Universidad Simón Bolívar

Departamento de Ciencias de la Tierra

Trimestre abril – julio 2018
GC5253 – Aplicaciones de técnicas no lineales en Cs. De La Tierra

Informe
Lógica Difusa

Profesor:
Milagrosa Aldana

Alumnos:
Salvador Hernández 13-10646
Vinicius Inojosa 13-10682

Valle de Sartenejas, julio de 2018

Resumen

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

La lógica difusa es una aproximación para resolver problemas no lineales, y traducir

interpretaciones cualitativas de forma matemática. Los conjuntos en la matemática convencional se
definen por umbrales (figura 1), si un valor es mayor o menor a cero pertenece a un grupo u a otro, sin
embargo, en la lógica difusa dicho valor puede pertenecer a uno o más grupos, con diferentes grados de
membrecía. La diferencia fundamental radica en este concepto, no aislar soluciones a un solo grupo, entre
el blanco y el negro existe una numerosa escala de grises.

Figura 1. Conjuntos lineales vs. conjuntos difusos. Tomado de Guerra, 2017.

Basándonos en esto, podemos percatarnos de la diferencia entre los conjuntos matemáticos

tradicionales y los conjuntos difusos, quienes albergan un universo de valores que no son exclusivos a
ellos, si no que cada valor del universo posee un grado de membrecía a cada conjunto.

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:

• Si la porosidad es baja y la permeabilidad es baja, entonces, Vs es bajo.

• Si la porosidad es media y la permeabilidad es media, entonces, Vs es bajo-medio.

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.

El Sistema de Inferencia Neuro-difusa Takagi-Sugeno-Kang (TSK) es iterativo (épocas) y requiere

de un conjunto de datos de entrada y de salida para entrenarse y poder inferir valores nuevos. Este
sistema actúa en 5 capas (figura 3) y obedece los siguientes pasos:

1. Fusificación: por variables lingüísticas se asignan funciones y valores de membrecía a cada

dato de entrada
2. Inferencia: basado en reglas y condicionantes se iteran para aumentar la correlación entre
valores de entrada y de salida hasta un nivel óptimo.
3. Defusificación: se obtienen datos de salida lineales.
 Figura 3. Arquitectura de FIS TSK. Tomado de Researchgate.

Las capas del FIS TSK funciona con 5 capaz, las primeras 3 compartidas con el FIS Mamdami:

1. Entrada: no se realiza cómputo alguno, cada entrada posee un nodo.

2. Fusificación: se aplican las variables lingüísticas a cada nodo, se aplican grados de
membrecía y se calculan las funciones de membrecía, por último, se agrupan los nodos e
iterativamente se afinan los resultados.
3. Antecedente de la regla: se asocia un peso a cada regla.
4. Consecuente de la regla: se combinan los antecedentes de la regla y un grado de
membresía.
5. Combinación y Defusificación: combina todos los consecuentes y computa la salida luego
de la Defusificación.

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

Datos provistos por la profesora

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.

Figura 5. Error vs. épocas.

Figura 6. Testing data en ANFIS.

 Para verificar lo certero de la inferencia se realizó la validación de los datos la cual consistió en
guardar el .fis generado por MatLab y solo con la entrada (porosidad) generar la salida (permeabilidad).
El código utilizado fue el siguiente:
registro=load('entrada.txt');
E=registro;
FIS=readfis('training.fis');
salida=evalfis(E,FIS);
xlswrite('resultado.xls',salida);

Se obtuvieron buenos resultados y una correlación del 70% entre datos reales e inferidos
(Figuras 6 y 7).

Figura 7. Correlación de los datos.

Datos Mar de Irlanda

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.