denomina función de pertenencia o función de

membresía

.

Según Bejarano (2004), una función de membresía es una curva que define cómo cada punto del espacio de entrada o universo del discurso es representado en un valor de pertenencia (grado de pertenencia) entre 0 y 1.

Matemáticamente, un conjunto difuso A se define como:

(2.1)

26

donde se conoce como la función de pertenencia y se establece de una manera arbitraria, X es el llamado universo de discusión y son los elementos de ese universo. La única condición que debe cumplir una función de pertenencia, es que debe tomar valores entre 0 y 1, con continuidad.

es que debe tomar valores entre 0 y 1, con continuidad. Fig. 2.1: Función de pertenencia
es que debe tomar valores entre 0 y 1, con continuidad. Fig. 2.1: Función de pertenencia

Fig. 2.1: Función de pertenencia para la variable altura (Modificado del Fuzzy Logic Toolbox User’s Guide)

La imagen anterior muestra una comparación gráfica entre funciones de membresía para las lógicas convencional y difusa. La primera de estas sólo admite sentencias “verdaderas” o “falsas” (en este caso alto y bajo), mientras que la lógica borrosa admite los llamados grados de pertenencia definidos por la curva y comprendidos entre los valores de cero y uno, a la vez que permite el uso de afirmaciones como “no tan alto”.

Algunas

de

las

funciones

de

membresía

más

utilizadas

por

su

simplicidad

matemática

y

por

su

manejabilidad

son:

triangular,

trapezoidal,

sigmoidal,

gaussiana.

27

27 Fig. 2.2: Tipos de funciones de pertenencia. (Modificado del Fuzzy Logic Toolbox User’s Guide) 2.4.

Fig. 2.2: Tipos de funciones de pertenencia. (Modificado del Fuzzy Logic Toolbox User’s Guide)

2.4. Variables lingüísticas

La teoría de conjuntos difusos se puede utilizar para representar expresiones lingüísticas que describen conjuntos o algoritmos. Los conjuntos difusos son capaces por si mismo de captar la vaguedad lingüística de palabras y frases aceptadas comúnmente, que definen ciertos elementos. Entonces, la base estructural principal dentro de cualquier sistema de Lógica Difusa en una variable lingüística.

Una variable lingüística como su nombre lo indica, es una variable cuyos valores son palabras u oraciones enmarcadas en un lenguaje predeterminado. Este tipo de variables admite que sus sentencias sean etiquetas lingüísticas o términos, definidos como conjuntos difusos.

La idea básica sugerida por Zadeh es que una etiqueta lingüística tal como “muy”, “más o menos”, “ligeramente”, pueden considerarse como un operador que actúa

28

sobre un conjunto difuso asociado al significado de su operador. (González, 2006). Se tiene entonces que las etiquetas lingüísticas pueden ser caracterizadas como operadores más que como construcciones complicadas sobre las operaciones primitivas de conjuntos difusos.

2.5. Operaciones con conjuntos difusos

Las operaciones entre los conjuntos difusos funcionan entre sí del mismo modo que para los conjuntos clásicos o conjuntos de la lógica Booleana. Esto se debe básicamente a que el razonamiento difuso no es más que un “súpergrupo” o una generalización de la lógica estándar.

Dado que los conjuntos difusos no se particionan en el mismo sentido que los conjuntos Booleanos, estas operaciones son aplicadas al nivel de pertenencia como una consecuencia de los conjuntos difusos. Decidir si un valor es miembro o no de cualquier conjunto difuso en particular, requiere algunas nociones de cómo está construido el conjunto, del universo y de los límites de éste. (Bejarano ,2004)

Es posible definir las operaciones tales como intersección, unión y complemento haciendo uso de las mismas funciones de pertenencia. Estas tres operaciones definidas para conjuntos difusos cumplen,al igual que la teoría clásica de conjuntos, asociatividad, conmutatividad y distributividad.

El conjunto complementario de

de un conjunto difuso

es aquel cuya función

característica viene dada de la siguiente manera.

(2.2)

29

La unión de dos conjuntos difusos

y

es un conjunto difuso

en

función de pertenencia viene definida por:

La intersección de dos conjuntos difusos cuya función de pertenencia es:

y

es un conjunto difuso

cuya

(2.3)

en

(2.4)

Cabe destacar, sin embargo, que existen dos leyes fundamentales de la teoría clásica de conjuntos como lo son: el Principio de contradicción , y el Principio de exclusión que no se cumplen en la teoría de conjuntos difusos. Más aún, una manera de demostrar en qué se diferencian la teoría clásica de conjuntos y la teoría difusa es demostrando que estos dos principios en términos de la lógica difusa no se cumplen.

2.6 Reglas difusas

Según López (2009), las reglas difusas combinan uno o más conjuntos borrosos de entrada (antecedentes o premisas) y les asocian un conjunto borroso de salida (consecuente o consecuencia),

Las reglas difusas son usadas para formular sentencias condicionales que comprenden la lógica difusa. Las reglas consisten en una premisa y un consecuente que representan la relación entre diferentes variables lingüísticas en un sistema y definen acciones o resultados.

30

Una regla difusa base, es un conjunto de reglas SI-ENTONCES que pueden ser expresadas de la siguiente forma:

Si

es A entonces

es B

donde A y B son variables lingüísticas definidas por grupos difusos en los rangos X e Y, respectivamente. Más formalmente puede definirse una regla difusa de la siguiente manera:

(2.5)

donde

y

son conjuntos difusos de

x

x….x

y

,

y

y

respectivamente, son los

valores numéricos concretos de

y

, también respectivamente. (Pérez, 2005)

Se observa que esto es un tipo de regla multi-antecedente, puesto que combina varias variables dentro de las premisas. Este tipo de reglas es el más común en la elaboración de sistemas borrosos o difusos.

2.7. Sistemas de inferencia difusa

Se conoce como inferencia difusa, el proceso mediante el cual se representa a partir de una entrada, una salida utilizando lógica difusa (Finol et al, 2001). Los sistemas de inferencia difusos se han utilizado exitosamente en varios campos como el control automático, clasificación de datos y análisis de decisiones. Ellos involucran las funciones de pertenencia, los operadores lógicos difusos y las reglas difusas descritas previamente.

31

Existen dos tipos de sistemas de inferencia difusa: tipo Mamdani y tipo Sugeno. Ambos se diferencian fundamentalmente en la forma de determinar la salida. Sin embargo, el proceso de inferencia en ellos involucra los pasos descritos en el siguiente esquema.

FUSIFICACIÓN DE IMPLICACIÓN VARIABLES DE ANTECEDENTE Y ENTRADA DESFUSIFICACIÓN CONSECUENTE APLICACIÓN
FUSIFICACIÓN DE
IMPLICACIÓN
VARIABLES DE
ANTECEDENTE Y
ENTRADA
DESFUSIFICACIÓN
CONSECUENTE
APLICACIÓN
AGREGACIÓN
DEL OPERADOR
DE LOS
DIFUSO
CONSECUENTES
(ANTECEDENTE)

Fig. 2.3: Pasos que involucra un sistema de inferencia difuso

A continuación se muestra un diagrama (Figura 2.4) con los pasos que involucra un sistema difuso, con el fin último de relacionar parámetros (una entrada y una salida) a través de un conjunto de reglas de tipo SI-ENTONCES. Dichos paso serán descritos a continuación.

32

32 Fig. 2.4: Diagrama de un sistema de inferencia difuso (Modificado del Fuzzy Logic Toolbox User’s

Fig. 2.4: Diagrama de un sistema de inferencia difuso (Modificado del Fuzzy Logic Toolbox User’s Guide)

Fusificación de variables de entrada: en este bloque se le asigna a cada variable un grado de pertenencia a cada uno de los conjuntos difusos que se han considerado a través de las funciones de pertenencia. La entrada siempre será un valor numérico (no difuso) mientras que la salida es un grado de pertenencia difusa comprendido en el intervalo entre cero y uno.

difusa comprendido en el intervalo entre cero y uno. Fig. 2.5: Fusificación de la variable de

Fig. 2.5: Fusificación de la variable de entrada (Modificado del Fuzzy Logic Toolbox User’s Guide)

Aplicación del operador difuso: una vez que las entradas han sido fusificadas y se conoce el grado en que las partes del antecedente han sido satisfechas por las reglas; si el antecedente de una regla dada tiene más de una parte, se aplica el operador

33

difuso con el fin de obtener un número que represente el resultado del antecedente para esta regla y cuyo valor será aplicado a la función de salida.

En las herramientas de la Lógica Difusas por lo general existen dos métodos “AND”: (mínimo) y (producto), y dos métodos “OR”: (máximo), y el método probabilístico . El método probabilístico (también conocido como suma algebraica) se calcula de acuerdo con la siguiente ecuación (Jang y Gulley, 1995).

(2.6)

La siguiente imagen muestra la aplicación del operador difuso “OR” , a fin de evaluar el antecedente de una de las reglas para definir la calidad de la comida. Como se observa, las dos opciones que definen el antecedente producen valores de pertenencia difusos, a la vez que el operador “OR” escoge el máximo entre ellos para así dar por culminada la operación difusa.

ellos para así dar por culminada la operación difusa. Fig. 2.6: Aplicación del operador difuso “OR”

Fig. 2.6: Aplicación del operador difuso “OR” Toolbox User’s Guide)

. (Modificado del Fuzzy Logic

Aplicación del método de implicación: el método de implicación se define como el condicionante del consecuente (un grupo difuso) basado en el antecedente (un

34

número sencillo). La entrada en este paso es un número sencillo dado por el antecedente, mientras que la salida es un conjunto difuso.

Por lo general, las herramientas de lógica difusa ofrecen dos alternativas para la implicación correspondientes al método “AND”: (mínimo) que trunca el grupo difuso saliente y (producto) que lo escala.

trunca el grupo difuso saliente y (producto) que lo escala. Fig. 2.7: Aplicación del método de

Fig. 2.7: Aplicación del método de implicación. (Modificado del Fuzzy Logic Toolbox User’s Guide)

La imagen antes mostrada muestra cómo en este paso se calcula el grado de certeza de la premisa de cada regla y se aplica al consecuente de la misma. El resultado es entonces, un subconjunto difuso que será asignado a cada variable de salida.

35

Agregar todas las Salidas: una vez definidos los subconjuntos difusos a partir del método de implicación y las reglas que se derivan de este, son combinado en un único conjunto difuso.

El método de agregación es conmutativo, por tanto el orden en que las reglas son ejecutadas no es importante. Además, existen tres métodos o alternativas para fusificar todas las salidas: (máximo), (“or” probabilístico) y (la suma de la salida de cada regla). Entonces, en el proceso de composición o agregación, todos los subconjuntos difusos son combinados en un único conjunto de salida.

difusos son combinados en un único conjunto de salida. Fig. 2.8: Agregación de todas las salidas.

Fig. 2.8: Agregación de todas las salidas. (Modificado del Fuzzy Logic Toolbox User’s Guide)

36

Desfusificación: en este bloque, la entrada corresponde a un conjunto difuso (producto del proceso de agregación) y la salida, es un valor numérico simple. Entre los métodos más comunes para la desfusificación se tiene el Método del Centroide, cuyo resultado corresponde al área bajo la curva (Fig.-)

cuyo resultado corresponde al área bajo la curva (Fig.-) Fig. 2.9: Proceso de desfusificación. (Modificado del

Fig. 2.9: Proceso de desfusificación. (Modificado del Fuzzy Logic Toolbox User’s Guide)

2.8. Tipos de métodos de inferencia difusa

Existen dos tipos de métodos de inferencia difusa: Mamdani y Sugeno. Ambos métodos, siguen en la práctica el procedimiento descrito anteriormente. Sin embargo, la diferencia entre ambos radica en la forma de generar la salida.

2.8.1. Método de inferencia difusa tipo Mamdani

Según Gutiérrez (2010), este método fue propuesto por Ebrahin Mamdani (Mamdani, 1975; 1976; 1977) como un intento de controlar una combinación de máquina de vapor y de una caldera, sintetizando un número de reglas de control

37

obtenidas de la experiencia de los operadores. Mamdani se basó en el trabajo publicado por Lofti Zadeh (Zadeh, 1965).

El método Mamdani es el más usado en aplicaciones, dado que tiene una estructura muy simple de operaciones “min-max”.

2.8.1. Método de inferencia difusa tipo Takagi-Sugeno

El método Takagi- Sugeno fue introducido en 1985 (Sugeno, 1977; Loani 2006), y se ha convertido en un sistema de razonamiento lógico muy conocido y utilizado, debido a sus numerosas aplicaciones en sistemas difusos y en ingeniería difusa en general.

Este método se caracteriza por relaciones basadas en reglas difusas, donde las premisas de cada regla representan subespacios difusos y las consecuencias son una relación lineal de entrada y salida. (Takagi y Sugeno, 1995)

El modelo TSK consta de un grupo de reglas difusas de la forma SI-ENTONCES que se rigen por la siguiente estructura:

(2.7)

donde,

R(i=1,2…c)

representa

la

i-ésima

regla

las

son las

son los parámetros del modelo , la salida global inferida por

difusa,

x(j=1,2,…,m)

son

variables de entrada,

variables lingüísticas antecedentes y consecuente. Para un vector de entrada

el modelo TSK se calcula a través de la fórmula difusa de peso promedio:

son las variables locales de salida,

,

38

 

(2.8)

donde,

denota el grado de “firing” de la i-ésima regla difusa, definida por:

(2.9)

En la ecuación previa,

representa el operador mínimo y

es la

función de pertenencia del grupo difuso antecedente

.

Según Bejarano (2004), debido a la dependencia lineal de cada regla en el sistema de variables de entrada, el método Sugeno es ideal para actuar como supervisor interpolador de múltiples controladores lineales que aplican en diferentes condiciones de operaciones de un sistema dinámico no lineal.

En comparación con el sistema tipo Mamdani, en el método tipo Sugeno cada una de las reglas puede ser más expresiva, debido a que éste es más compacto y tiene una representación computacional más eficiente, además de brindar técnicas adaptativas.

2.9. Sistemas de inferencia adaptativos Neuro-Difusos. (ANFIS)

En 1993 J. R. Jang desarrolló un nuevo modelo para combinar reglas de razonamiento difuso. Esta nueva combinación se puede simular con base en redes neuronales. Un sistema de razonamiento difuso planteado como una red neuronal y diseñado con la capacidad de aprendizaje recibe el nombre de ANFIS.

ANFIS toma un sistema de inferencia difuso y lo combina con un algoritmo de retropropagación basado en algún conjunto de datos de entrada y salida; lo que

39

permite al sistema el poder aprender. Las capacidades adaptativas de una red tipo ANFIS, lo hace aplicable en gran cantidad de áreas.

La regla básica de de aprendizaje de las redes adaptativas se basa en un proceso de optimización generalmente del tipo de gradiente descendente, retropropagación y la propagación del error hacia las capas internas de la red. (López, 2009).

Según Jang (1993), una estructura de red facilita el cálculo del vector gradiente para los parámetros en un sistema de inferencia difuso. Una vez que se obtiene el vector gradiente, se aplica un número de rutinas de optimización para reducir el error de medición (comúnmente definido por la suma de los cuadrados de la diferencia entre las salidas real y deseada). Este proceso se conoce en la literatura de redes neuronales como “aprendizaje por ejemplo”.

2.9.1. Arquitectura de un modelo tipo ANFIS

El método computacional de redes neuronales difusas, es un algoritmo híbrido que combina lógica difusa y redes neuronales (López et al, 2009). El ANFIS es un sistema híbrido neuro-difuso basado en el mecanismo de inferencia tipo Takagi- Sugeno. Para este sistema de inferencia hay un conjunto de reglas de tipo SI- ENTONCES en las que los niveles de activación se calculan utilizando el operador AND que puede modelarse con una t-norma (continua). Las salidas de cada norma se obtienen como una combinación lineal entre los parámetros del antecedente de cada regla. La salida de control de modelo se obtiene por la normalización de los grados de activación de las reglas multiplicado por la salida individual de cada regla (Alonso, 2000).

40

40 Fig. 2.10: Arquitectura de un modelo ANFIS. Tomado de (Alonso, 2000) Este tipo de inferencia

Fig. 2.10: Arquitectura de un modelo ANFIS. Tomado de (Alonso, 2000)

Este tipo de inferencia se representa a través de una red neuronal híbrida adaptable con cinco capas (Figura 2.10). Cada capa representa una operación del mecanismo de inferencia difusa. (López, 2009).

Todos los nodos de una misma capa tienen la misma función (los nodos que están representados como cuadrados en la figura, son adaptables, es decir, sus parámetros son ajustables).

Si se parte de la suposición de que el sistema de inferencia difusa tiene dos entradas (x e y) y una salida (z) y de que la base de reglas tiene dos reglas difusas SI-ENTONCES del tipo Takagi-Sugeno:

Regla 1:

(2.10)

Regla 2:

(2.11)

Capa 1: Las entradas se corresponden con las entradas del sistema (

e

) y la

salida es el grado de pertenencia para el cual la variable de entrada satisface el

41

asociado al nodo. Como función de pertenencia se acostumbra

elegir una de las que tiene forma de campana con valor máximo en 1 y mínimo en 0 (Alonso, 2000).

término lingüístico

.

(2.12)

Capa 2: Cada nodo calcula el grado de activación de la regla asociada al mismo. Ambos nodos están representados por un T en el dibujo porque pueden representar cualquier T-norma para modelar la operación lógica AND. Se suelen conocer como nodos de reglas. El grado de activación de la regla se obtiene multiplicando las señales de entrada (salida de los nodos de la capa 1); aunque pueda utilizarse un operador T-norma para calcularlo.

(2.13)

Capa 3: Cada nodo de la capa 3 está representado por N en el dibujo de forma que se indica la normalización de los grados de activación. Su salida es el grado de activación normalizado (respecto a la suma de los grados de activación) de la regla i. Cada nodo se corresponde con una de las reglas que se han introducido en el sistema.

(2.14)

Capa 4: La salida de los nodos se corresponde con el producto entre el grado de activación normalizado (salida de la capa 3) por la salida individual de cada regla (calculada por los nodos de esta capa).

(2.15)

42

donde , y forman el conjunto de parámetros. Los parámetros de esta capa se conocen como parámetros del consecuente. Esos parámetros, son los coeficientes lineales que forman el consecuente de las reglas. Son parámetros ajustables como los de la capa 1 (Alonso, 2000).

Capa 5: tiene un único nodo que calcula la salida total del sistema (agregación) como la suma de todas sus señales de entradas individuales.

(2.16)

En resumen, cada una de las capas tiene una misión concreta dentro del sistema (Alonso, 2000):

-La primera capa representa la capa de pertenencia.

- La segunda capa se usa para generar el grado de disparo de la norma (T-norma).

- La tercera capa actúa de normalizador.

- La cuarta capa calcula la salida.

- La última capa combina todas las salidas en una en su único nodo.

43

CAPITULO III

MARCO GEOLÓGICO

El pozo SALTARIN-1A está localizado en sector central-oriental de la cuenca de los Llanos (4,612ºN; 70,495ºW, origen Bogotá), aproximadamente a 240 Km al este del flanco oriental de la Cordillera Oriental, a 145 Km al noroeste de las rocas del basamento que afloran en el Escudo de Guayana.

COLOMBIACOLOMBIA VENEZUELAVENEZUELA
COLOMBIACOLOMBIA
VENEZUELAVENEZUELA

Fig. 3.1: Ubicación geográfica del Pozo Saltarín-1A. Tomado de (Costanzo, 2009)

44

El pozo SALTARIN 1-A, fue perforado por la empresa HOCOL en el Bloque del mismo nombre y es el primer registro de roca de la parte superior de la Formación Carbonera y las Formaciones León y Guayabo.

Debido a la carencia de información geológica y estudios detallados al Este de la Cuenca Oriental de los Llanos Colombianos, este pozo ha sido de vital importancia, por ser una fuente de información geológica directa, que entre otras cosas, permite revelar la historia de subsidencia y variaciones en las condiciones climáticas que controlaron el relleno de la cuenca con datos obtenidos en rocas.

Este pozo permite, por primera vez, observar y analizar las características de litofacies, entiéndase litología y estructura sedimentaria, de las Formaciones Carbonera, León y Guayabo en el oriente de los Llanos, y tener un registro continuo para definir las variaciones verticales de estas litofacies.

para definir las variaciones verticales de estas litofacies. Fig. 3.2: Mapa geológico, localizando el pozo SALTARIN-1A

Fig. 3.2: Mapa geológico, localizando el pozo SALTARIN-1A y otros pozos correspondientes a la correlación sur de Bayona et al (2007).

45

Las muestras para este estudio fueron suministradas por el Ingeniero Alejandro Mora de la empresa HOCOL S.A. (Bogotá, Colombia) y el Dr. Germán Bayona de la Corporación Geológica ARES (Bogotá, Colombia). Las mismas corresponden aproximadamente a 670 m de profundidad, a la vez que abarcan las Formaciones Guayabo, León y Carbonera, disponiendo de una muestra por cada cinco metros de perforación.

4.1. Geología regional de la cuenca

La Cuenca de los Llanos Orientales de Colombia está conformada por una región de bajo relieve al este del piedemonte de la Cordillera Oriental. Según Bayona et al, esta cuenca se encuentra limitada por los sistemas de fallas de Guaicaramo al oeste y por el Escudo de Guayana al este, incluyendo una cuña de depósitos del Cenozoico que se va adelgazando hacia el este.

Es considerada como parte de una mega cuenca que se extendía desde la Cordillera Central y el Escudo de Guayana, la cual fue separada por la Cordillera Oriental durante la Orogenia Andina. La cuenca fue definida como una cuenca continental de tipo divergente con ciclos de sedimentación de relleno marginal durante el Paleozoico Inferior y de fracturamiento interior durante el Paleozoico Superior- Terciario, Goeva y Aguilera (1982).

La cuenca de los Llanos de define entonces como un sistema antepaís adyacente a un Orógeno que corresponde a la Cordillera Oriental. En un sistema continental antepaís, el relleno de la cuenca está condicionado tanto por la subsidencia tectónica como por el clima, siendo ambos factores importantes al controlar la relación entre el espacio de acomodación y el suministro de sedimentos.

46

Las fases de deformación además de la configuración de las cargas tectónicas a lo largo de la Cordillera Oriental han cambiado durante el Maastrichtiense-Cenozoico. Los estratos correspondientes a este período (Maastrichtiense-Eoceno) se registran en la parte más occidental de la cuenca y en el piedemonte llanero.

Para el período comprendido entre el Oligoceno y el Mioceno, el relleno de la cuenca flexural simultáneo al levantamiento continuo de la Cordillera, generó un espacio de acomodación en la parte distal de la cuenca, la reactivación de las fallas y la migración hacia el este del forebulge o alto flexural. Esta migración hacia el este, generó las condiciones para la depositación de areniscas cuarzosas basales, que constituyen un reservorio significativo de hidrocarburos en el área, mientras que la parte proximal de la cuenca fue rellenada con depósitos fluvio-deltáicos y lodolitas de la Fm. Carbonera provenientes del oeste y del este, es decir, de la Cordillera Oriental y el Escudo de Guayana respectivamente.

Cordillera Oriental y el Escudo de Guayana respectivamente. Fig. 4.1: Estratigrafía y Procedencia de las rocas

Fig. 4.1: Estratigrafía y Procedencia de las rocas del Mioceno en la parte distal de

la cuenca. (Bayona et al, 2008)

47

La distribución de los ambientes de depositación y la geometría de los estratos de los depósitos continentales en la parte distal de la cuenca estuvo controlada por la reactivación de las fallas pre-Cenozoicas. Sin embargo, durante el Mioceno Medio un incremento abrupto en el espacio de acomodación cuyo origen aún es controversial controló la depositación de los estratos de la formación León. Según Bayona et al, los análisis bioestratigráficos recientes en las cuencas de los Llanos y Amazonas han indicado que la cuenca fue inundada por un sistema de aguas frescas con incursiones menores de aguas salobres.

En el Mioceno Medio Tardío, tuvo lugar el pulso más fuerte de deformación a lo largo de la Cordillera Oriental, el cual condicionó una depositación aluvial a fluvial en la cuenca registrada como la Formación Guayabo. Según Moreno, los miembros inferiores de la Formación Guayabo corresponden a sedimentos de litotipos afines a rocas félsicas, empobrecidos en elementos móviles e incompatibles, tectónicamente estables pero afectados por altos regímenes de meteorización química y con clara existencia de reciclaje de rocas sedimentarias preexistentes. Estas características reflejan una derivación desde el oeste, como resultado de pulsos orogénicos en el flanco este de la Cordillera Oriental.

4.2. Geología local. Descripción litológica, Pozo Saltarín 1-A, Cuenca de los Llanos Orientales de Colombia.

Debido a su alta productividad y por ser un área prospectiva, la zona Oeste de los Llanos Orientales ha sido estudiada detalladamente. En contraste, la zona más distal al Este de la cuenca, ha carecido de estudios detallados y la información geológica existente es muy escasa. Una de estas pocas fuentes de información geológica directa corresponde al pozo Saltarín 1A, perforado por Hocol en el bloque de mismo nombre.

48

El pozo Saltarín-1A perforado en el sector Este de la cuenca de los Llanos es el primer registro de rocas de la parte superior de la Formación Carbonera (124,1 m) y las formaciones León (344,8 m) y Guayabo (441,8 m) correspondientes a la secuencia Miocena. El estudio de este pozo, permite revelar en parte, una historia de subsidencia y cambios climáticos que controlaron el relleno de la cuenca antepaís.

La secuencia perforada fue descrita por Bayona et al (2008, a) a partir de la integración de de las observaciones petrológicas y paleontológicas y de litofacies, que permitieron definir ambientes sedimentarios, superficies de correlación estratigráficas, la edad de los estratos y posibles áreas de procedencia.

la edad de los estratos y posibles áreas de procedencia. Fig. 4.2: Cuadro estratigráfico de la

Fig. 4.2: Cuadro estratigráfico de la cuenca. (Bayona et al, 2008)

49

A continuación se muestra una breve descripción de las unidades geológicas descritas para esta secuencia, incluyendo una descripción litológica, edades geológicas y tipos de paleoambientes.

4.2.1 Formación Carbonera

La Formación Carbonera se compone principalmente de arcillitas y lutitas grisáceas que meteorizan en tonos abigarrados de rojo y amarillo, irregularmente estratificadas, con areniscas arcillosas de 5 a 10 m de espesor. La formación contiene capas de lignito y algunas calizas con Hannatoma (González de Juana, et al., 1980).

Se encuentra comprendida entre los Estados Táchira, Mérida y Zulia meridional; así como en los alrededores de San Antonio y de Cúcuta y en la región de El Arenal y Pozos Azules, entre otras muchas localidades.

Corresponde según Bayona et al (2008), a un paleoambiente de tipo Continental a marino de aguas someras. Trump y Salvador (1964), señalan que tanto la fauna como la litología indican ambientes de aguas salobres con aguas progresivamente más profundas hacia el tope de la Formación.

La Formación Carbonera, presenta buenos afloramientos de carbón, principalmente en la depresión de Rubio (Silla de Capote), Lobatera, Capacho (quebradas Guatera y Hato de la Virgen) que pudieran constituir un buen combustible industrial y una materia adecuada para la industria carbo-química. Useche (1985)

Bayona et al, señalan que esta secuencia se encuentra dividida informalmente en tres miembros de base a tope C3, C2 y C1.

50

Miembro informal C3 Según Bayona et a l (2008), esta unidad tiene un espesor perforado de 16,4 m, es de edad Mioceno Temprano y fue depositada en un ambiente de canales meándricos que migran a llanuras aluviales.

Está compuesta hacia la base, por sucesiones de lodolitas grises claras y oscuras laminadas, pasando a lodolitas blancas macizas, con algunos intervalos de lodolitas arenosas con clastos de cuarzo diseminados. Hacia el tope, está compuesta por sucesiones granodecendientes de areniscas cuarzosas macizas con intraclastos, algunas veces conglomeráticas, en contacto neto con lodolitas macizas. En los intervalos lodosos laminados son comunes los restos de plantas y material carbonoso, mientras que en los intervalos lodosos macizos son comunes los peds y las esferulitas ferruginosas. Existen pequeños moluscos de agua dulce sin concha, con ornamentación radial y rasgos de bioturbación vertical rellena de material limoso, hacia la parte inferior del segmento.

Miembro informal C2

La edad para toda la unidad es de Mioceno Temprano y corresponde a una secuencia depositada en ambiente lagunar con influencia de aguas salobres.

Esta unidad tiene un espesor de 46,4 m y se encuentra en contacto inferior transicional rápido debido al incremento de la lodolitas macizas claras hacia la base. Está constituido por una sucesión homogénea de lodolitas laminadas verde oliva, gris claras y grises y lodolitas macizas blancas, grises claras y naranja, incrementando en la cantidad de láminas y de capas delgadas de arenas hacia el tope. En los intervalos laminados, existen restos de plantas y material carbonoso, mientras que en los intervalos macizos son comunes los peds y esferulitas ferruginosas.

51

Miembro informal C1 Esta unidad superior de la Formación Carbonera es de edad Mioceno Medio y corresponde principalmente a arenas de canales distribiutarios deltaicos y llanuras deltaicas con desarrollo de pantanos.

Este segmento se caracteriza por presentar sucesiones granodecendientes con areniscas conglomeráticas y conglomerados arenosos, gradando a areniscas cuarzosas de grano fino a muy fino, algunas con laminación inclinada, pasando a areniscas lodosas y lodolitas laminadas grises con materia orgánica. En la parte media se presentan areniscas lodosas y hacia la parte superior paquetes de areniscas cuarzosas de grano medio a fino que gradan a areniscas lodosas bioturbadas y a lodolitas laminadas.

4.2.2 Formación León

Esta secuencia es de edad Mioceno Medio y corresponde a un paleoambiente de aguas salobres de salinidad normal y poco profundas, mientras que otros autores sugieren que esta sección homogénea de lodolitas verdes fue depositada en un lago extenso y somero con ligera influencia salobre.

Según Bayona et al (2008), esta secuencia representa una secuencia de lodolitas laminas verdes claras, ocasionalmente verde oscuras y macizas, hacia la base gris verdosas y hacia el tope verde amarillentas. Esta Formación no se dividió en segmentos debido a la homogeneidad de sus litofacies, aunque es posible distinguir algunos cambios en los patrones de las laminaciones que permitirían subdividir esta unidad.

En la depresión del Táchira, Heybroek (1953) describió la formación como una secuencia monótona de lutitas grises a negras, blandas, con diferentes niveles de

52

concesiones de acilita ferruginosa, oolitas ferruginosas y muchos restos de platas. Fierro y Paredes (1987) en el flanco oeste de la Depresión del Táchira la describieron como una secuencia de lutitas gris verdosas, blandas a físiles, glauconíticas, que se meteorizan a tonos rojizos y escarlatas, con muchas concreciones calcáreas (?ferruginosas)y algunas capas de areniscas limolíticas. Un tramo intermedio con espesor de 43 m, es más arenoso y limolítico.

Siendo la Formación León predominantemente arcillosa, sus límites quedan bien determinados por la aparición de niveles arenosos. De esta manera su límite inferior queda definido por los niveles arenosos de la Formación Carbonera. De igual forma, el límite superior viene dado por la aparición de los niveles arenosos de la base de la Formación Guayabo suprayacente.

En cuanto a su importancia económica se tiene que su extenso cuello lutítico sirve como sello a yacimientos petroleros de la Formación Carbonera.

4.2.3 Formación Guayabo

El Grupo Guayabo se ubica en la región suroccidental de la Cuenca del Lago de Maracaibo, en la región fronteriza de Cúcuta (Colombia) y en gran parte de la Depresión del Táchira-Santo Domingo. En base a su escasa fauna y su posición estratigráfica se le ha asignado la edad Mioceno superior Plioceno.

Según Bayona et al (2008), se depositó en un ambiente netamente continental, pasando de las facies deltaicas, hacia la base, a facies fluviales y llegando a facies aluviales hacia el tope. Según González de Juana (1952), el Grupo Guayabo se depositó en un ambiente de carácter continental, según Van Houten y James (1984), los restos de fósiles indican un ambiente acuático-parálico.

53

La formación Guayabo en Colombia está constituida principalmente por conglomerados, areniscas y lodolitas. Las litologías de Guayabo van desde grano muy fino en la base, sobre la formación León, hasta areniscas cuarzosas de grano medio hacia el tope. Sin embargo, como exhibe una mayor cantidad de litofacies fue subdividida informalmente en seis miembros.

Los miembros basales G1 y G2 corresponden principalmente a sucesiones granocrecientes de lodolitas laminadas y macizas que gradan a lodolitas arenosas, areniscas lodosas y areniscas de grano muy fino a fino. El miembro G3 corresponde hacia la base, a una sucesión granodecreciente de areniscas lodosas y areniscas laminadas que gradan a lodolitas arenosas bioturbadas y lodolitas macizas, mientras que en el tope se presentan mantos de carbón y lodolitas carbonosas. Estos tres intervalos corresponden al Mioceno Medio, de carácter continental deltaico para el intervalo G1 y de llanuras de inundación fluviales con variaciones en las condiciones de oxidación y G2 y G3.

El intervalo G4 consiste en la base de sucesiones granodecrecientes de areniscas cuarzosas laminadas que gradan a areniscas lodosas laminada con bioturbación y a lodolitas macizas, mientras que en la parte media y superior son principalmente lodosas. Este intervalo representa depósitos de canales y llanuras fluviales a deltaicas con escaso recobro palinológico.

Contrastando con los intervalos subyacentes, el miembro G5 es predominantemente arenoso y consiste en secuencias levemente granodecrecientes que varían de areniscas laminadas y macizas a areniscas lodosas laminadas a macizas. Estas litofacies representan un marcado cambio en el ambiente de depositación, pasando de ambientes fluvio-deltaico a canales aluviales rectos depositados durante el Mioceno Medio a Tardío.

54

El miembro superior G6 corresponde a una sucesión de lodolitas macizas caoliníticas y lodolitas arenosas y areniscas lodosas caoliníticas, cortadas por sucesiones levemente granodecrecientes de areniscas cuarzosas laminadas y macizas de tamaño de grano fino a medio. Este intervalo representa una sucesión de paleosuelos con migración de canales meándricos con nulo recobro palinológico.

En cuanto a su importancia económica, se tiene que las areniscas y conglomerados del Grupo Guayabo son utilizados para la industria de la construcción.

A continuación se muestra (Figura 4.) una columna generalizada a escala 1:4000 del pozo Saltarín 1-A, tomada de Bayona et al (2008) y en la cual se observan las unidades geológicas perforadas (Formaciones Guayabo, León y Carbonera), superficies de correlación y los ambientes de acumulación para algunas unidades

55

55 Fig. 4.3: Columna generalizada a escala 1:4.000 del pozo Saltarín 1-A, mostrando las superficies de

Fig. 4.3: Columna generalizada a escala 1:4.000 del pozo Saltarín 1-A, mostrando las superficies de correlación y los ambientes de acumulación para algunas unidades. (Bayona, 2008)

56

CAPITULO IV

METODOLOGÍA

4.1 Obtención de parámetros.

En este trabajo, se empleó un algoritmo híbrido basado en conceptos de la lógica difusa para predecir Cociente S a partir de susceptibilidad magnética, volumen de arcilla y SIRM. Sin embargo, previo a las inferencias realizadas fue necesario la recopilación y el cálculo de los parámetros involucrados.

Muchas de las pruebas necesarias para ello, ya habían sido realizadas anteriormente. En total, se dispuso de un total de 134 muestras y un registro Gamma Ray del pozo Saltarín-1A. A partir de los experimentos realizados se procedió a hacer el cálculo de parámetros, entiéndase, SIRM, volumen de arcilla y el cociente S (para 44 muestras) cuyos valores eran desconocidos.

En vista de que el Registro Gamma Ray del pozo Saltarín 1-A muestra valores nulos de radiactividad a partir de los 1698.27 pies, el set de datos empleados para este estudio abarca sólo 511.97 metros de profundidad (Formaciones Guayabo y León) con un total de 100 muestras separadas alrededor de cada 5 metros.

4.1.1 Preparación de las muestras

Las muestras empleadas en esta investigación fueron utilizadas previamente en un estudio que pretende predecir valores de Cociente S a partir de Susceptibilidad

57

magnética (López, 2009). Por esta razón parte de los parámetros a emplear habían sido previamente obtenidos. Sin embargo, fue necesaria la preparación de 44 muestras adicionales cuyo contenido resultó alterado en las pruebas anteriores.

Estas muestras, tomadas cada 5 metros aproximadamente, son lodolitas y areniscas de las formaciones Guayabo, León y Carbonera y abarcan una profundidad de 670 metros.

Estas se encontraban contenidas en bolsas individuales de plástico asociadas a ciertas profundidades. Su preparación fue realizada en el Laboratorio de Paleomagnetismo y Magnetismo de Rocas de la Universidad Simón Bolívar, Departamento de Ciencias de la Tierra (Caracas, Venezuela), siguiendo el siguiente procedimiento:

- Utilizando un mortero de cerámica, se procede a triturar la muestra de roca hasta obtener un polvo fino. Es indispensable limpiar los instrumentos empleados con acetona por cada muestra a preparar, para así evitar la contaminación cruzada entre muestras de diferentes profundidades.

- El peso en polvo fino de cada una de las muestras (medido utilizando una balanza electrónica) fue de 4 gramos. Esto, con la finalidad de obtener mediciones normalizadas en peso de los parámetros magnéticos.

- Dicha cantidad de muestra pulverizada, se introduce en un recipiente de

plástico y de forma cúbica, que luego es cubierto con plastilina a fin de no alterar las propiedades magnéticas de la roca.

4.1.2 Medición del Cociente S.

58

Una vez preparadas las muestras, se procedió a medir el Cociente S de cada una de ellas. Estas pruebas fueron realizadas en el Magnetómetro Criogénico 2G del Laboratorio de Paleomagnetismo del Departamento de Geociencias de la Universidad de Edimburgo (Reino Unido) por los doctores V. Costanzo y M. Aldana de la Universidad Simón Bolívar y siguiendo el procedimiento descrito a continuación:

Para determinar el CS, fue necesario aplicar una corrección al valor de la magnetización resultante. Esta corrección consiste proyectar las declinaciones resultantes de los minerales para los campos magnéticos de 0,3 T y de 2,6 T. Si ambas declinaciones resultan en el mismo cuadrante, se consideran paralelas, si por el contrario, ambas declinaciones resultan en cuadrantes diferentes, se consideran antiparalelas. Luego:

4.2.1 Calculo de SIRM.

(4.1)

(4.2)

Para el cálculo de SIRM, se emplearon los valores de Susceptibilidad magnética y las Magnetizaciones a 4T medidas anteriormente. Este procedimiento, no involucra ninguna fase experimental dada la disponibilidad de los datos.

El valor de SIRM, será entonces la magnetización de la roca normalizada por la susceptibilidad magnética.

(4.3)

59

4.3.1 Cálculo de Volumen de arcilla

Utilizando el registro gamma ray disponible, se calcularon los valores de para cada una de las muestras asociadas a sus profundidades.

Como primer paso, se creó en MatLab, un código (ver Apéndice A) que permitiese

leer y graficar el archivo gammaraysaltarin.txt que incluye los registros corridos en

el pozo Saltarín 1-A. Asimismo, utilizando las funciones y , se obtuvieron los

valores de mínimo y máximo gamma ray (líneas de lutita y arena)

A continuación, se determinaron los valores de Gamma Ray para todos los niveles

o profundidades asociadas a las muestras de roca para finalmente obtener los volúmenes de arcilla (empleando la expresión 2.3).

4.2 Pruebas computacionales: Construcción de sistemas difusos utilizando ANFIS

Esta sección involucra las rutinas de entrenamiento y posteriores pruebas llevadas a cabo a fin de creer un sistema lógico difuso capaz de predecir valores de Cociente S utilizando registros de susceptibilidad magnética, volumen de arcilla y SIRM.

Los entrenamientos se llevaron a cabo considerando un 80% de los datos. Posteriormente, cada modelo creado fue probado empleando el 100% de los mismos a través un código en MatLab (ver Apéndice B). Es importante resaltar, que las pruebas se realizaron asumiendo que la totalidad de los datos correspondía en un principio a 62 muestras (ver Apéndice C). Sin embargo, tras incorporar algunas muestras más, se repitieron los entrenamientos bajo los mismos criterios antes descritos.

60

Todas las pruebas se hicieron considerando los parámetros magnéticos y el para un mismo conjunto de datos, a la vez que dicho conjunto fue definido empleando un programa en MatLab (ver Apéndice D) que escoge aleatoriamente el equivalente al 80% de los datos iniciales (54 muestras). Así, se construyó entonces una tabla con valores de , SIRM, y CS para la misma profundidad (ver Apéndice E).

Una vez incorporadas las muestras adicionales, se consideraron 71 datos como el nuevo conjunto de parámetros a entrenar (ver Apéndice F) y finalmente, cada sistema difuso generado fue probado para todo el pozo (ver Apéndice G).

Las muestras de rocas empleadas en este estudio abarcan dos unidades o Formaciones: Fm. Guayabo y Fm. León. Sin embargo, nunca se consideraron subdivisiones operacionales de campo o subgrupos de datos agrupados por Formaciones, edades geológicas o tipo de ambiente, puesto que entre los objetivos se plantea que el modelo creado, pueda discernir entre una unidad u otra, en función de los parámetros suministrados

La rutina de entrenamiento de un sistema tipo ANFIS involucra los siguientes pasos (ver Figura 4.1).

ENTRENAMIENTO

DEL SISTEMA DE INFERENCIA DIFUSA

LECTURA DE MATRIZ DE DATOS DE ENTRADA

VALIDACIÓN Y
VALIDACIÓN Y

DEFINICIÓN DE CRITERIOS DE ENTRENAMIENTO.

PRUEBA DEL

MODELO DIFUSO

Figura 4.1: Esquema de entrenamiento de un sistema difuso.

61

Todo este proceso se lleva a cabo a través de ventanas editoras en MatLab, que permiten ir ajustando los parámetros de entrenamiento tantas veces como sea necesario hasta alcanzar el sistema difuso que mejor prediga la variable que se pretenda inferirse y que por ende relacione mejor los parámetros implicados.

Para acceder a la interfaz del ANFIS (ver Figura 4.2), es necesario usar el comando ANFISedit. Una vez en ella, el procedimiento se lleva a cabo como se describe a continuación.

Lectura de matriz de datos de entrada: pulsando el ícono Load data en la ventana editora de ANFIS, es posible seleccionar el archivo tipo ASCII (.dat) en el que se almacenan en forma de matriz los valores a emplear. Dependiendo del número de variables a utilizar, la (s) primeras columna de dicha matriz corresponderá a las entradas y la última estará reservada exclusivamente a la variable que se quiera inferir.

Definición de criterios de entrenamiento: ANFIS ofrece varias alternativas al momento de entrenar el sistema.

En principio, si no se tiene idea sobre cuántos conjuntos son necesarios para agrupar los datos, podemos seleccionar la opción Sub-Clustering, para así construir un sistema difuso con los grupos o “clusters” calculados. En cambio, la opción Grid Partition permite asignar el número y tipo de funciones de pertenencia que se considere apropiado para cada variable de entrada, así como el tipo de salida que se quiera generar (ver Figura 4.2)

Hay que tener en cuenta que ANFIS sólo trabaja con sistemas tipo Sugeno de orden cero y uno. En tal sentido, los valores de salida son considerados como una función lineal o constante de la(s) variable de entrada.

62

El sistema Sugeno de primer orden más general tiene reglas de la forma: si

,

con

y

es A

constantes suministradas por el

e es B entonces programa.

A constantes suministradas por el e es B entonces programa. Figura 4.2: Selección de criterios de

Figura 4.2: Selección de criterios de entrenamiento.

Entrenamiento del sistema de inferencia difusa: en la opción Train Fis debe seleccionarse el método de optimización, la tolerancia para el error y las épocas de entrenamiento. El método híbrido de optimización, combina un algoritmo de retro- propagación y mínimos cuadrados, para ir ajustando el modelo tantas veces como número de épocas o iteraciones hayan sido seleccionadas. Finalmente, la opción Fis Properties permite visualizar el sistema difuso que ha sido creado (ver Figura 4.3).

La Figura siguiente, es un ejemplo de un sistema difuso creado, utilizando el logaritmo de la susceptibilidad magnética como variable de entrada, con el fin de predecir CS.

63

63 Figura 4.3: Esquema del modelo difuso creado. Validación y prueba del modelo: utilizando un código

Figura 4.3: Esquema del modelo difuso creado.

Validación y prueba del modelo: utilizando un código en MatLab (ver Apéndice 2) debe evaluarse cada modelo a fin de verificar cuan buena es la predicción que se obtiene bajo los criterios antes definidos. Esta validación se hace, suministrando al programa el 100% de los datos, para que este defina entonces el comportamiento de la variable de salida.

Una predicción se considera mejor que otra en la medida en que el cálculo del RMSE (error cuadrático medio) entre los valores reales y predichos sea tan bajo como posible.

De igual forma, utilizando gráficos cruzados (valores inferidos vs valores experimentales) es posible discernir cual de las inferencias realizadas resulta más adecuada. Esto se logra, haciendo un ajuste lineal al conjunto de pares de valores.

64

En la medida en que la pendiente de la línea de tendencia esté más cercana a uno, la diferencia entre los valores predichos y reales, será menor.

4.2.1 Entrenamiento de un sistema difuso ANFIS, a partir de las variables Susceptibilidad magnética y CS.

López (2009), aplica por primera vez, la técnica de redes neuronales difusas en la inferencia de cociente S a partir de datos experimentales de susceptibilidad magnética para muestras de rocas del pozo Saltarín 1-A. Sin embargo, parte de este estudio involucra el desarrollo de pruebas similares.

Al usar solamente datos de y CS para construir un sistema neuro-difuso, estamos partiendo de la generalización de que existe una relación directa y única entre ambos datos. En todo caso, todo contrate magnético obedecería exclusivamente a la variabilidad en las concentraciones relativas entre dos minerales magnéticos, uno de baja (magnetita) y otro de alta (hematita) coercitividad, reflejando, a su vez cambios en las paleocondiciones oxido-reductoras de los distintos estratos analizados así como contrastes litológicos López, (2009).

La red neuronal difusa fue entrenada utilizando como conjunto de entrada valores experimentales de: -CS y -CS. La aplicación de la función logaritmo se hizo con la intención de mejorar el análisis neuronal difuso de la red.

- Modelo simple (-CS):

(4.4)

- Modelo semi-logarítmico (

-CS):

(4.5)

Las constantes a y b son parte del resultado arrojados por el ANFIS después de cada entrenamiento. Cada par de constantes y cada función lineal caracterizan un

65

conjunto según las reglas establecidas para la inferencia. En otras palabras, se obtienen tantos pares de constantes como reglas difusas se hayan establecido. A continuación se muestra la metodología empleada para el mejor modelo obtenido utilizando el cálculo del RMSE cómo criterio comparativo.

Inicialmente, utilizando el comando ANFISedit en MatLab, debe darse inicio a la ventana editora del ANFIS. Dicha ventana (ver Figura 4.4).provee la opción de cargar los datos de y graficarlos. En este caso, la matriz de entrada está dada por dos columnas (, CS).

matriz de entrada está dada por dos columnas (  , CS). Figura 4.4: Ventana de

Figura 4.4: Ventana de edición de ANFIS con gráfica de datos de entrada.

Una vez introducidos los criterios para el entrenamiento (número de reglas, y épocas o iteraciones), es posible visualizar la evolución del error (ver Figura 4.5). El número de reglas viene dado por el producto de las entradas y el número de

66

funciones de pertenencia. Para este caso en específico se tiene una sola entrada (susceptibilidad magnética) asociada a 5 reglas difusas. Se escogió un total de 100 épocas o iteraciones, porque para este número el error lograba minimizarse tanto como posible el error, en todas las pruebas realizadas. En este caso específico el mínimo valor alcanzado por la curva corresponde a 0,15403, entendiendo que en la medida en que el error disminuya las predicciones debieran ir mejorando progresivamente.

las predicciones debieran ir mejorando progresivamente. Figura 4.5: Error de entrenamiento La estructura del sistema

Figura 4.5: Error de entrenamiento

La estructura del sistema difuso puede visualizarse seleccionado la opción Structure en la ventana editora (ver figura 4.6). En ella se observa esquemáticamente la forma del modelo tipo ANFIS creado, de acuerdo a las variables de entrada y el número de funciones de pertenencia asignados. En este caso en específico se observan las 5 funciones de membresía seleccionadas y las reglas derivadas de estas, que al final son fusificadas en una única salida.

67

67 Figura 4.6: Estructura del sistema difuso. Una vez entrenado el modelo difuso y pulsando la

Figura 4.6: Estructura del sistema difuso.

Una vez entrenado el modelo difuso y pulsando la opción Test Now, es posible ver graficados en la ventana editora del ANFIS (ver Figura 4.7), los datos de entrenamiento (puntos azules) y los datos inferidos a partir del modelo (puntos rojos).

azules) y los datos inferidos a partir del modelo (puntos rojos). Figura 4.7: Datos de entrenamientos

Figura 4.7: Datos de entrenamientos y datos inferidos.

68

Utilizando la opción FIS Properties, se observa el sistema difuso generado. Las cajas de los extremos corresponden a las variables de entrada y salida o susceptibilidad magnética y Cociente S para este caso en específico (ver Figura 4.8).

y Cociente S para este caso en específico (ver Figura 4.8). Figura 4.8: Sistema difuso correspondiente

Figura 4.8: Sistema difuso correspondiente al entrenamiento ANFIS, para predecir Cociente S a partir de valores de Susceptibilidad magnética

Finalmente, empleando las opciones Membership Functions y Rules podrá verse en detalle el número de funciones de membresía y las reglas asociadas al sistema difuso. Para todos los entrenamientos realizados, se asignó a cada función de pertenecía una gaussiana (ver Figura 4.9), por tanto los parámetros definidos por el sistema para cada una de estas corresponden respectivamente al ancho y centro de las mismas. Cómo puede observarse, este sistema consta de 5 funciones de membresía.

69

69 Figura 4.9: Funciones de membresía del sistema difuso (  CS). La Figura 4.10, muestra

Figura 4.9: Funciones de membresía del sistema difuso (

CS).

La Figura 4.10, muestra el conjunto de reglas derivadas del entrenamiento. En este modelo en particular las reglas están conectadas por un “y” y el método de agregación para este cado es el .

un “y” y el método de agregación para este cado es el . Figura 4.10: Reglas

Figura 4.10: Reglas asociadas al sistema difuso (

CS).

70

4.2.2 Entrenamiento de un sistema difuso ANFIS con las variables Susceptibilidad magnética y volumen de arcilla para predecir Cociente S.

Tomando en cuenta que en aquellos intervalos donde los cambios litológicos involucren también cambios granulométricos y/o de concentraciones relativas de otros minerales magnéticos diferentes a la magnetita y a la hematita, en un modelo que sólo involucre susceptibilidad, los datos experimentales e inferidos de CS no deberían corresponder entre sí. Por esta razón, se plantea en este estudio la incorporación de dos nuevas variables (SIRM y Vshale) que son sensibles a cambios granulométricos y que por ende pudieran brindar más información al sistema neuronal difuso para así predecir CS.

Para la creación de este sistema difuso fue necesario realizar un número considerable de pruebas a fin de definir la mejor relación posible entre dichas variables. A continuación se muestra el mejor modelo o la mejor combinación de funciones de pertenencias asignadas a las variables Susceptibilidad y para predecir CS tomando el cálculo de RMSE como criterio de selección.

Inicialmente fueron cargados los datos, definidos por una matriz de tres columnas

( y CS) en el Editor del ANFIS. La combinación de funciones de pertenencia entre ellos se designa de la forma (2,2) y por tanto el número de reglas de tipo Takagi-Sugeno es 2,2

71

71 Figura 4.11: Matriz de entrada graficada con valores de y CS La estructura del modelo

Figura 4.11: Matriz de entrada graficada con valores de

y CS

La estructura del modelo difuso puede visualizarse seleccionado la opción Structure. Como se observa en la Figura 4.12 este viene definido por dos variables de entrada (susceptibilidad magnética y ) asociadas respectivamente a 2 y 2 funciones de pertenencia y relacionadas por 4 reglas. De nuevo, estas cuatro reglas se conjugan o se fusifican en una única salida. Para los sistemas tipos Sugeno dicha salida corresponderá a un valor numérico.

72

72 Figura 4.12: Estructura del sistema tipo ANFIS para  y . Previo a dar inicio

Figura 4.12: Estructura del sistema tipo ANFIS para y

.

Previo a dar inicio al entrenamiento, fueron seleccionados un total de 100 iteraciones a fin de lograr la mejor inferencia y distribuciones tipo gaussianas para las funciones de pertenecía. La Figura 4.13 reseña la evolución del entrenamiento realizado hasta alcanzar un error mínimo de 0,12933.

realizado hasta alcanzar un error mínimo de 0,12933. Figura 4.13: Evolución del entrenamiento de un sistema

73

El sistema difuso correspondiente a este entrenamiento sigue el esquema de la Figura 4.14.

a este entrenamiento sigue el esquema de la Figura 4.14. Figura 4.14: Sistema difuso tipo ANFIS

Figura 4.14: Sistema difuso tipo ANFIS con Susceptibilidad y entrada.

como variables de

Las cajas amarillas corresponden a las variables empleadas como entradas del sistema, mientras que las cajas azules representan la variable que se quiere inferir (en este caso Cociente S).

De nuevo, empleando los comandos Membership Functions y Rules, podrán verse en detalle las funciones de membresía (todas funciones gaussianas) y las reglas de este modelo (ver Figuras 4.15 y 4.16).

74

74 Figura 4.15: Funciones de membresía del sistema difuso. Figura 4.16: Conjunto de reglas que definen

Figura 4.15: Funciones de membresía del sistema difuso.

74 Figura 4.15: Funciones de membresía del sistema difuso. Figura 4.16: Conjunto de reglas que definen

Figura 4.16: Conjunto de reglas que definen el sistema difuso.

75

La proporción o la cantidad de funciones de pertenencia asociadas a cada variable, define o determina la influencia de estas en la inferencia realizada. Es decir, indica en qué medida es necesario definir más conjuntos difusos para una variable u otra y cuál es su contribución en la predicción. Sin embargo, en este caso en particular pareciera que ambos factores tuviesen vital importancia.

Considerando también el volumen de datos empleados, es válido mencionar que el número de reglas que se necesitaron resultó bastante aceptable. Esto contribuye inevitablemente a la flexibilidad del modelo y lo hace no necesariamente exclusivo para el pozo Saltarín 1-A. Sin embargo, sólo después de realizar pruebas con otro set de datos puede confirmarse tal afirmación.

4.2.3 Construcción de un sistema difuso ANFIS con las variables Susceptibilidad magnética y SIRM para inferir Cociente S.

Empleando los valores de SIRM calculados previamente, se construyó una matriz de entrenamiento de tres columnas (, SIRM, CS). En este caso, la entrada del sistema serán y SIRM, y su salida corresponderá a los valores de CS. Después de realizar numerosas pruebas, se determinó que la mejor combinación de combinación de funciones de pertenencia resultó ser de la forma (2,2), y por tanto el número de reglas de tipo Takagi-Sugeno es igual a cuatro.

Inicialmente los valores fueron cargados siguiendo el procedimiento descrito en entrenamientos anteriores. En la Figura 4.17 se observa la interfaz de ANFIS con los datos de entrenamiento cargados

76

76 Figura 4.17: Datos de susceptibilidad, SIRM y CS cargados en el ANFIS. De nuevo, todas

Figura 4.17: Datos de susceptibilidad, SIRM y CS cargados en el ANFIS.

De nuevo, todas las funciones de membresía corresponden a gaussiana y se espera obtener una salida de tipo lineal. Para este entrenamiento se consideraron un total de 1000 iteraciones y un método híbrido de optimización. La evolución del mismo se muestra en la Figura 4.18.

La evolución del mismo se muestra en la Figura 4.18. Figura 4.18: Esquema representativo del FIS

77

A continuación se muestra la ventana editora de ANFIS (ver Figura 4.19), con la curva de entrenamiento obtenida. En este caso en particular, para la combinación (2,2) si alcanzó un mínimo error de entrenamiento de 0,14835.

si alcanzó un mínimo error de entrenamiento de 0,14835. Figura 4.19: Evolución del entrenamiento realizado con

Figura 4.19: Evolución del entrenamiento realizado con y SIRM.

Utilizando la opción Test Now, puede visualizarse la siguiente ventana (ver Figura 4.20). En esta se observa una distribución de puntos azules y rojos, que corresponden respectivamente a los valores experimentales y los valores inferidos a partir de este modelo.

La Figura 4.21 corresponde al esquema del FIS creado. Como se ha mencionado en apartados previos, las cajas amarillas y azules, corresponden respectivamente a las variables de entrada (Susceptibilidad y SIRM) y a la variable de salida (Cociente S).

78

78 Figura 4.20: Gráfica de datos de entrenamiento (círculos azules) y valores inferidos (puntos rojos) para

Figura 4.20: Gráfica de datos de entrenamiento (círculos azules) y valores inferidos (puntos rojos) para un sistema difuso entrenado con las variables Susceptibilidad y SIRM.

difuso entrenado con las variables Susceptibilidad y SIRM. Figura 4.21: Esquema del Sistema difuso entrenado para

Figura 4.21: Esquema del Sistema difuso entrenado para y SIRM.

79

A continuación (ver Figura 4.22) se muestra en detalle la forma en que cada variable contribuye al sistema. Tanto el logaritmo de la susceptibilidad como el SIRM están asociados a dos funciones de membresía de tipo gaussianas. En la figura sólo se muestran las distribuciones asociadas al . La opción Params, indica el centro y el ancho de la gaussiana seleccionada.

, indica el centro y el ancho de la gaussiana seleccionada. Figura 4.22: Ventana editora del

Figura 4.22: Ventana editora del ANFIS, con las respectivas funciones de membresía asignadas a cada variable (y SIRM).

La Figura 4.23 muestra las cuatro reglas que se derivan de este entrenamiento. Al igual que en los casos anteriores, las reglas están conectadas por un “y” y el método de agregación para este cado es el . Finalmente, todas ellas se conjugan o se fusifican en un único valor de salida, que para este estudio corresponde a un valor de Cociente S inferido.

80

80 Figura 4.23: Conjunto de reglas asociadas al entrenamiento con las variables  y SIRM para

Figura 4.23: Conjunto de reglas asociadas al entrenamiento con las variables y SIRM para predecir CS.

4.2.4 Creación de un sistema difuso ANFIS con las variables Susceptibilidad magnética, volumen de arcilla, SIRM para predecir CS.

Finalmente, se conjugaron todos los parámetros disponibles es una única matriz de entrenamiento. Se utilizaron los datos de susceptibilidad magnética, volumen de arcilla y SIRM para predecir los valores experimentales Cociente S en el pozo Saltarín. La matriz de entrenamiento consta de cuatro columnas, correspondientes a los datos antes mencionados, e igualmente se consideraron los esquemas simple y logarítmico para la variable susceptibilidad.

Después de realizar un número considerable de pruebas, se obtuvo que la mejor combinación corresponde a la forma (2,2,1). Es decir, 2 grupos para la susceptibilidad, 2 grupos para el y un único grupo para el SIRM, alcanzando un total de cuatro reglas difusas resultados del producto entre los conjuntos o clústers

81

asignados a cada parámetro (2*2*1). La Figura 4.24 muestra la ventana editora del ANFIS, y en ella la gráfica de los valores de entrenamiento empleados y que fueron previamente cargados.

entrenamiento empleados y que fueron previamente cargados. Figura 4.24: Datos de Susceptibilidad magnética, ventana

Figura 4.24: Datos de Susceptibilidad magnética, ventana editora del ANFIS.

y SIRM, cargados en la

ventana editora del ANFIS. y SIRM, cargados en la Figura 4.25: Estructura del sistema difuso creado

Figura 4.25: Estructura del sistema difuso creado con las variables Susceptibilidad, volumen de arcilla y SIRM.

82

Además, la Figura 4.25 muestra la estructura del sistema difuso establecido. En ésta se observa como inicialmente se tienen tres variables de entrada que se bifurcan en nuevos grupos, en este caso en particular, obedeciendo a la forma (2,2,1). El producto entre dichos grupos resulta en un total de cuatro reglas difusas que finalmente se agrupan para arrojar un único resultado.

A continuación, fueron definidos los criterios de entrenamiento. Al igual que en los casos previos, cada función de pertenencia obedece a una distribución de tipo gaussiana, y la salida obtenida es de forma lineal. Se seleccionó un total de 100 épocas o repeticiones, a fin de minimizar tanto como posible el error de entrenamiento. La Figura 4.26 muestra la evolución del entrenamiento realizado, cuyo mínimo alcanzado es de 0,11277.

realizado, cuyo mínimo alcanzado es de 0,11277. Fifura 4.26 Evolución del entrenamiento para las pruebas

Fifura 4.26 Evolución del entrenamiento para las pruebas que involucran las

variables ,

y SIRM.

83

Utilizando la opción Test Now de la ventana editora del ANFIS, pueden visualizarse (ver Figura 4.27) las gráficas correspondientes al set de datos reales (circulos azules) y a los valores que fueron inferidos (puntos rojos) según los criterios de entrenamiento seleccionados con anterioridad.

criterios de entrenamiento seleccionados con anterioridad. Figura 4.27: Gráfica con datos de entrenamiento (círculos

Figura 4.27: Gráfica con datos de entrenamiento (círculos azules) y valores inferidos (puntos rojos) para un sistema difuso entrenado con las variables Susceptibilidad, volumen de arcilla y SIRM.

Utilizando la opción FIS Properties, del menú Edit, se obtiene la siguiente ventana (ver Figura 4.28) en ella se observa esquemáticamente la forma del sistema difuso creado. Como puede observarse, este consta de tres variables de entrada (cajas amarillas) que a través de un sistema de tipo Sugeno originan un conjunto de valores (caja azul) que este caso se corresponden con valores de Cociente S para el pozo Saltarín 1-A.

84

84 Figura 4.28: Esquema del Sistema difuso entrenado con las variables  , para predecir Cociente

Figura 4.28: Esquema del Sistema difuso entrenado con las variables, para predecir Cociente S.

y SIRM

Por último, (ver Figuras 4.29 y 4.30) se muestran las ventanas de ANFIS que muestran con detalle las funciones de pertenencia y el conjunto de reglas originadas. Como se mencionó anteriormente, todas las funciones son de tipo gaussiana, y a cada una de ellas le corresponden valores específicos para su centro y su ancho, que son provistos por el programa. En cambio, para el modelo seleccionado, se obtuvo un total de cuatro reglas de tipo SI-ENTONCES, que involucran como es de esperarse, todas las propiedades tomadas en cuenta para este entrenamiento. Las reglas están conectadas por un “y” y el método de agregación para este cado es el . Finalmente, todas ellas se conjugan o se fusifican en un único valor de salida, que para este estudio corresponde a un valor de Cociente S inferido.

85

85 Figura 4.29: Ventana editora del ANFIS, con las respectivas funciones de membresía asignadas a cada

Figura 4.29: Ventana editora del ANFIS, con las respectivas funciones de

membresía asignadas a cada variable (,

y SIRM).

de membresía asignadas a cada variable (  , y SIRM). Figura 4.30: Ventana editora del

Figura 4.30: Ventana editora del ANFIS, con el conjunto de reglas asociadas al

entrenamiento con las variables (,

y SIRM).

86

Como último punto es necesario mencionar que las pruebas computacionales expuestas a la brevedad fueron nuevamente realizadas considerando un total de 62 muestras para los entrenamientos y luego, cada sistema difuso creado, fue probado para un total de 100 muestras de rocas.

Para estos casos en particular no se presentan las ventanas del ANFIS, puesto que el procedimiento realizado no dista en absoluto al antes expuesto. En todo caso, la selección de los mejores modelos obtenidos se despliega en el próximo Capítulo como parte de los resultados.

87

CAPITULO V

RESULTADOS EXPERIMENTALES Y ANÁLISIS

En este capítulo se muestran los resultados obtenidos a partir de la metodología previamente descrita. En una primera parte, se reseñan los resultados derivados del cálculo de los parámetros magnéticos y el volumen de arcilla. En un segundo bloque, se muestra un análisis detallado de los perfiles obtenidos.

5.1 Resultados experimentales

En el Apéndice G se muestra una tabla, cuyo contenido corresponde a los valores de susceptibilidad magnética, cociente S, SIRM y volumen de arcilla asociados a las profundidades de cada muestra de roca.

En vista de que el Registro Gamma Ray del pozo Saltarín 1-A no muestra valores de radiactividad a partir de los 517.63 metros, el set de datos empleados para este estudio abarca sólo 511.97 metros de profundidad con un total de 100 muestras separadas alrededor de cada 5 metros.

El pozo Saltarín 1-A fue dividido operacionalmente en campo de la siguiente forma:

Formación Guayabo (88 muestras): Areniscas y lodolita. Desde 0 metros hasta 442 metros.

Formación León (26 muestras): Lodolitas. Desde 442 metros hasta

569metros.

88

Formación Carbonera (20 muestras): Areniscas y lodolitas. Desde 569 muestras hasta 670 metros.

Dicha división fue definida en respuesta a cambios es las características de la roca perforada. En otras palabras, las unidades litoestratigráficas (Formación) corresponden a una secuencia de estratos depositados, que se caracterizan por el tipo de rocas. El contraste entre las litologías puede asociarse entonces a un cambio de Formación, y la profundidad a la cual ocurre este cambio es registrada como una división operacional de campo.

Tomando en cuenta las profundidades límites entre formaciones y el alcance del registro Gamma Ray, se tiene finalmente que, los resultados que se deriven de este estudio abarcarán sólo las unidades o Formaciones Guayabo y León.

5.1.1 Registros de Susceptibilidad magnética y Cociente S

En principio, la Figura 5.1 muestra los registros de Susceptibilidad magnética y Cociente S para 62 muestras. En la Figura 5.2 se observan los registros de y CS tomando el total de las muestras estudiadas (100) a lo largo del pozo Saltarín 1-A. Ambos registros fueron graficados a partir de un programa en MatLab(R2008) que permite es representar los parámetros magnéticos como función de la profundidad.

Es importante destacar que la primera de estas figuras (ver Figura 5.1) solo incluye las muestras consideradas por López,(2009) en su estudio. Mientras que en la Figura 5.2 se muestra un perfil completo, que incluye 38 muestras adicionales, cuyas mediciones y cálculo de cociente S forman parte de los resultados experimentales de este trabajo.

89

89 Figura 5.1: Perfiles de Susceptibilidad magnética y Cociente S (en unidades SI) para 62 muestras

Figura 5.1: Perfiles de Susceptibilidad magnética y Cociente S (en unidades SI) para 62 muestras del pozo Saltarín 1-A (0m-511.97m): (a) Susceptibilidad magnética, (b) Cociente S

90

90 Figura 5.2: Perfiles de Susceptibilidad magnética y Cociente S del pozo Saltarín 1-A. (0m-511.97m): (a)

Figura 5.2: Perfiles de Susceptibilidad magnética y Cociente S del pozo Saltarín 1-A. (0m-511.97m): (a) Susceptibilidad magnética, (b) Cociente S

5.1.2 Perfiles de SIRM y Volumen de arcilla

91

Las Figuras 5.4 y 5.5 muestran los perfiles de Volumen de arcilla y SIRM para el pozo Saltarín 1A. Al igual que en los registros anteriores, el primero de estos (Figura 5.4) incluye solo 62 muestras del pozo, mientras que en los registros de la Figura 5.5 se toman en consideración el total de las muestras disponibles.

en consideración el total de las muestras disponibles. Figura 5.3: Registros de Volumen de arcilla y

Figura 5.3: Registros de Volumen de arcilla y SIRM para 62 muestras del pozo Saltarín 1-A. (0m-511.97m): (a) Volumen de arcilla, (b) SIRM.

92

92 Figura 5.4: Registros de Volumen de arcilla y SIRM para el pozo Saltarín 1-A. (0m-

Figura 5.4: Registros de Volumen de arcilla y SIRM para el pozo Saltarín 1-A. (0m- 511.97m): (a) Volumen de arcilla, (b) SIRM.

93

5.2 Discusión de resultados

Los perfiles de Cociente S para el Pozo Saltarín 1-A reflejan cambios locales en las paleocondiciones óxido-reductoras de los distintos estratos analizados con valores cercanos a cero para ambientes netamente oxidantes (posibles eventos regresivos) y valores cercanos a uno para ambientes netamente reductores (posibles eventos transgresivos).

El cociente S es una propiedad magnética que mide indirectamente la relación entre minerales de alta y baja coercitividad contenidos en la muestra de roca (proporción relativa entre hematita y magnetita), López (2009). En los perfiles mostrados para el pozo Saltarín (Figuras 5.1a y 5.2a), un alto porcentaje de los valores de cociente S son relativamente altos (superiores a 0.66). En tal sentido, pudiera decirse que hay un predominio de ambientes reductores o de circulación restringida.

López (2009) realiza una división de los datos en edades geológicas (envolventes transgresivas) a partir de dos edades bioestratigráficas suministradas por el Dr. Carlos Jaramillo (Instituto Smithsoniano de Investigaciones Tropicales Panamá). Estas edades bioestratigráficas ubican el tope del Mioceno medio a aproximadamente 305 metros de profundidad y el tope del Mioceno inferior a aproximadamente 610 metros de profundidad.

Además, López (2009) argumenta que estas edades geológicas coinciden aproximadamente con dos eventos regresivos globales establecidos en los perfiles de Vail et al (1977) (ver Figura 5.3).

Si bien la base del primer ciclo transgresivo fue ubicada a los 305 metros de profundidad, para efectos de este estudio, esta será situada alrededor de los 320

94

metros (ver Figura 5.1a) a fin de incluir el máximo o la anomalía de cociente S que se observa a dicha profundidad y que pudiera relacionarse con algún evento global ocurrido durante el Mioceno.

con algún evento global ocurrido durante el Mioceno. Figura 5.3: Envolventes transgresivas definidas para el pozo

Figura 5.3: Envolventes transgresivas definidas para el pozo Saltarín 1-A, a partir de dos edades bioestratigráficas. Tomado de López (2009)

Bayona et al (2008), describen la base de la Fm. Guayabo en principio con un incremento del aporte de detríticos extracuenca, la acumulación en sistemas lacustres, pantanosos y deltaicos en la unidad basal (unidad G1, Mioceno medio), y el relleno de la cuenca por sedimentos acumulados en ambientes fluviales de las otras cinco unidades suprayacentes. Fluctuaciones climáticas (períodos secos- húmedos) y variaciones en la subsidencia permitieron el cambio de la amalgación de paleosuelos oxidados (unidad G2) y el posterior registro de llamuras fluviales en condiciones reductoras.

Este tipo de ambientes algo complejos pudiera generar la depositación alternada de lutitas y arenicas que pueden asociarse a fluctuaciones de condiciones con mayor o menor presencia de oxígeno. En tal sentido, esta zona de anomalías de Cocientes S

95

(ver Figura 5.2a) que alcanza un mínimo a 345.25 metros de profundidad, pudiera atribuirse a este tipo de condiciones que generan a su vez altos y bajos en los valores de CS y por ende variaciones en la relación de los minerales magnéticos.

La edad de la segunda envolvente ubicada a 610 metros de profundidad queda sin efecto para este trabajo, ya que como se explicó inicialmente, este estudio sólo cubre 511.97 metros a lo largo del pozo.

López (2009) advierte sobre la presencia de anomalías magnéticas, relacionadas a valores anómalos de susceptibilidad. En su trabajo, seleccionó un total de 9 muestras con los valores más notables para realizar estudios de Microscopía Electrónica de Barrido y Espectrometría por dispersión de rayos X por dispersión de electrones secundarios (EDX). Las muestras que competen a este estudio se muestran a continuación (ver tabla 5.1).

Tabla 5.1: Muestras con valores anómalos de susceptibilidad. Modificado de López

(2009)

Muestra

Profundidad

Unidad

litoestratigráfica
(m)

(Fm)

Susceptibilidad

magnética,

(SI)

Cociente S

1 110.37

Guayabo

107.69

0.95

2 127.40

Guayabo

100.81

0.89

3 139.31

Guayabo

52.39

0.96

4 147.25

Guayabo

57.10

0.90

5 462.43

León

46.60

0.94

6 479.55

León

31.17

0,97

Los valores de susceptibilidad magnética en función de la profundidad (Figuras 5.1a y 5.2b) muestran regiones anómalas de mayor , que pueden estar asociadas a

96

la presencia de minerales magnéticos primarios y contrastes litológicos (anomalías tipo B), así como a una zona reductora (anomalía tipo A) con minerales magnéticos autigénicos secundarios, inducida por el yacimiento de hidrocarburo subyacente (Costanzo Alvares et al. 2000).

Las imágenes topográficas de electrones secundarios (SEM) demuestran la presencia de minerales submicrónicos, que fueron separados magnéticamente de las muestras originales (ver Apéndice H). Estas imágenes fueron tomadas por López,(2009) durante la realización de su estudio.

Los espectros de dispersión de rayos X (EDX) presentan para la mayoría de los casos, cantidades variables de Fe y S, lo que sugiere que algunos de estos minerales pudieran ser sulfuros de hierro. Los sulfuros de hierro han sido previamente reportados en ambientes marinos de sedimentación netamente reductores (Robert y Turner, 1993; Foley et al, 2001 y Viglioti et al, 1999, entre otros). Este tipo de ambiente suele tener una alta producción de materia orgánica junto con lenta circulación de agua de fondo.

Para las profundidades de 127.40 y 147.27 metros se observan framboides, compuestos por minerales submicrónicos autigénicos de un ambiente reductor inducido por un yacimiento subyacente (Aldana et al, 1999 y 2003; Costanzo Álvarez, et al., 2006; Díaz et al., 2006 y 2000, entre otros). Estos framboides pudieran ser responsables de los valores anómalos de susceptibilidad que se registran para dichas profundidades.

En cuanto a los registros Gamma Ray presentados (ver Figuras 5.3a y 5.4a, se observan valores intermedios de volumen de arcilla para los sedimentos correspondientes a la Formación Guayabo un aumento significativo de estos para las profundidades asociadas a la Formación León. Este comportamiento es acorde a la descripción litológica de ambas unidades. En todo caso, si se ubica la línea de corte

97

entre lutitas y arenas para un volumen de arcilla igual a 0,4, se tiene que mucha de las muestras consideradas, constituyen rocas con un contenido significativo de minerales arcillosos.

La base teórica de estos registros parte del hecho de que los elementos radiactivos tienden a ser absorbidos por sedimentos de grano fino en proporción mayor que los sedimentos de grano grueso. En tal sentido, las zonas permeables, constituidas por granos medianos y gruesos emiten poca radiactividad mientras que, las zonas impermeables, constituidas por granos finos son mejores emisores de radiactividad.

Calculando el volumen de arcilla para las rocas a las profundidades dadas, es posible obtener la proporción o la cantidad de sedimentos arcillosos en esta. Por lo general, un alto contenido de arcilla pudiera asociarse con ambiente marinos profundos o de circulación restringida (lagunares), mientras que un bajo nivel de estas corresponde a ambientes someros y con presencia de oxígeno.

Aunque la Fm. Guayabo se encuentra subdividida en seis unidades secundarias, se depositó en un ambiente netamente continental, pasando de las facies deltaicas hacia la base, a facies fluviales (G1 a G4) y llevando a facies aluviales, en la unidad G5, con sedimentos de tipo arenosos y lodolitas. En contraposición a ello, se tiene que la Fm. León es una secuencia muy homogénea de lodolitas verdes, las cuales fueron depositadas en un lago extenso con ligera influencia saobre. Es de esperar entonces, que estas últimas respondan a un comportamiento radiactivo mucho más notorio.

Tanto el Cociente S como el pueden usarse como indicadores de posibles ambientes de depositación. En los registros mostrados, pareciera haber una correspondencia entre ambos. Es decir, los valores en ambos registros apuntan a un mismo paleoambiente.

98

En cuanto a los registros de SIRM (Saturación de la magnetización isotermal remante) se tiene que estos responden a un comportamiento estable, salvo algunas anomalías o picos registrados para ciertas profundidades. Debido a que este parámetro se encuentra ínfimamente ligado a la granulometría (tamaño y forma) de los minerales magnéticos, pudiera afirmarse que para las secciones estudiadas, existe un comportamiento si se quiere uniforme.

Se observa un cambio considerable entre los valores de SIRM para las Formaciones Guayabo y León que pudiera argumentarse justamente con las diferencias litológicas existentes entre ambas. Más aún, pudiera decirse que la fracción de minerales magnéticos en las muestras estudiadas, se ajustan a las características de las rocas que los contienen.

99

CAPITULO VI

RESULTADOS COMPUTACIONALES Y DISCUSIÓN

6.1 Posible relación entre parámetros magnéticos y

Las gráficas que se muestran a continuación, representan los valores experimentales de Cociente S en función de los otros parámetros. Estos gráficos se presentan con el propósito de verificar la existencia de alguna posible relación lineal y simple entre ellos. Para todos los casos, se consideraron ambos sets de datos previamente definidos. Se realizaron regresiones lineales y se evaluó la calidad de los ajustes utilizando el valor de R 2 (bondad del ajuste).

Es importante resaltar que los ajustes se realizaron sobre el conjunto que considera 100 muestras de pozos, entendiendo que los 62 valores que conforman el otro set de datos, forman también parte de éste.

100

Cociente S vs Susceptibilidad magnética

1,00 0,80 CS = 0,0038 + 0,6668 R² = 0,0509 0,60 CS= 0,1734ln() + 0,2145
1,00
0,80
CS = 0,0038 + 0,6668
R² = 0,0509
0,60
CS= 0,1734ln() + 0,2145
R² = 0,0811
0,40
0,20
0,00
0,00
20,00
40,00
60,00
80,00
100,00 120,00
Cociente -S

Susceptibilidad magnética (SI)

Cociente S vs Susceptibilidad magnética para 100 muestras del pozo Saltarín 1-A100,00 120,00 Cociente -S Susceptibilidad magnética (SI) Cociente S vs Susceptibilidad magnética para 62 muestras

Cociente S vs Susceptibilidad magnética para 62 muestras del pozo Saltarín 1-A.magnética para 100 muestras del pozo Saltarín 1-A Lineal (Cociente S vs Susceptibilidad magnética para 100

Lineal (Cociente S vs Susceptibilidad magnética para 100 muestras del pozo Saltarín 1-A)

Figura 6.1: MODELO A, Gráfica de valores experimentales de Cociente S vs Susceptibilidad magnética para el pozo Saltarín 1-A.

Cociente S vs Volumen de arcilla.

1,00

0,80

0,60

0,40

0,20

0,00

CS= 0,3011Vsh + 0,6017 R² = 0,0863 0,00 0,20 0,40 0,60 0,80 1,00 1,20
CS= 0,3011Vsh + 0,6017
R² = 0,0863
0,00
0,20
0,40
0,60
0,80
1,00
1,20

Cociente S vs volumen de arcilla para 100 muestras del pozo Saltarín 1-A.R² = 0,0863 0,00 0,20 0,40 0,60 0,80 1,00 1,20 Cociente S vs Volumen de arcilla

Cociente S vs Volumen de arcilla para 62 muestras del pozo Saltarín 1-A.volumen de arcilla para 100 muestras del pozo Saltarín 1-A. Lineal (Cociente S vs volumen de

Lineal (Cociente S vs volumen de arcilla para 100 muestras del pozo Saltarín 1-A. )

Figura 6.2: MODELO B, Gráfica de valores experimentales de Cociente S vs volumen de arcilla para el pozo Saltarín 1-A.

101

Cociente S vs SIRM

1,00 CS = -5,0976SIRM + 0,8689 R² = 0,2092 0,80 0,60 Cociente S vs SIRM
1,00
CS = -5,0976SIRM + 0,8689
R² = 0,2092
0,80
0,60
Cociente S vs SIRM para
100 muestras del pozo
Saltarín 1-A.
0,40
Cociente S vs SIRM para 62
muestras del pozo Saltarín
1-A.
0,20
Lineal (Cociente S vs SIRM
para 100 muestras del
pozo Saltarín 1-A.)
0,00
0,00
0,05
0,10
0,15
Cociente-S

SIRM

Figura 6.3: MODELO C, Gráfica de valores experimentales de Cociente S vs SIRM para el pozo Saltarín 1-A.

A continuación se muestra una tabla resumen con las ecuaciones y valores de R 2 producto de los ajustes realizados.

Tabla 6.1: Modelos para relacionar el valores experimentales de CS con las variables Susceptibilidad magnética, volumen de arcilla y SIRM a partir de regresiones lineales, para el pozo Saltarín 1-A.

Modelo

Variables

Bondad del ajuste (R 2 )

MODELO A

Cociente S vs Susceptibilidad magnética

MODELO B

Cociente S vs volumen de arcilla

MODELO C

Cociente S vs SIRM

102

Las gráficas mostradas cómo parte de los resultados (ver Figuras 6.1, 6.2 y 6.3) y que pretenden relacionar el CS con el resto de las variables, muestran que en efecto, una simple regresión lineal no es suficiente debido a la complejidad de problema y la gran dispersión de los datos.

Para la Figura 6.1 se realizó un ajuste lineal y un ajuste logaritmo. Se presentan las ecuaciones y la bondad del mismo para cada caso. Sin embargo, pareciera que la nube de puntos responde mejor al modelo semi-logaritmico, con un valor de R 2 un poco mayor. Esto fue también fue señalado por López, (2009) y por Frank and Nowaczyk (2008).

Si se analiza el R 2 (ver Tabla 6.1) para medir el grado de ajuste de los modelos, se tiene que para todos ellos, este valor resulta considerablemente bajo. Entendiendo que cuanto más éste se aproxime a 1 mejor será el ajuste y más fuerte será la relación entre las variables graficadas.

No obstante, sus limitaciones sirven de argumento para promover la utilización de las RND en este estudio, como una técnica no lineal que puede emplearse en la caracterización detallada de sistemas geofísicos. Siendo de gran aporte el hecho de que a partir de ANFIS puede crearse un conjunto de ecuaciones empíricas que permiten unificar todos los parámetros bajo un único modelo que debe por ende cumplirse a lo largo de toda la columna.

Utilizando la técnica de redes neuronales difusas (RND) se han analizado posibles relaciones empíricas para inferir Cociente S a partir de datos magnéticos y volumen de arcilla medidos en muestras del pozo Saltarín 1-A. Los resultados que se presentan a continuación, son producto de un número considerables de pruebas utilizando la interfaz ANFIS de MatLab(R2208).

103

El criterio de selección de el mejor de los modelos difusos generados, responde al cálculo del RMSE (Root mean squared error) entre los valores de Cociente S experimentales y los que han sido inferido con cada sistema difuso. Asimismo, se utilizan gráficos cruzados (CS experimental vs CS inferido) a fin de verificar cuál de ellos se ajusta mejor linealmente, teniendo en cuenta que la mejor correspondencia entre los valores considerados arrojaría una pendiente igual a 1.