Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Informe
Lógica Difusa
Profesor:
Milagrosa Aldana
Alumnos:
Salvador Hernández 13-10646
Vinicius Inojosa 13-10682
El estudiante, apoyado en conocimientos adquiridos sobre lógica difusa y sistemas híbridos neuro-
difusos, fundamentado en la teoría y a través de la herramienta ANFIS de MatLab, evaluará, reconocerá
patrones y analizará resultados obtenidos para datos petrofísicos provistos en clase, más específicamente,
relaciones entre la permeabilidad, la porosidad e índice de Gamma-Ray.
Marco Teórico
Lógica Difusa
El grado de membrecía que posee cada valor a un conjunto viene definido por funciones de
pertenencia que sirven para clasificar dependiendo del valor de cada sujeto. Estas funciones de
pertenencia engloban el universo de valores que se tengan y la única condición que deben satisfacer es
tomar valores entre 1 y 0 (figura 2).
Figura 2. Funciones de membrecía o pertenencia. Tomado de Guerra, 2017.
Para asignar valores a un conjunto difuso se utilizan condicionales del tipo if-then y variables
lingüísticas que permitan la clasificación del universo de valores (fusificación), por ejemplo:
Los conjuntos difusos pueden ser predefinidos, basándose en estudios previos, sean geológicos,
probabilísticos, etc, o, ser calculados para un set de datos en específico.
Para poder aplicar todos estos conceptos a la vida real, se han desarrollado Sistemas de Inferencia
Difusa (FIS), capaz de obtener datos de salida lineales, aplicando sistemas no lineales a datos de entrada
lineales. Se han desarrollado diferentes FIS que sirven para obtener soluciones acertadas a sistemas no
lineales, sin embargo, en nuestro caso de estudio nos limitamos al Sistema de Inferencia Neuro-Difusa
Takagi-Sugeno-Kang.
Las capas del FIS TSK funciona con 5 capaz, las primeras 3 compartidas con el FIS Mamdami:
Metodología
Con los datos provistos por la profesora, constando de Porosidad, IGR y Logaritmo de
permeabilidad en función de la profundidad se arregló un archivo .txt para poder entrenar el software
ANFIS (MatLab). Se utilizó 1 input (porosidad) y 1 output (logaritmo de permeabilidad). Un FIS tipo “grid
partition”, 1000 epocas y tres (3) funciones de membrecía tipo campana de gauss lineal. Los ajustes fueron
evaluados varias veces y se determinó que eran los óptimos, se realizó un gráfico comparando los datos
inferidos y los reales,
Para el set de datos que se nos indicó conseguir, se usó un set de datos de pozo obtenidos al norte
del Mar de Irlanda, se realizó el mismo proceso descrito previamente, entrenando con el 70% de los datos
de porosidad comprendidos entre 2300 y 2550 m (que comprenden una misma formación, para que los
resultados fueran más certeros).
Resultados
Se introdujeron los 16 pares de datos en ANFIS (figura 4). Y se entrenó el sistema difuso con los parámetros
indicados en la metodología, para las 200 épocas el error no disminuyó más (Figura 5).
Figura 4. Datos de entrada para ANFIS.
Se obtuvieron buenos resultados y una correlación del 70% entre datos reales e inferidos
(Figuras 6 y 7).
Para este caso se siguió la misma metodología aplicada previamente, la variante fue utilizar el
70% de los datos para entrenamiento y luego verificando con el 100%. Se realizó el trabajo con los
parámetros descritos en la metodología, pero el número de funciones lo modificamos de 2 a 6 funciones,
ya con 4 reglas difusas se aprecia la disminución notable del error, por lo que 5 o 6 reglas no son necesarias
(reducción de tiempo de computo vs. disminución notable del error).
Cuando graficamos la data real vs la data inferida se consiguió una correlación del 58% lo cual es
un resultado medio que indica que no toda la data inferida es de confianza.
Referencias bibliográficas
Bustillos, A. (2012). Aplicación de sistemas difusos ANFIS para la predicción de Vs en la Fm. Chaguaramas,
Campo Copa Macoya. Universidad Simón Bolívar. Sartenejas, Venezuela.
Guerra, V. (2017). Predicción de Parámetros Petrofísicos usando ANFIS en datos de pozos y sísmica, campo
WEST-WAHA, Texas. Universidad Simón Bolívar. Sartenejas, Venezuela.