Professional Documents
Culture Documents
), obedece a algn
paleoambiente.
3
Para llevar a cabo las pruebas computacionales, se emple la interfaz ANFIS de
MatLabR2008 y se consider 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 Len. Es importante mencionar, que el pozo estudiado
perfor una unidad litoestratigrfica adicional, correspondiente a la Fm. Carbonera.
Sin embargo, el alcance del registro Gamma Ray impidi considerar las muestras
correspondientes a dicho bloque.
La metodologa involucr un nmero considerable de pruebas regidas por varios
esquemas de entrenamiento. Dichos esquemas incluan, segn 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
implementacin de grficos cruzados (valores inferidos vs valores reales) as como el
clculo del RMSE (error cuadrtico medio).
En trminos de la correspondencia o no de los registros inferidos y los registros
experimentales fue posible determinar si en efecto, existe algn contraste litolgico
que involucre variaciones de alguna otra propiedad, que supere el alcance de los
parmetros considerados. En todo caso, una buena correspondencia, brinda adems
una alternativa viable para la obtencin de valores de CS, que en la prctica se
traduce en una mejor y ms detallada caracterizacin litolgica del pozo.
4
CAPITULO I
MARCO TERICO
1.1 Minerales magnticos
Unos pocos minerales son magnticos 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 magnticas. En la prctica este
comportamiento depende de un pequeo grupo de minerales portadores de hierro en
el material. Los minerales magnticos contienen tomos de ciertos elementos, de los
que el hierro es el nico ejemplo natural importante, que se comportan como
pequeos imanes.
Segn Vallenilla (2005), los minerales magnticos son capaces de registrar la
magnetizacin y conservarla en el tiempo; minerales con esta propiedad son los
xidos de hierro puros como la magnetita y la hematita o en solucin slida con
xidos de titanio. Algunos minerales son ms magnticos que otros y algunos
materiales tienen ms minerales magnticos que otros.
La cuantificacin de los parmetros magnticos resulta una alternativa viable en
el estudio detallado de las rocas. La determinacin de la remanencia magntica en
una muestra permite conocer la edad de las componentes de magnetizacin, y por lo
tanto, la edad en la cual se deposit. Los estudios magnticos, en conjunto, pueden
permiten inferir tipos y tamao de los granos magnticos presentes en las rocas, as
como sus concentraciones. Las propiedades magnticas permiten caracterizar
5
tambin, litologas y determinar paleoambientes, ciclos eustticos y tipos de
contactos entre formaciones.
La magnetita (Fe3O4) es el mineral magntico ms importante de tierra y de mayor
relevancia para el paleomagnetismo pues posee propiedades magnticas
particularmente intensas. Puede formarse en ambientes continentales y marinos
como elemento primario o secundario tanto en rocas sedimentarias, gneas o
metamrficas.
La hematita (_Fe2O3) es el mineral antiferromagntico ms conocido, siendo este
producto de la alteracin de la magnetita y de la deshidratacin de la limonita. Es
uno de los constituyentes ms comunes de las rocas gneas bsicas.
La maghemita (Fe2O3) es el producto de la oxidacin a bajas temperaturas o de la
meteorizacin 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 comn tanto en ambientes
subareos como submarinos.
La goetita (oFeOOH) se genera por la meteorizacin microcristalina, y en conjunto,
con otros hidrxidos de hierro, forma la limonita. Tiene un comportamiento
antiferromagntico.
En la naturaleza se encuentra presente otro grupo de minerales magnticos que
son los sulfuros de hierro. La frmula general de estos es FeS1+x, con 0<x<1. En las
rocas terrestres el sulfuro ms comn es la pirita (FeS) la cual tiene un
comportamiento paramagntico a temperatura ambiente.
La pirrotita (Fe1-xS) es otro mineral ferromagntico. Es un mineral accesorio
comn en rocas metamrficas, gneas y sedimentarias, aunque raramente domine la
remanencia total de una muestra. Se forma generalmente durante la diagnesis de
6
sedimentos marinos, en ambientes depositacionales con aporte orgnico y en
aureolas de metamorfismo de rocas gneas intrusivas (Butler, 1998).
Tabla 1.1: Ejemplo de algunos minerales magnticos, (modificado de Vallenilla,
2005)
MINERAL COMPOSICIN
ESTADO MAGNTICO
Magnetita Fe3O4
Ferromagntico
Hematita _Fe2O3
Antiferromagntico
Ilmenita FeTiO4
Antiferromagntico
Maghemita Fe2O3
Ferromagntico
Pirrotita Fe1-xS
Ferromagntico
Greiguita Fe3S4
Ferromagntico
Goetita _FeOOH
Antiferromagntico
Hierro Fe
Ferromagntico
Cobalto Co
Ferromagntico
Nquel Ni
Ferromagntico
1.2. Susceptibilidad magntica, _
La susceptibilidad magntica es una propiedad adimensional que indica el grado
de facilidad que tiene un material de ser magnetizado, es decir, proporciona una
idea de cmo se comporta la materia cuando sta se encuentra en presencia de un
campo magntico externo. Esta propiedad vara con la temperatura en la mayora de
los materiales, as como tambin depende de la forma, concentracin, tamao y tipo
de grano que compone la roca y la magnitud del campo externo.
Cuando un material es inmerso en una regin en la cual exista un campo
magntico, este se magnetiza y la magnitud de la magnetizacin depende de la
intensidad del campo. La magnitud de la magnetizacin se le denomina momento
7
magntico M, el cual est relacionado a su vez con el campo externo aplicado H de
acuerdo a la siguiente expresin:
(1.1)
Donde B es la induccin magntica en el material, M es la magnetizacin del
material y H el campo magntico aplicado.
Las propiedades magnticas de los materiales no slo son funciones de la
magnitud de M sino tambin de la forma en que sta vara con H. Se denomina
susceptibilidad magntica _, al cociente del momento magntico entre la magnitud
del campo magntico aplicado. Para una gran cantidad de materiales se cumple
entonces la relacin:
(1.2)
Segn Lpez (2009), las propiedades magnticas de los slidos son determinadas
fundamentalmente por tomos individuales y por los electrones asociados a stos.
Dichos tomos pueden tener un nmero considerable de electrones, cada uno con su
espn asociado, un momento angular orbital determinado y un momento magntico
asociado a cada uno de ellos. Entonces, el momento magntico del tomo es la suma
de todos los momentos magnticos electrnicos.
Si los momentos magnticos de todos electrones estn orientados de tal forma que
se cancelan mutuamente, entonces el tomo como un todo no tendr momento
magntico (diamagnetismo). Si los momentos magnticos slo se cancelan de forma
parcial, el tomo conservar un momento magntico remanente que permitir en la
prctica poder clasificar los materiales en anti para, ferri y ferromagnticos.
8
Se tiene entonces que, segn la intensidad de las mediciones de la susceptibilidad
magntica, los materiales se clasifican en: diamagnticos, paramagnticos y
ferromagnticos. Los materiales diamagnticos presentan valores de susceptibilidad
negativa debido a que la magnetizacin en estos casos se da en sentido opuesto al
campo aplicado. Todos los materiales tienen un trmino diamagntico base, pero
puede ser apantallado por la susceptibilidad paramagntica.
Los materiales paramagnticos registran valores de susceptibilidad bajas, ya que
la magnetizacin de estos es dbil. La magnetizacin que adquieren los slidos al
estar bajo un campo magntico externo depende linealmente del campo aplicado y
sta desaparece cuando el campo es removido. En cambio, los materiales
ferromagnticos muestran valores de susceptibilidad altos y positivos, debido a que
poseen propiedades magnticas fuertes.
Las medidas de susceptibilidad magntica en rocas son esenciales para las
investigaciones en ciencias de la tierra y sus usos son numerosos. La susceptibilidad
magntica es empleada frecuentemente para calcular la concentracin de minerales
magnticos, con el fin de ayudar a identificar rocas. Se sabe por ejemplo que, las
rocas de menor susceptibilidad magntica son por lo general sedimentarias,
mientras que las de mayor susceptibilidad corresponden a rocas gneas bsicas.
Adems, se utilizan registros de susceptibilidad magntica para determinar zonas
de perturbacin, hiatos, sedimentos de aluvin en ambientes lacustres y marinos, y
para precisar cambios estratigrficos en ncleos de sedimentos marinos profundos.
Asimismo, las mediciones de susceptibilidad magntica han sido empleadas para
relacionar el cambio climtico y el campo magntico de la tierra as como para
entender las relaciones ocano y clima.
1.3 Cociente S, CS
9
El Cociente S permite establecer una proporcin 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 magntico requerido para rotar por 180 la direccin de
magnetizacin de un grano de dominio simple (granos muy finos de minerales
ferromagnticos).
Segn Lpez (2009), en muchos casos, las mediciones de cociente S estiman la
importancia relativa entre minerales antiferromagnticos (como la hematita) y
minerales ferrimagnticos (como la magnetita).
Partiendo de la medicin de las propiedades magnticas de los minerales, se
pueden calcular ciertos parmetros cuyos valores sern indicativos del mineral
magntico. El cociente S por ejemplo, presenta valores que van en el rango de 0 a 1.
Los valores cercanos a cero, indican que la magnetizacin remanente de la muestra
es debido a minerales magnticos de alta coercitividad (hematita). Mientras que si
los valores del cociente S, se encuentran cercanos a 1, se puede decir que el mineral
magntico dominante en la muestra es de baja coercitividad (magnetita).
Tabla 1.2: Valores de coercitividad para algunos minerales magnticos (modificada
de Vallenilla, 2005)
MINERAL
COERCITIVIDAD (mT)
Magnetita 0.1 -30
Hematita 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 mineralogas
magnticas de las muestras rocosas, debido esencialmente a que su valor se traduce
en una proporcin relativa de las concentraciones de hematita sobre magnetita.
Adems, los registros de cociente S pueden emplearse en la deduccin de posibles
ambientes de depositacin y cambios mineralgicos 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 precipitacin de hematita. En
contraposicin, valores de cociente S cercanos a 1, corresponden a ambientes con
oxigenacin reducida y de poca circulacin, bsicamente de aguas profundas que
permitan la acumulacin de magnetita.
Para obtener el valor de cociente S de una muestra debe seguirse el siguiente
procedimiento. En principio, debe aplicrsele a la muestra un campo magntico
elevado (de 2.4 T o 4 T) e inmediatamente medir la magnetizacin adquirida bajo la
influencia de este campo. Posteriormente debe medirse la magnetizacin adquirida
luego de aplicarle a la muestra un campo de menor intensidad (0,3T o 0,4T), en
sentido opuesto pero en la misma direccin. Finalmente el valor del cociente S
resultante, ser el cociente entre las magnetizaciones antes medidas. En la Figura.-
se esquematiza el procedimiento que debe seguirse en el clculo del cociente S para
muestras rocosas.
Fig. 1.1: Clculo del cociente S, exponiendo la muestra rocosa a campos
magnticos externos de magnitudes 0,4T y 4T.
11
1.4 Saturacin de la Magnetizacin Isotermal Remanente
El magnetismo remanente isotermal es aquel que es inducido a una muestra
producto de la aplicacin de un campo magntico intenso (en las direcciones X, Z e Y)
a temperatura constante. El SIRM, es la saturacin del IRM, entindase, el punto en
el cual la muestra no podr aumentar su remanencia, que a su vez viene
determinado por el tipo de minerales magnticos y sus concentraciones.
Fig. 1.2: Direccin del campo magntico 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 adquisicin
del IRM y del aumento progresivo del campo magntico inducido, hasta llegar a la
saturacin (Figura 1.3). La forma de esa curva depende la coercitividad de los
minerales magnticos (Lowrie, 1997).
12
Fig. 1.3: Curva de adquisicin de IRM de una muestra que ha alcanzado la
saturacin. Tomado de (Chaparro, 2006)
Estas curvas de SIRM pueden ser combinadas con curvas de desmagnetizacin por
campos alternos, las cuales permiten caracterizar el tamao de los granos
magnticos que componen la roca. Dependiendo del punto en que ambas curvas se
interceptan, es posible determinar con precisin los dominios magnticos (Snchez,
2006).
Cuando se habla de granulometras magnticas se refiere al tamao de grano
magntico. Segn estos, los granos pueden ser superparamagnticos, de dominio
simple y de dominio mltiple. L os granos superparamagnticos son partculas muy
finas, con un comportamiento muy inestable, con tiempo de relajacin 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 partcula magntica 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 nico, lo cual lo hace muy estable y requiere de un
campo magntico muy intenso para su desmagnetizacin. El dominio mltiple
ocurre cuando el grano magntico es lo suficientemente grande como para que la
energa magntica aumente hasta en el punto en que la magnetizacin no se pueda
mantener uniforme. Para la magnetita el verdadero valor del dominio mltiple 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 radiacin gamma natural emitida por las
formaciones en el subsuelo con respecto a la profundidad (Garca, 2005).
En la naturaleza, los nicos istopos 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 istopos, en su degradacin a istopos estables, son los que originan la
radiactividad natural de las formaciones (Garca, 2005).
El registro gamma ray simple cubre la radiactividad de estos tres elementos
combinados, mientras que el gamma ray espectral muestra la contribucin
individual de cada uno de ellos (Rider, 1996).
El significado geolgico de la radiactividad se encuentra en la distribucin de esos
tres elementos. La mayora de las rocas son radiactivas en cierto grado, las rocas
gneas y metamrficas, por ejemplo son mucho ms radiactivas que las rocas
sedimentarias. Sin embargo, entre todos los sedimentos, las arcillas son quienes
emiten una mayor radiacin, aunque deber 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 ms simple, este puede ser empleado para
correlacionar o sugerir facies y secuencias sedimentarias, as como para identificar
litologas (Rider, 1996).
Adicionalmente, el registro gamma ray espectral puede usarse para calcular el
volumen de minerales radiactivos y un volumen de arcilla mucho ms 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 ubicacin de la roca madre o generadora.
1.5.2. Radiacin gamma natural
La radiacin 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 abndate de estos tres elementos, sin embargo su
contribucin en la radiactividad total en relacin con su peso es pequea. En
realidad, las contribuciones de estos tres elementos sobre la radiactividad total
estn en el mismo orden de magnitud mientras que la abundancia por el contrario
pareciera ser el inverso de la contribucin en energa. Por ello, una pequea
cantidad de uranio tendr un efecto mayor en la radiactividad y una gran cantidad
de potasio tendr un efecto mnimo (Rider, 1996).
Cada una de estas tres fuentes emite rayos gamma espontneamente. Esto
significa que, ellas producen fotones con masa y carga nulas pero con alta energa.
La energa en el caso del uranio, torio y potasio ocurre en el espectro de 0 a 3 MeV.
La radiacin del
40
K es distintiva, con un nico valor de energa de 1.46 MeV. Por el
contrario, el uranio y el torio emiten radiacin en un rango de energas pero con
15
picos inequvocos de frecuencia. Estos picos son especialmente distintivos para
niveles altos de energa, 2.62 MeV para el torio y 1.46 MeV para el uranio. El
espectro y los niveles de energa que se muestran a continuacin ilustran ambos, el
punto de emisin natural de rayos gamma para los elementos fuente (uranio, potasio
y torio).
Fig. 1.4: Espectro de emisin natural de rayos gamma. Modificado de (Rider, 2006)
Una de las caractersticas de los rayos gamma es que cuando estos atraviesan
algn material su energa es absorbida progresivamente. Este efecto se conoce como
la Dispersin de Compton y es producto de la colisin de los rayos gamma y los
electrones, que trae consigo una disminucin de la energa. Mientras mayor sea la
densidad electrnica del material que atraviesan los rayos gamma, mayor ser la
prdida de energa (Rider, 1996).
16
Fig. 1.5: Proceso de dispersin y absorcin de rayos gamma. Modificado de Glover,
P. Notas de Curso de Petrofsica MSc
Los rayos gamma son detectados por un sensor que produce un pulso elctrico
discreto para cada rayo gamma detectado y registra el nmero de pulsos captados
por unidad de tiempo (Garca, 2005). Por tanto, la intensidad de los rayos gamma
medida por la herramienta es funcin de:
- La intensidad inicial de los rayos gama emitidos, que est relacionada
directamente con la composicin elemental de las rocas.
- La cantidad de energa perdida debido a la dispersin 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 radiacin es medida por la herramienta, sta
atraves previamente la formacin y probablemente el lodo de perforacin (ambas
causas de la dispersin de Compton). As, los niveles discretos de energa a los
cuales son emitidos los rayos gamma se degradan o convierten en un espectro
continuo. Cuando cada mineral radiactivo est presente, su radiacin se mezclara en
un espectro continuo, en el cual pueden distinguirse los picos correspondientes al
17
uranio, torio y potasio empleados en la prctica, para identificar las fuentes
originales de la radiacin (Rider, 1996)
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 litologas que comnmente emite mayor radiactividad son las lutitas, debido a
que estas son en ltima instancias, derivadas de las rocas gneas, las cuales poseen
un contenido significativo de istopos emisores de rayos gamma. Las rocas gneas
estn compuestas por cuarzo, feldespatos y micas, siendo estas ltimas portadoras
de un gran contenido de potasio y ocasionalmente de istopos 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 inclusin de radio istopos. 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 petrofsicos la radiactividad se mide en la escala API. La tabla que se
muestra a continuacin resea los valores tpicos en API para algunos minerales.
Ntese que especialmente las lutitas y las evaporitas poseen los valores ms altos de
18
radiactividad, mientras que para las arenas y las calizas se tienen los valores ms
bajos.
Tabla 1.3: Rango de valores de radiactividad para litologas comunes (modificado
de Glover, P. Notas de Curso de Petrofsica MSc).
MINERAL
RADIACIN
GAMMA
(UNIDADES API)
Mineral
puro
Calcita 0
Doloma 0
Cuarzo 0
Litologa
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 mayora de los reservorios las litologas suelen ser bastantes simples,
presentando ciclos de areniscas y lutitas o carbonatos y lutitas. Una vez que las
litologas 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 mximo de gamma ray en el registro cmo el valor que
tendra una roca cuya composicin es de 100% lutita (lnea de lutita), y el valor
mnimo de gamma ray como el que tendra una roca con 0% lutita (lnea de arena) y
considerando la escala del registro como una escala lineal, cualquier valor en ste
tendr un volumen de arcilla asociado y a la vez definido por la siguiente relacin.
(2.3)
Puede notarse que el clculo del volumen de arcilla es una especie de caja negra
puesto que la escogencia de los valores de GR mnimo y GR mximo en el registro
depende mucho de la experiencia del petrofsico. Generalmente el volumen de arcilla
calculado no suele ser exacto y tiende a estar por encima del valor real.
Ms an, no existe ninguna base cientfica 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 relacin han sido originadas como parte de
resultados empricos. Dichas relaciones cambian para rocas jvenes (no
consolidadas) y para rocas antiguas (consolidadas).
Para rocas Pre-Terciarias (rocas consolidadas);
(2.4)
Para rocas Terciarias (rocas no consolidadas);
(2.5)
Donde l corresponde al volumen de arcilla, calculado a partir de la siguiente
relacin.
20
(2.6)
1.5.6 Usos cualitativos del registro gamma ray
El registro gamma ray es una herramienta especialmente til en la discriminacin
de litologas. Si bien no puede definir cualquier litologa de forma inequvoca, la
informacin que suele brindar es invaluable cuando se combina con otros registros.
En la Figura 1.7, se muestra el comportamiento de algunas litologas en un registro
gamma ray, as como tambin se sealan las lneas de mnimo y mximo gamma ray
o lneas de arena y lutita, respectivamente.
Fig. 1.7: Comportamiento esperado para diversas litologas en un registro Gamma
Ray (modificado de Glover, P. Notas de Curso de Petrofsica MSc).
Para las areniscas y otras rocas arenosas se tiene que el cuarzo, principal
componente de grano grueso de las rocas detrticas no muestran radioactividad, y
por tanto, estas suelen estar asociadas a valores bajos de gamma ray. Sin embargo,
21
asociaciones de minerales detrticos pueden ser radiactivas. Los ms comunes son
los feldespatos, las micas minerales pesados y fragmentos lticos. 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 orgnica, que suele ser radiactiva debido a la
presencia de uranio. Adems, las evaporitas ms 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 carbn y el yeso dan respuestas bastante
bajas de gamma ray, mientras que las cenizas volcnicas y las capas de potasio
producen lecturas sumamente altas (Garca, 2005)
22
CAPITULO II
LGICA DIFUSA
La lgica difusa es una rama de la inteligencia artificial basada en el concepto de
grados de pertenencia. En cierto nivel, la lgica difusa puede ser vista como un
lenguaje que permite trasladar sentencias complejas en lenguaje natural a un
lenguaje matemtico formal a travs de la teora de conjuntos difusos y funciones
caractersticas asociadas a ellos, por lo cual el aspecto central de los sistemas
basados en la teora de la lgica difusa es que tienen la capacidad de reproducir de
manera aceptable los modos usuales de razonamiento, considerando que la certeza
de una proposicin viene definida por grados o por niveles.
La lgica difusa trata de crear aproximaciones matemticas en la resolucin de
ciertos tipos de problemas y pretende producir resultados exactos a partir de datos
imprecisos. Puede definirse entonces como un sistema matemtico que modela
funciones no lineales y que convierte unas entradas en salidas acordes con los
planteamientos lgicos que usan el razonamiento aproximado (Wong y Nikravesh,
2001).
Un sistema difuso es un conjunto de reglas de lgicas (premisas y conclusiones)
que usa conjuntos difusos con lmites imprecisos. Un sistema difuso tiene lmites
vagos, en contraste con los conjuntos de la lgica convencional. Esto implica que un
objeto puede tener parcial membresa o pertenencia en ms 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 nmero fraccionario entre cero y uno
(Lpez, 2009).
23
2.1. Historia
En 1965 el doctor Lofti A. Zadeh de la Universidad de California public su
artculo Conjuntos Difusos (Fuzzy Sets) en el cual describi, a travs de la teora
matemtica de conjuntos, cmo poder trabajar matemticamente 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
nmeros sino etiquetas lingsticas (Gonzlez, 2006).
Sin embargo, sus orgenes se remontan hasta hace 2500 aos. Los filsofos griegos
como Aristteles, consideraban que existan varios grados de veracidad y falsedad
pero fue Platn quien cre las bases de lo que luego se llamara lgica difusa al
sugerir la existencia de una tercera regin, mas all 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
publicacin de su famoso ensayo, entre los que destacan la paradoja de Bertrand
Russell, el principio de incertidumbre de la fsica cuntica de Heisenberg, la teora
de los conjuntos vagos de Max Black, adems de la contribucin fundamental del
polaco J. Lukasiewicz creador de la lgica multivaluada, quien visualizo los
conjuntos con un posible grado de pertenencia con valores de 0 y 1, y despus lo
extendi a un nmero infinito de valores dentro de dicho rango.
A principio de la dcada de los setenta se establecen varios grupos de investigacin
en lgica difusa en algunas pequeas universidades japonesas, los profesores Terana
y Shibata en Tokio y los profesores Takana y Asai en Osaka. En 1974 el britnico
Ebrahim H Mamdani, demuestra la aplicabilidad de la lgica difusa en el campo del
control y desarrolla el primer sistema de control difuso prctico para la regulacin
de un motor de vapor.
24
Paralelamente al desarrollo de las aplicaciones de la lgica difusa, en los aos
ochenta, investigadores tericos como Takagi y Sugeno trabajan en la primera
investigacin para construir reglas difusas a partir de datos de entrenamiento, y
aunque en un principio no tienen mucha repercusin, mas tarde ser el punto de
partida para la investigacin de sistemas difusos.
En la dcada de los noventa, adems de las redes neuronales y la lgica difusa,
aparen los algoritmos genticos. Estas tres tcnicas computacionales pueden
combinarse de mltiples maneras y se pueden considerar complementarias, lo que
las convierte en herramientas de trabajos muy potentes en el campo de la
investigacin.
2.2 Conjuntos difusos
Un conjunto es una porcin del universo que cumple con caractersticas especficas.
Segn la lgica convencional, se puede asegurar que un conjunto es exactamente
una funcin del universo entre el rango de los valores de 0 y 1, que asocia
precisamente el valor 1 a los objetos que estn el conjunto y el valor 0 a los que no
(Gonzlez, 2006).
En lneas generales, los conjuntos clsicos se definen mediante aseveraciones que
dan lugar a una clara divisin del universo entre valores verdaderos y falsos. El
razonamiento humano, sin embargo, utiliza afirmaciones que no se pueden reducir a
este tipo de divisin, debido esencialmente a que los fenmenos cotidianos tienen
implcito cierto grado de imprecisin en la descripcin de la naturaleza.
Sea X un espacio de puntos o un universo con un elemento genrico denotado por .
Un conjunto difuso A en X, est caracterizado por una funcin caracterstica o de
membresa
.
Segn Bejarano (2004), una funcin de membresa es una curva que define cmo
cada punto del espacio de entrada o universo del discurso es representado en un
valor de pertenencia (grado de pertenencia) entre 0 y 1.
Matemticamente, un conjunto difuso A se define como:{}
(2.1)
26
donde
(2.2)
29
La unin de dos conjuntos difusos y es un conjunto difuso en cuya
funcin de pertenencia viene definida por:
(2.3)
La interseccin de dos conjuntos difusos y es un conjunto difuso en
cuya funcin de pertenencia es:
(2.4)
Cabe destacar, sin embargo, que existen dos leyes fundamentales de la teora
clsica de conjuntos como lo son: el Principio de contradiccin
, y el
Principio de exclusin
(2.5)
donde
x.x
y , y
son los
valores numricos concretos de y , tambin respectivamente. (Prez, 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 ms comn en la
elaboracin 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 lgica difusa (Finol et al, 2001). Los sistemas
de inferencia difusos se han utilizado exitosamente en varios campos como el control
automtico, clasificacin de datos y anlisis de decisiones. Ellos involucran las
funciones de pertenencia, los operadores lgicos 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.
Fig. 2.3: Pasos que involucra un sistema de inferencia difuso
A continuacin se muestra un diagrama (Figura 2.4) con los pasos que involucra
un sistema difuso, con el fin ltimo de relacionar parmetros (una entrada y una
salida) a travs de un conjunto de reglas de tipo SI-ENTONCES. Dichos paso sern
descritos a continuacin.
FUSIFICACIN DE
VARIABLES DE
ENTRADA
APLICACIN
DEL OPERADOR
DIFUSO
(ANTECEDENTE)
IMPLICACIN
ANTECEDENTE Y
CONSECUENTE
AGREGACIN
DE LOS
CONSECUENTES
DESFUSIFICACIN
32
Fig. 2.4: Diagrama de un sistema de inferencia difuso (Modificado del Fuzzy Logic
Toolbox Users Guide)
Fusificacin 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
travs de las funciones de pertenencia. La entrada siempre ser un valor numrico
(no difuso) mientras que la salida es un grado de pertenencia difusa comprendido en
el intervalo entre cero y uno.
Fig. 2.5: Fusificacin de la variable de entrada (Modificado del Fuzzy Logic Toolbox
Users Guide)
Aplicacin 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 ms de una parte, se aplica el operador
33
difuso con el fin de obtener un nmero que represente el resultado del antecedente
para esta regla y cuyo valor ser aplicado a la funcin de salida.
En las herramientas de la Lgica Difusas por lo general existen dos mtodos
AND: (mnimo) y (producto), y dos mtodos OR: (mximo), y el
mtodo probabilstico . El mtodo probabilstico (tambin conocido como suma
algebraica) se calcula de acuerdo con la siguiente ecuacin (Jang y Gulley, 1995).
(2.6)
La siguiente imagen muestra la aplicacin 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 mximo entre ellos para
as dar por culminada la operacin difusa.
Fig. 2.6: Aplicacin del operador difuso OR . (Modificado del Fuzzy Logic
Toolbox Users Guide)
Aplicacin del mtodo de implicacin: el mtodo de implicacin se define como el
condicionante del consecuente (un grupo difuso) basado en el antecedente (un
34
nmero sencillo). La entrada en este paso es un nmero sencillo dado por el
antecedente, mientras que la salida es un conjunto difuso.
Por lo general, las herramientas de lgica difusa ofrecen dos alternativas para la
implicacin correspondientes al mtodo AND: (mnimo) que trunca el grupo
difuso saliente y (producto) que lo escala.
Fig. 2.7: Aplicacin del mtodo de implicacin. (Modificado del Fuzzy Logic Toolbox
Users Guide)
La imagen antes mostrada muestra cmo 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 ser asignado a cada variable de
salida.
35
Agregar todas las Salidas: una vez definidos los subconjuntos difusos a partir del
mtodo de implicacin y las reglas que se derivan de este, son combinado en un
nico conjunto difuso.
El mtodo de agregacin es conmutativo, por tanto el orden en que las reglas son
ejecutadas no es importante. Adems, existen tres mtodos o alternativas para
fusificar todas las salidas: (mximo), (or probabilstico) y (la suma
de la salida de cada regla). Entonces, en el proceso de composicin o agregacin,
todos los subconjuntos difusos son combinados en un nico conjunto de salida.
Fig. 2.8: Agregacin de todas las salidas. (Modificado del Fuzzy Logic Toolbox
Users Guide)
36
Desfusificacin: en este bloque, la entrada corresponde a un conjunto difuso
(producto del proceso de agregacin) y la salida, es un valor numrico simple. Entre
los mtodos ms comunes para la desfusificacin se tiene el Mtodo del Centroide,
cuyo resultado corresponde al rea bajo la curva (Fig.-)
Fig. 2.9: Proceso de desfusificacin. (Modificado del Fuzzy Logic Toolbox Users
Guide)
2.8. Tipos de mtodos de inferencia difusa
Existen dos tipos de mtodos de inferencia difusa: Mamdani y Sugeno. Ambos
mtodos, siguen en la prctica el procedimiento descrito anteriormente. Sin
embargo, la diferencia entre ambos radica en la forma de generar la salida.
2.8.1. Mtodo de inferencia difusa tipo Mamdani
Segn Gutirrez (2010), este mtodo fue propuesto por Ebrahin Mamdani
(Mamdani, 1975; 1976; 1977) como un intento de controlar una combinacin de
mquina de vapor y de una caldera, sintetizando un nmero de reglas de control
37
obtenidas de la experiencia de los operadores. Mamdani se bas en el trabajo
publicado por Lofti Zadeh (Zadeh, 1965).
El mtodo Mamdani es el ms usado en aplicaciones, dado que tiene una
estructura muy simple de operaciones min-max.
2.8.1. Mtodo de inferencia difusa tipo Takagi-Sugeno
El mtodo Takagi- Sugeno fue introducido en 1985 (Sugeno, 1977; Loani 2006), y
se ha convertido en un sistema de razonamiento lgico muy conocido y utilizado,
debido a sus numerosas aplicaciones en sistemas difusos y en ingeniera difusa en
general.
Este mtodo se caracteriza por relaciones basadas en reglas difusas, donde las
premisas de cada regla representan subespacios difusos y las consecuencias son una
relacin 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=1,2c) representa la i-sima regla difusa, x(j=1,2,,m) son las
variables de entrada,
son las
variables lingsticas antecedentes y
(2.8)
donde,
(2.9)
En la ecuacin previa, representa el operador mnimo y
es la
funcin de pertenencia del grupo difuso antecedente
.
Segn Bejarano (2004), debido a la dependencia lineal de cada regla en el sistema
de variables de entrada, el mtodo Sugeno es ideal para actuar como supervisor
interpolador de mltiples controladores lineales que aplican en diferentes condiciones
de operaciones de un sistema dinmico no lineal.
En comparacin con el sistema tipo Mamdani, en el mtodo tipo Sugeno cada una
de las reglas puede ser ms expresiva, debido a que ste es ms compacto y tiene
una representacin computacional ms eficiente, adems de brindar tcnicas
adaptativas.
2.9. Sistemas de inferencia adaptativos Neuro-Difusos. (ANFIS)
En 1993 J. R. Jang desarroll un nuevo modelo para combinar reglas de
razonamiento difuso. Esta nueva combinacin se puede simular con base en redes
neuronales. Un sistema de razonamiento difuso planteado como una red neuronal y
diseado con la capacidad de aprendizaje recibe el nombre de ANFIS.
ANFIS toma un sistema de inferencia difuso y lo combina con un algoritmo de
retropropagacin basado en algn 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 reas.
La regla bsica de de aprendizaje de las redes adaptativas se basa en un proceso de
optimizacin generalmente del tipo de gradiente descendente, retropropagacin y la
propagacin del error hacia las capas internas de la red. (Lpez, 2009).
Segn Jang (1993), una estructura de red facilita el clculo del vector gradiente
para los parmetros en un sistema de inferencia difuso. Una vez que se obtiene el
vector gradiente, se aplica un nmero de rutinas de optimizacin para reducir el
error de medicin (comnmente 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 mtodo computacional de redes neuronales difusas, es un algoritmo hbrido que
combina lgica difusa y redes neuronales (Lpez et al, 2009). El ANFIS es un
sistema hbrido 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 activacin se calculan utilizando el operador
AND que puede modelarse con una t-norma (continua). Las salidas de cada norma
se obtienen como una combinacin lineal entre los parmetros del antecedente de
cada regla. La salida de control de modelo se obtiene por la normalizacin de los
grados de activacin de las reglas multiplicado por la salida individual de cada regla
(Alonso, 2000).
40
Fig. 2.10: Arquitectura de un modelo ANFIS. Tomado de (Alonso, 2000)
Este tipo de inferencia se representa a travs de una red neuronal hbrida
adaptable con cinco capas (Figura 2.10). Cada capa representa una operacin del
mecanismo de inferencia difusa. (Lpez, 2009).
Todos los nodos de una misma capa tienen la misma funcin (los nodos que estn
representados como cuadrados en la figura, son adaptables, es decir, sus parmetros
son ajustables).
Si se parte de la suposicin 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
trmino lingstico
(2.12)
Capa 2: Cada nodo calcula el grado de activacin de la regla asociada al mismo.
Ambos nodos estn representados por un T en el dibujo porque pueden representar
cualquier T-norma para modelar la operacin lgica AND. Se suelen conocer como
nodos de reglas. El grado de activacin de la regla se obtiene multiplicando las
seales 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 est representado por N en el dibujo de forma que
se indica la normalizacin de los grados de activacin. Su salida es el grado de
activacin normalizado (respecto a la suma de los grados de activacin) 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
activacin normalizado (salida de la capa 3) por la salida individual de cada regla
(calculada por los nodos de esta capa).
(2.15)
42
donde
(2.16)
En resumen, cada una de las capas tiene una misin 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 acta de normalizador.
- La cuarta capa calcula la salida.
- La ltima capa combina todas las salidas en una en su nico nodo.
43
CAPITULO III
MARCO GEOLGICO
El pozo SALTARIN-1A est localizado en sector central-oriental de la cuenca de los
Llanos (4,612N; 70,495W, origen Bogot), 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.
Fig. 3.1: Ubicacin geogrfica del Pozo Saltarn-1A. Tomado de (Costanzo, 2009)
VENEZUELA COLOMBIA VENEZUELA COLOMBIA
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 Formacin
Carbonera y las Formaciones Len y Guayabo.
Debido a la carencia de informacin geolgica 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 informacin geolgica directa, que entre otras cosas, permite
revelar la historia de subsidencia y variaciones en las condiciones climticas que
controlaron el relleno de la cuenca con datos obtenidos en rocas.
Este pozo permite, por primera vez, observar y analizar las caractersticas de
litofacies, entindase litologa y estructura sedimentaria, de las Formaciones
Carbonera, Len y Guayabo en el oriente de los Llanos, y tener un registro continuo
para definir las variaciones verticales de estas litofacies.
Fig. 3.2: Mapa geolgico, localizando el pozo SALTARIN-1A y otros pozos
correspondientes a la correlacin 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. (Bogot, Colombia) y el Dr. Germn Bayona de la
Corporacin Geolgica ARES (Bogot, Colombia). Las mismas corresponden
aproximadamente a 670 m de profundidad, a la vez que abarcan las Formaciones
Guayabo, Len y Carbonera, disponiendo de una muestra por cada cinco metros de
perforacin.
4.1. Geologa regional de la cuenca
La Cuenca de los Llanos Orientales de Colombia est conformada por una regin
de bajo relieve al este del piedemonte de la Cordillera Oriental. Segn 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 cua de depsitos del Cenozoico
que se va adelgazando hacia el este.
Es considerada como parte de una mega cuenca que se extenda 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 sedimentacin 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 antepas adyacente a
un Orgeno que corresponde a la Cordillera Oriental. En un sistema continental
antepas, el relleno de la cuenca est condicionado tanto por la subsidencia tectnica
como por el clima, siendo ambos factores importantes al controlar la relacin entre el
espacio de acomodacin y el suministro de sedimentos.
46
Las fases de deformacin adems de la configuracin de las cargas tectnicas a lo
largo de la Cordillera Oriental han cambiado durante el Maastrichtiense-Cenozoico.
Los estratos correspondientes a este perodo (Maastrichtiense-Eoceno) se registran
en la parte ms occidental de la cuenca y en el piedemonte llanero.
Para el perodo comprendido entre el Oligoceno y el Mioceno, el relleno de la
cuenca flexural simultneo al levantamiento continuo de la Cordillera, gener un
espacio de acomodacin en la parte distal de la cuenca, la reactivacin de las fallas y
la migracin hacia el este del forebulge o alto flexural. Esta migracin hacia el este,
gener las condiciones para la depositacin de areniscas cuarzosas basales, que
constituyen un reservorio significativo de hidrocarburos en el rea, mientras que la
parte proximal de la cuenca fue rellenada con depsitos fluvio-delticos y lodolitas
de la Fm. Carbonera provenientes del oeste y del este, es decir, de la Cordillera
Oriental y el Escudo de Guayana respectivamente.
Fig. 4.1: Estratigrafa y Procedencia de las rocas del Mioceno en la parte distal de
la cuenca. (Bayona et al, 2008)
47
La distribucin de los ambientes de depositacin y la geometra de los estratos de
los depsitos continentales en la parte distal de la cuenca estuvo controlada por la
reactivacin de las fallas pre-Cenozoicas. Sin embargo, durante el Mioceno Medio un
incremento abrupto en el espacio de acomodacin cuyo origen an es controversial
control la depositacin de los estratos de la formacin Len. Segn Bayona et al, los
anlisis bioestratigrficos 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 Tardo, tuvo lugar el pulso ms fuerte de deformacin a lo
largo de la Cordillera Oriental, el cual condicion una depositacin aluvial a fluvial
en la cuenca registrada como la Formacin Guayabo. Segn Moreno, los miembros
inferiores de la Formacin Guayabo corresponden a sedimentos de litotipos afines a
rocas flsicas, empobrecidos en elementos mviles e incompatibles, tectnicamente
estables pero afectados por altos regmenes de meteorizacin qumica y con clara
existencia de reciclaje de rocas sedimentarias preexistentes. Estas caractersticas
reflejan una derivacin desde el oeste, como resultado de pulsos orognicos en el
flanco este de la Cordillera Oriental.
4.2. Geologa local. Descripcin litolgica, Pozo Saltarn 1-A, Cuenca de los Llanos
Orientales de Colombia.
Debido a su alta productividad y por ser un rea prospectiva, la zona Oeste de los
Llanos Orientales ha sido estudiada detalladamente. En contraste, la zona ms
distal al Este de la cuenca, ha carecido de estudios detallados y la informacin
geolgica existente es muy escasa. Una de estas pocas fuentes de informacin
geolgica directa corresponde al pozo Saltarn 1A, perforado por Hocol en el bloque
de mismo nombre.
48
El pozo Saltarn-1A perforado en el sector Este de la cuenca de los Llanos es el
primer registro de rocas de la parte superior de la Formacin Carbonera (124,1 m) y
las formaciones Len (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 climticos que controlaron el relleno de la cuenca antepas.
La secuencia perforada fue descrita por Bayona et al (2008, a) a partir de la
integracin de de las observaciones petrolgicas y paleontolgicas y de litofacies, que
permitieron definir ambientes sedimentarios, superficies de correlacin
estratigrficas, la edad de los estratos y posibles reas de procedencia.
Fig. 4.2: Cuadro estratigrfico de la cuenca. (Bayona et al, 2008)
49
A continuacin se muestra una breve descripcin de las unidades geolgicas
descritas para esta secuencia, incluyendo una descripcin litolgica, edades
geolgicas y tipos de paleoambientes.
4.2.1 Formacin Carbonera
La Formacin Carbonera se compone principalmente de arcillitas y lutitas
grisceas que meteorizan en tonos abigarrados de rojo y amarillo, irregularmente
estratificadas, con areniscas arcillosas de 5 a 10 m de espesor. La formacin contiene
capas de lignito y algunas calizas con Hannatoma (Gonzlez de Juana, et al., 1980).
Se encuentra comprendida entre los Estados Tchira, Mrida y Zulia meridional;
as como en los alrededores de San Antonio y de Ccuta y en la regin de El Arenal y
Pozos Azules, entre otras muchas localidades.
Corresponde segn Bayona et al (2008), a un paleoambiente de tipo Continental a
marino de aguas someras. Trump y Salvador (1964), sealan que tanto la fauna
como la litologa indican ambientes de aguas salobres con aguas progresivamente
ms profundas hacia el tope de la Formacin.
La Formacin Carbonera, presenta buenos afloramientos de carbn,
principalmente en la depresin 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-qumica.
Useche (1985)
Bayona et al, sealan que esta secuencia se encuentra dividida informalmente en
tres miembros de base a tope C3, C2 y C1.
50
Miembro informal C3
Segn 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 mendricos
que migran a llanuras aluviales.
Est 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, est compuesta por
sucesiones granodecendientes de areniscas cuarzosas macizas con intraclastos,
algunas veces conglomerticas, 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 pequeos moluscos de agua dulce sin concha, con
ornamentacin radial y rasgos de bioturbacin 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 rpido debido al incremento de la lodolitas macizas claras hacia la base.
Est constituido por una sucesin homognea de lodolitas laminadas verde oliva,
gris claras y grises y lodolitas macizas blancas, grises claras y naranja,
incrementando en la cantidad de lminas 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 Formacin 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 conglomerticas y conglomerados arenosos, gradando a areniscas
cuarzosas de grano fino a muy fino, algunas con laminacin inclinada, pasando a
areniscas lodosas y lodolitas laminadas grises con materia orgnica. 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 Formacin Len
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 seccin homognea de lodolitas verdes fue depositada en un lago
extenso y somero con ligera influencia salobre.
Segn 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 Formacin no se dividi en
segmentos debido a la homogeneidad de sus litofacies, aunque es posible distinguir
algunos cambios en los patrones de las laminaciones que permitiran subdividir esta
unidad.
En la depresin del Tchira, Heybroek (1953) describi la formacin como una
secuencia montona 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 Depresin del Tchira la describieron
como una secuencia de lutitas gris verdosas, blandas a fsiles, glauconticas, que se
meteorizan a tonos rojizos y escarlatas, con muchas concreciones calcreas
(?ferruginosas)y algunas capas de areniscas limolticas. Un tramo intermedio con
espesor de 43 m, es ms arenoso y limoltico.
Siendo la Formacin Len predominantemente arcillosa, sus lmites quedan bien
determinados por la aparicin de niveles arenosos. De esta manera su lmite inferior
queda definido por los niveles arenosos de la Formacin Carbonera. De igual forma,
el lmite superior viene dado por la aparicin de los niveles arenosos de la base de la
Formacin Guayabo suprayacente.
En cuanto a su importancia econmica se tiene que su extenso cuello luttico sirve
como sello a yacimientos petroleros de la Formacin Carbonera.
4.2.3 Formacin Guayabo
El Grupo Guayabo se ubica en la regin suroccidental de la Cuenca del Lago de
Maracaibo, en la regin fronteriza de Ccuta (Colombia) y en gran parte de la
Depresin del Tchira-Santo Domingo. En base a su escasa fauna y su posicin
estratigrfica se le ha asignado la edad Mioceno superior Plioceno.
Segn Bayona et al (2008), se deposit en un ambiente netamente continental,
pasando de las facies deltaicas, hacia la base, a facies fluviales y llegando a facies
aluviales hacia el tope. Segn Gonzlez de Juana (1952), el Grupo Guayabo se
deposit en un ambiente de carcter continental, segn Van Houten y James (1984),
los restos de fsiles indican un ambiente acutico-parlico.
53
La formacin Guayabo en Colombia est constituida principalmente por
conglomerados, areniscas y lodolitas. Las litologas de Guayabo van desde grano
muy fino en la base, sobre la formacin Len, 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 sucesin 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 carbn y lodolitas carbonosas. Estos
tres intervalos corresponden al Mioceno Medio, de carcter continental deltaico para
el intervalo G1 y de llanuras de inundacin fluviales con variaciones en las
condiciones de oxidacin 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 bioturbacin y a
lodolitas macizas, mientras que en la parte media y superior son principalmente
lodosas. Este intervalo representa depsitos de canales y llanuras fluviales a
deltaicas con escaso recobro palinolgico.
Contrastando con los intervalos subyacentes, el miembro G5 es
predominantemente arenoso y consiste en secuencias levemente granodecrecientes
que varan de areniscas laminadas y macizas a areniscas lodosas laminadas a
macizas. Estas litofacies representan un marcado cambio en el ambiente de
depositacin, pasando de ambientes fluvio-deltaico a canales aluviales rectos
depositados durante el Mioceno Medio a Tardo.
54
El miembro superior G6 corresponde a una sucesin de lodolitas macizas
caolinticas y lodolitas arenosas y areniscas lodosas caolinticas, cortadas por
sucesiones levemente granodecrecientes de areniscas cuarzosas laminadas y macizas
de tamao de grano fino a medio. Este intervalo representa una sucesin de
paleosuelos con migracin de canales mendricos con nulo recobro palinolgico.
En cuanto a su importancia econmica, se tiene que las areniscas y conglomerados
del Grupo Guayabo son utilizados para la industria de la construccin.
A continuacin se muestra (Figura 4.) una columna generalizada a escala 1:4000
del pozo Saltarn 1-A, tomada de Bayona et al (2008) y en la cual se observan las
unidades geolgicas perforadas (Formaciones Guayabo, Len y Carbonera),
superficies de correlacin y los ambientes de acumulacin para algunas unidades
55
Fig. 4.3: Columna generalizada a escala 1:4.000 del pozo Saltarn 1-A, mostrando
las superficies de correlacin y los ambientes de acumulacin para algunas
unidades. (Bayona, 2008)
56
CAPITULO IV
METODOLOGA
4.1 Obtencin de parmetros.
En este trabajo, se emple un algoritmo hbrido basado en conceptos de la lgica
difusa para predecir Cociente S a partir de susceptibilidad magntica, volumen de
arcilla y SIRM. Sin embargo, previo a las inferencias realizadas fue necesario la
recopilacin y el clculo de los parmetros involucrados.
Muchas de las pruebas necesarias para ello, ya haban sido realizadas
anteriormente. En total, se dispuso de un total de 134 muestras y un registro
Gamma Ray del pozo Saltarn-1A. A partir de los experimentos realizados se
procedi a hacer el clculo de parmetros, entindase, 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 Saltarn 1-A muestra valores
nulos de radiactividad a partir de los 1698.27 pies, el set de datos empleados para
este estudio abarca slo 511.97 metros de profundidad (Formaciones Guayabo y
Len) con un total de 100 muestras separadas alrededor de cada 5 metros.
4.1.1 Preparacin de las muestras
Las muestras empleadas en esta investigacin fueron utilizadas previamente en
un estudio que pretende predecir valores de Cociente S a partir de Susceptibilidad
57
magntica (Lpez, 2009). Por esta razn parte de los parmetros a emplear haban
sido previamente obtenidos. Sin embargo, fue necesaria la preparacin de 44
muestras adicionales cuyo contenido result alterado en las pruebas anteriores.
Estas muestras, tomadas cada 5 metros aproximadamente, son lodolitas y
areniscas de las formaciones Guayabo, Len y Carbonera y abarcan una profundidad
de 670 metros.
Estas se encontraban contenidas en bolsas individuales de plstico asociadas a
ciertas profundidades. Su preparacin fue realizada en el Laboratorio de
Paleomagnetismo y Magnetismo de Rocas de la Universidad Simn Bolvar,
Departamento de Ciencias de la Tierra (Caracas, Venezuela), siguiendo el siguiente
procedimiento:
- Utilizando un mortero de cermica, 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 as evitar la
contaminacin cruzada entre muestras de diferentes profundidades.
- El peso en polvo fino de cada una de las muestras (medido utilizando una
balanza electrnica) fue de 4 gramos. Esto, con la finalidad de obtener
mediciones normalizadas en peso de los parmetros magnticos.
- Dicha cantidad de muestra pulverizada, se introduce en un recipiente de
plstico y de forma cbica, que luego es cubierto con plastilina a fin de no
alterar las propiedades magnticas de la roca.
4.1.2 Medicin del Cociente S.
58
Una vez preparadas las muestras, se procedi a medir el Cociente S de cada una de
ellas. Estas pruebas fueron realizadas en el Magnetmetro Criognico 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 Simn Bolvar y siguiendo el procedimiento descrito a
continuacin:
Para determinar el CS, fue necesario aplicar una correccin al valor de la
magnetizacin resultante. Esta correccin consiste proyectar las declinaciones
resultantes de los minerales para los campos magnticos 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:
(4.1)
(4.2)
4.2.1 Calculo de SIRM.
Para el clculo de SIRM, se emplearon los valores de Susceptibilidad magntica y
las Magnetizaciones a 4T medidas anteriormente. Este procedimiento, no involucra
ninguna fase experimental dada la disponibilidad de los datos.
El valor de SIRM, ser entonces la magnetizacin de la roca normalizada por la
susceptibilidad magntica.
(4.3)
59
4.3.1 Clculo 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 cre en MatLab, un cdigo (ver Apndice A) que permitiese
leer y graficar el archivo gammaraysaltarin.txt que incluye los registros corridos en
el pozo Saltarn 1-A. Asimismo, utilizando las funciones y , se obtuvieron los
valores de mnimo y mximo gamma ray (lneas de lutita y arena)
A continuacin, se determinaron los valores de Gamma Ray para todos los niveles
o profundidades asociadas a las muestras de roca para finalmente obtener los
volmenes de arcilla (empleando la expresin 2.3).
4.2 Pruebas computacionales: Construccin de sistemas difusos utilizando ANFIS
Esta seccin involucra las rutinas de entrenamiento y posteriores pruebas llevadas
a cabo a fin de creer un sistema lgico difuso capaz de predecir valores de Cociente S
utilizando registros de susceptibilidad magntica, 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
travs un cdigo en MatLab (ver Apndice B). Es importante resaltar, que las
pruebas se realizaron asumiendo que la totalidad de los datos corresponda en un
principio a 62 muestras (ver Apndice C). Sin embargo, tras incorporar algunas
muestras ms, se repitieron los entrenamientos bajo los mismos criterios antes
descritos.
60
Todas las pruebas se hicieron considerando los parmetros magnticos y el
para un mismo conjunto de datos, a la vez que dicho conjunto fue definido
empleando un programa en MatLab (ver Apndice D) que escoge aleatoriamente el
equivalente al 80% de los datos iniciales (54 muestras). As, se construy entonces
una tabla con valores de _, SIRM,
y CS
La estructura del modelo difuso puede visualizarse seleccionado la opcin
Structure. Como se observa en la Figura 4.12 este viene definido por dos variables
de entrada (susceptibilidad magntica 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 nica salida. Para los sistemas tipos Sugeno dicha
salida corresponder a un valor numrico.
72
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 perteneca. La Figura 4.13 resea la evolucin del entrenamiento
realizado hasta alcanzar un error mnimo de 0,12933.
Figura 4.13: Evolucin del entrenamiento de un sistema tipo ANFIS para _ y
.
73
El sistema difuso correspondiente a este entrenamiento sigue el esquema de la
Figura 4.14.
Figura 4.14: Sistema difuso tipo ANFIS con Susceptibilidad y
como variables de
entrada.
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, podrn verse
en detalle las funciones de membresa (todas funciones gaussianas) y las reglas de
este modelo (ver Figuras 4.15 y 4.16).
74
Figura 4.15: Funciones de membresa del sistema difuso.
Figura 4.16: Conjunto de reglas que definen el sistema difuso.
75
La proporcin 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 qu medida es necesario definir ms conjuntos difusos para una variable u otra y
cul es su contribucin en la prediccin. Sin embargo, en este caso en particular
pareciera que ambos factores tuviesen vital importancia.
Considerando tambin el volumen de datos empleados, es vlido mencionar que el
nmero de reglas que se necesitaron result bastante aceptable. Esto contribuye
inevitablemente a la flexibilidad del modelo y lo hace no necesariamente exclusivo
para el pozo Saltarn 1-A. Sin embargo, slo despus de realizar pruebas con otro set
de datos puede confirmarse tal afirmacin.
4.2.3 Construccin de un sistema difuso ANFIS con las variables Susceptibilidad
magntica y SIRM para inferir Cociente S.
Empleando los valores de SIRM calculados previamente, se construy una matriz
de entrenamiento de tres columnas (_, SIRM, CS). En este caso, la entrada del
sistema sern _ y SIRM, y su salida corresponder a los valores de CS. Despus de
realizar numerosas pruebas, se determin que la mejor combinacin de combinacin
de funciones de pertenencia result ser de la forma (2,2), y por tanto el nmero 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
Figura 4.17: Datos de susceptibilidad, SIRM y CS cargados en el ANFIS.
De nuevo, todas las funciones de membresa corresponden a gaussiana y se espera
obtener una salida de tipo lineal. Para este entrenamiento se consideraron un total
de 1000 iteraciones y un mtodo hbrido de optimizacin. La evolucin del mismo se
muestra en la Figura 4.18.
Figura 4.18: Esquema representativo del FIS creado para _ y SIRM .
77
A continuacin se muestra la ventana editora de ANFIS (ver Figura 4.19), con la
curva de entrenamiento obtenida. En este caso en particular, para la combinacin
(2,2) si alcanz un mnimo error de entrenamiento de 0,14835.
Figura 4.19: Evolucin del entrenamiento realizado con _ y SIRM.
Utilizando la opcin Test Now, puede visualizarse la siguiente ventana (ver Figura
4.20). En esta se observa una distribucin 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
Figura 4.20: Grfica de datos de entrenamiento (crculos azules) y valores inferidos
(puntos rojos) para un sistema difuso entrenado con las variables Susceptibilidad y
SIRM.
Figura 4.21: Esquema del Sistema difuso entrenado para _ y SIRM.
79
A continuacin (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 estn asociados a dos funciones de membresa de tipo gaussianas. En la figura
slo se muestran las distribuciones asociadas al . La opcin Params, indica el
centro y el ancho de la gaussiana seleccionada.
Figura 4.22: Ventana editora del ANFIS, con las respectivas funciones de
membresa 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 estn conectadas por un y y el mtodo
de agregacin para este cado es el . Finalmente, todas ellas se conjugan o se
fusifican en un nico valor de salida, que para este estudio corresponde a un valor
de Cociente S inferido.
80
Figura 4.23: Conjunto de reglas asociadas al entrenamiento con las variables _ y
SIRM para predecir CS.
4.2.4 Creacin de un sistema difuso ANFIS con las variables Susceptibilidad
magntica, volumen de arcilla, SIRM para predecir CS.
Finalmente, se conjugaron todos los parmetros disponibles es una nica matriz de
entrenamiento. Se utilizaron los datos de susceptibilidad magntica, volumen de
arcilla y SIRM para predecir los valores experimentales Cociente S en el pozo
Saltarn. La matriz de entrenamiento consta de cuatro columnas, correspondientes a
los datos antes mencionados, e igualmente se consideraron los esquemas simple y
logartmico para la variable susceptibilidad.
Despus de realizar un nmero considerable de pruebas, se obtuvo que la mejor
combinacin corresponde a la forma (2,2,1). Es decir, 2 grupos para la
susceptibilidad, 2 grupos para el
y SIRM, cargados en la
ventana editora del ANFIS.
Figura 4.25: Estructura del sistema difuso creado con las variables
Susceptibilidad, volumen de arcilla y SIRM.
82
Adems, la Figura 4.25 muestra la estructura del sistema difuso establecido. En
sta 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 nico resultado.
A continuacin, fueron definidos los criterios de entrenamiento. Al igual que en los
casos previos, cada funcin de pertenencia obedece a una distribucin de tipo
gaussiana, y la salida obtenida es de forma lineal. Se seleccion un total de 100
pocas o repeticiones, a fin de minimizar tanto como posible el error de
entrenamiento. La Figura 4.26 muestra la evolucin del entrenamiento realizado,
cuyo mnimo alcanzado es de 0,11277.
Fifura 4.26 Evolucin del entrenamiento para las pruebas que involucran las
variables _,
y SIRM.
83
Utilizando la opcin Test Now de la ventana editora del ANFIS, pueden
visualizarse (ver Figura 4.27) las grficas correspondientes al set de datos reales
(circulos azules) y a los valores que fueron inferidos (puntos rojos) segn los criterios
de entrenamiento seleccionados con anterioridad.
Figura 4.27: Grfica con datos de entrenamiento (crculos azules) y valores
inferidos (puntos rojos) para un sistema difuso entrenado con las variables
Susceptibilidad, volumen de arcilla y SIRM.
Utilizando la opcin FIS Properties, del men Edit, se obtiene la siguiente ventana
(ver Figura 4.28) en ella se observa esquemticamente la forma del sistema difuso
creado. Como puede observarse, este consta de tres variables de entrada (cajas
amarillas) que a travs 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 Saltarn 1-A.
84
Figura 4.28: Esquema del Sistema difuso entrenado con las variables_,
y SIRM
para predecir Cociente S.
Por ltimo, (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 mencion anteriormente, todas las funciones son de tipo gaussiana, y a
cada una de ellas le corresponden valores especficos 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 estn
conectadas por un y y el mtodo de agregacin para este cado es el .
Finalmente, todas ellas se conjugan o se fusifican en un nico valor de salida, que
para este estudio corresponde a un valor de Cociente S inferido.
85
Figura 4.29: Ventana editora del ANFIS, con las respectivas funciones de
membresa asignadas a cada variable (_,
y SIRM).
Figura 4.30: Ventana editora del ANFIS, con el conjunto de reglas asociadas al
entrenamiento con las variables (_,
y SIRM).
86
Como ltimo 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 seleccin de los mejores modelos obtenidos se despliega en el prximo Captulo
como parte de los resultados.
87
CAPITULO V
RESULTADOS EXPERIMENTALES Y ANLISIS
En este captulo se muestran los resultados obtenidos a partir de la metodologa
previamente descrita. En una primera parte, se resean los resultados derivados del
clculo de los parmetros magnticos y el volumen de arcilla. En un segundo bloque,
se muestra un anlisis detallado de los perfiles obtenidos.
5.1 Resultados experimentales
En el Apndice G se muestra una tabla, cuyo contenido corresponde a los valores
de susceptibilidad magntica, 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 Saltarn 1-A no muestra valores
de radiactividad a partir de los 517.63 metros, el set de datos empleados para este
estudio abarca slo 511.97 metros de profundidad con un total de 100 muestras
separadas alrededor de cada 5 metros.
El pozo Saltarn 1-A fue dividido operacionalmente en campo de la siguiente forma:
- Formacin Guayabo (88 muestras): Areniscas y lodolita. Desde 0 metros
hasta 442 metros.
- Formacin Len (26 muestras): Lodolitas. Desde 442 metros hasta
569metros.
88
- Formacin Carbonera (20 muestras): Areniscas y lodolitas. Desde 569
muestras hasta 670 metros.
Dicha divisin fue definida en respuesta a cambios es las caractersticas de la roca
perforada. En otras palabras, las unidades litoestratigrficas (Formacin)
corresponden a una secuencia de estratos depositados, que se caracterizan por el
tipo de rocas. El contraste entre las litologas puede asociarse entonces a un cambio
de Formacin, y la profundidad a la cual ocurre este cambio es registrada como una
divisin operacional de campo.
Tomando en cuenta las profundidades lmites entre formaciones y el alcance del
registro Gamma Ray, se tiene finalmente que, los resultados que se deriven de este
estudio abarcarn slo las unidades o Formaciones Guayabo y Len.
5.1.1 Registros de Susceptibilidad magntica y Cociente S
En principio, la Figura 5.1 muestra los registros de Susceptibilidad magntica 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 Saltarn 1-A.
Ambos registros fueron graficados a partir de un programa en MatLab(R2008) que
permite es representar los parmetros magnticos como funcin de la profundidad.
Es importante destacar que la primera de estas figuras (ver Figura 5.1) solo
incluye las muestras consideradas por Lpez,(2009) en su estudio. Mientras que en
la Figura 5.2 se muestra un perfil completo, que incluye 38 muestras adicionales,
cuyas mediciones y clculo de cociente S forman parte de los resultados
experimentales de este trabajo.
89
Figura 5.1: Perfiles de Susceptibilidad magntica y Cociente S (en unidades SI)
para 62 muestras del pozo Saltarn 1-A (0m-511.97m): (a) Susceptibilidad
magntica, (b) Cociente S
90
Figura 5.2: Perfiles de Susceptibilidad magntica y Cociente S del pozo Saltarn
1-A. (0m-511.97m): (a) Susceptibilidad magntica, (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 Saltarn 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 consideracin el total de las muestras disponibles.
Figura 5.3: Registros de Volumen de arcilla y SIRM para 62 muestras del pozo
Saltarn 1-A. (0m-511.97m): (a) Volumen de arcilla, (b) SIRM.
92
Figura 5.4: Registros de Volumen de arcilla y SIRM para el pozo Saltarn 1-A. (0m-
511.97m): (a) Volumen de arcilla, (b) SIRM.
93
5.2 Discusin de resultados
Los perfiles de Cociente S para el Pozo Saltarn 1-A reflejan cambios locales en las
paleocondiciones xido-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 magntica que mide indirectamente la relacin
entre minerales de alta y baja coercitividad contenidos en la muestra de roca
(proporcin relativa entre hematita y magnetita), Lpez (2009). En los perfiles
mostrados para el pozo Saltarn (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 circulacin
restringida.
Lpez (2009) realiza una divisin de los datos en edades geolgicas (envolventes
transgresivas) a partir de dos edades bioestratigrficas suministradas por el Dr.
Carlos Jaramillo (Instituto Smithsoniano de Investigaciones Tropicales Panam).
Estas edades bioestratigrficas ubican el tope del Mioceno medio a
aproximadamente 305 metros de profundidad y el tope del Mioceno inferior a
aproximadamente 610 metros de profundidad.
Adems, Lpez (2009) argumenta que estas edades geolgicas 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 ser situada alrededor de los 320
94
metros (ver Figura 5.1a) a fin de incluir el mximo o la anomala de cociente S que
se observa a dicha profundidad y que pudiera relacionarse con algn evento global
ocurrido durante el Mioceno.
Figura 5.3: Envolventes transgresivas definidas para el pozo Saltarn 1-A, a partir
de dos edades bioestratigrficas. Tomado de Lpez (2009)
Bayona et al (2008), describen la base de la Fm. Guayabo en principio con un
incremento del aporte de detrticos extracuenca, la acumulacin 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 climticas (perodos secos-
hmedos) y variaciones en la subsidencia permitieron el cambio de la amalgacin de
paleosuelos oxidados (unidad G2) y el posterior registro de llamuras fluviales en
condiciones reductoras.
Este tipo de ambientes algo complejos pudiera generar la depositacin alternada
de lutitas y arenicas que pueden asociarse a fluctuaciones de condiciones con mayor
o menor presencia de oxgeno. En tal sentido, esta zona de anomalas de Cocientes S
95
(ver Figura 5.2a) que alcanza un mnimo 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 relacin de los minerales magnticos.
La edad de la segunda envolvente ubicada a 610 metros de profundidad queda sin
efecto para este trabajo, ya que como se explic inicialmente, este estudio slo cubre
511.97 metros a lo largo del pozo.
Lpez (2009) advierte sobre la presencia de anomalas magnticas, relacionadas a
valores anmalos de susceptibilidad. En su trabajo, seleccion un total de 9
muestras con los valores ms notables para realizar estudios de Microscopa
Electrnica de Barrido y Espectrometra por dispersin de rayos X por dispersin de
electrones secundarios (EDX). Las muestras que competen a este estudio se
muestran a continuacin (ver tabla 5.1).
Tabla 5.1: Muestras con valores anmalos de susceptibilidad. Modificado de Lpez
(2009)
Muestra
Profundidad
(m)
Unidad
litoestratigrfica
(Fm)
Susceptibilidad
magntica, _ (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 Len 46.60 0.94
6 479.55 Len 31.17 0,97
Los valores de susceptibilidad magntica en funcin de la profundidad (Figuras
5.1a y 5.2b) muestran regiones anmalas de mayor _, que pueden estar asociadas a
96
la presencia de minerales magnticos primarios y contrastes litolgicos (anomalas
tipo B), as como a una zona reductora (anomala tipo A) con minerales magnticos
autignicos secundarios, inducida por el yacimiento de hidrocarburo subyacente
(Costanzo Alvares et al. 2000).
Las imgenes topogrficas de electrones secundarios (SEM) demuestran la
presencia de minerales submicrnicos, que fueron separados magnticamente de las
muestras originales (ver Apndice H). Estas imgenes fueron tomadas por
Lpez,(2009) durante la realizacin de su estudio.
Los espectros de dispersin de rayos X (EDX) presentan para la mayora 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 sedimentacin 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 produccin de materia orgnica junto con lenta
circulacin de agua de fondo.
Para las profundidades de 127.40 y 147.27 metros se observan framboides,
compuestos por minerales submicrnicos autignicos de un ambiente reductor
inducido por un yacimiento subyacente (Aldana et al, 1999 y 2003; Costanzo
lvarez, et al., 2006; Daz et al., 2006 y 2000, entre otros). Estos framboides
pudieran ser responsables de los valores anmalos 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 Formacin Guayabo un aumento significativo de estos para las
profundidades asociadas a la Formacin Len. Este comportamiento es acorde a la
descripcin litolgica de ambas unidades. En todo caso, si se ubica la lnea 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 terica de estos registros parte del hecho de que los elementos radiactivos
tienden a ser absorbidos por sedimentos de grano fino en proporcin 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 proporcin o la cantidad de sedimentos arcillosos en esta. Por lo
general, un alto contenido de arcilla pudiera asociarse con ambiente marinos
profundos o de circulacin restringida (lagunares), mientras que un bajo nivel de
estas corresponde a ambientes someros y con presencia de oxgeno.
Aunque la Fm. Guayabo se encuentra subdividida en seis unidades secundarias, se
deposit 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 contraposicin a ello, se tiene
que la Fm. Len es una secuencia muy homognea de lodolitas verdes, las cuales
fueron depositadas en un lago extenso con ligera influencia saobre. Es de esperar
entonces, que estas ltimas respondan a un comportamiento radiactivo mucho ms
notorio.
Tanto el Cociente S como el
Las grficas que se muestran a continuacin, representan los valores
experimentales de Cociente S en funcin de los otros parmetros. Estos grficos se
presentan con el propsito de verificar la existencia de alguna posible relacin lineal
y simple entre ellos. Para todos los casos, se consideraron ambos sets de datos
previamente definidos. Se realizaron regresiones lineales y se evalu 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 tambin parte de ste.
100
Figura 6.1: MODELO A, Grfica de valores experimentales de Cociente S vs
Susceptibilidad magntica para el pozo Saltarn 1-A.
Figura 6.2: MODELO B, Grfica de valores experimentales de Cociente S vs
volumen de arcilla para el pozo Saltarn 1-A.
CS = 0,0038_ + 0,6668
R = 0,0509
CS= 0,1734ln(_) + 0,2145
R = 0,0811
0,00
0,20
0,40
0,60
0,80
1,00
0,00 20,00 40,00 60,00 80,00 100,00 120,00
C
o
c
i
e
n
t
e
-
S
Susceptibilidad magntica (SI)
Cociente S vs Susceptibilidad magntica
Cociente S vs
Susceptibilidad magntica
para 100 muestras del pozo
Saltarn 1-A
Cociente S vs
Susceptibilidad magntica
para 62 muestras del pozo
Saltarn 1-A.
Lineal (Cociente S vs
Susceptibilidad magntica
para 100 muestras del pozo
Saltarn 1-A)
CS= 0,3011Vsh + 0,6017
R = 0,0863
0,00
0,20
0,40
0,60
0,80
1,00
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 100 muestras
del pozo Saltarn 1-A.
Cociente S vs Volumen de
arcilla para 62 muestras del
pozo Saltarn 1-A.
Lineal (Cociente S vs
volumen de arcilla para 100
muestras del pozo Saltarn
1-A. )
101
Figura 6.3: MODELO C, Grfica de valores experimentales de Cociente S vs SIRM
para el pozo Saltarn 1-A.
A continuacin 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 magntica, volumen de arcilla y SIRM a partir de
regresiones lineales, para el pozo Saltarn 1-A.
Modelo Variables Bondad del ajuste (R
2
)
MODELO A
Cociente S vs Susceptibilidad
magntica
MODELO B Cociente S vs volumen de arcilla
MODELO C Cociente S vs SIRM
CS = -5,0976SIRM + 0,8689
R = 0,2092
0,00
0,20
0,40
0,60
0,80
1,00
0,00 0,05 0,10 0,15
C
o
c
i
e
n
t
e
-
S
SIRM
Cociente S vs SIRM
Cociente S vs SIRM para
100 muestras del pozo
Saltarn 1-A.
Cociente S vs SIRM para 62
muestras del pozo Saltarn
1-A.
Lineal (Cociente S vs SIRM
para 100 muestras del
pozo Saltarn 1-A.)
102
Las grficas mostradas cmo 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 regresin lineal no es suficiente debido a la complejidad de problema y la
gran dispersin de los datos.
Para la Figura 6.1 se realiz 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 tambin fue sealado por Lpez, (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 ms ste se aproxime a 1 mejor ser el ajuste y ms fuerte ser la
relacin entre las variables graficadas.
No obstante, sus limitaciones sirven de argumento para promover la utilizacin de
las RND en este estudio, como una tcnica no lineal que puede emplearse en la
caracterizacin detallada de sistemas geofsicos. Siendo de gran aporte el hecho de
que a partir de ANFIS puede crearse un conjunto de ecuaciones empricas que
permiten unificar todos los parmetros bajo un nico modelo que debe por ende
cumplirse a lo largo de toda la columna.
Utilizando la tcnica de redes neuronales difusas (RND) se han analizado posibles
relaciones empricas para inferir Cociente S a partir de datos magnticos y volumen
de arcilla medidos en muestras del pozo Saltarn 1-A. Los resultados que se
presentan a continuacin, son producto de un nmero considerables de pruebas
utilizando la interfaz ANFIS de MatLab(R2208).
103
El criterio de seleccin de el mejor de los modelos difusos generados, responde al
clculo 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 grficos cruzados (CS experimental vs CS inferido) a fin de verificar cul de
ellos se ajusta mejor linealmente, teniendo en cuenta que la mejor correspondencia
entre los valores considerados arrojara una pendiente igual a 1.
Para una fraccin de datos del pozo de 62 muestras suministradas por Lpez,
(2009), se alcanz un mximo de cinco reglas difusas. En cambio, cuando se
consideraron todas las muestras disponibles, fue necesario aumentar el nmero de
reglas a seis, para obtener una relacin ptima de estos parmetros
6.2 Resultados computacionales con 62 muestras del pozo Saltarn 1-A.
6.2.1 Inferencia de CS a partir de un sistema difuso empleando la variable
Susceptibilidad magntica, para 62 muestras del pozo Saltarn 1A.
Al usar solamente datos de Susceptibilidad magntica y Cociente S para construir
un sistema neuro-difuso, se parte de la generalizacin de que existe una relacin
unvoca entre ambos parmetros. En este caso, todo contraste magntico obedecera
exclusivamente a la variabilidad de las concentraciones relativas entre dos
minerales magnticos, una de alta coercitividad (hematita) y otra de baja
coercitividad (magnetita) reflejando a su vez cambios en las paleocondiciones xido-
reductoras de los estratos analizados.
Se entrenaron sistemas difusos con valores de _ y CS, y CS. A continuacin
(ver Tabla 6.2 y 6.3 se observan los errores obtenidos para los modelos creados.
104
Tabla 6.2: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Susceptibilidad magntica y
Cociente S.
Parmetros Reglas
Error de
entrenamiento
RMSE
_ 2
0,18021
0,1720
_ 3
0,17029
0,1626
_ 4
0,16946
0,1625
_ 5
0,16755
0,1627
Segn lo reseado en la tabla anterior, se observa una disminucin progresiva de
los errores de entrenamiento y RMSE en la medida en que se aumenta el nmero
de reglas difusas. El mnimo error es de 0,1625 y se obtiene considerando 4 reglas
difusas.
A continuacin se muestran los registros obtenidos (ver Figuras 6.4 y 6.5) para la
inferencia de CS, utilizando slo la variable susceptibilidad (relacionando los
parmetros en su forma simple). Las curvas azules y rojas representan los valores
de Cociente S inferidos y experimentales respectivamente.
105
Figura 6.4: Cociente S inferido a partir de valores experimentales de
Susceptibilidad magntica para el pozo Saltarn 1A (0m-511.07m): (a) Cociente S
inferido para 2 reglas difusas, (b) Cociente S inferido para 3 reglas difusas.
106
Figura 6.5: Cociente S inferido a partir de valores experimentales de
Susceptibilidad magntica para el pozo Saltarn 1A (0m-511.07m): (a) Cociente S
inferido para 4 reglas difusas, (b) Cociente S inferido para 5 reglas difusas.
107
Se muestran ahora los errores de entrenamiento, asociados a los modelos difusos
generados con el para inferir Cociente S. Al igual que en los modelos simples, se
observa una disminucin progresiva de estos, con el aumento del nmero de reglas
difusas.
Tabla 6.3: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Logaritmo de Susceptibilidad
magntica y Cociente S.
Parmetros Reglas
Error de
entrenamiento
RMSE
_ 2
0,16874
0,1620
_ 3
0,16459
0,1604
_ 4
0,15347
0,1536
_ 5
0,15403
0,1528
Para este esquema de entrenamiento, un total de cuatro o cinco funciones de
membresa, resulta el nmero adecuado de grupos para relacionar ambos
parmetros. Eso se traduce, en un total de cuatro o cinco reglas difusas o relaciones
del tipo SI-ENTONCES.
Las figuras 6.6 y 6.7 corresponden a los registros de Cociente S predichos y
experimentales que han sido generados bajo los criterios de entrenamiento antes
descritos ( ).
108
Figura 6.6: Cociente S inferido a partir de valores experimentales de Logaritmo de
Susceptibilidad magntica para el pozo Saltarn 1A (0m-511.07m): (a) Cociente S
inferido para 2 reglas difusas, (b) Cociente S inferido para 2 reglas difusas.
109
Figura 6.7: Cociente S inferido a partir de valores experimentales de Logaritmo de
Susceptibilidad magntica para el pozo Saltarn 1A (0m-511.07m): (a) Cociente S
inferido para 4 reglas difusas, (b) Cociente S inferido para 5 reglas difusas
Si bien, las predicciones mostradas no alcanzan la tendencia esperada en
comparacin con la curva de valores experimentales de Cociente S, se observa una
110
mejora considerable cuando se utiliza la variable susceptibilidad en forma
logartmica. Lpez, (2009), ha demostrado, que en efecto, estas dos propiedades
magnticas se relacionan mejor bajo dicho esquema. Otra manera de soportar esta
idea se obtiene realizar grficos cruzados (Ver Figuras 6.8 y 6.9) con los valores de
Cociente S inferido vs Cociente S experimental. Esta construccin se realiz
exclusivamente para los modelos difusos con cuatro y cinco reglas.
Figura 6.8: Grficos 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 ( ).
y = 0,3603x + 0,5092
R = 0,3462
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para 4 Reglas Difusas, utilizando _.
y = 0,4574x + 0,4289
R = 0,4194
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para 4 Reglas Difusas, utilizando
Log(_)
111
Figura 6.9: Grficos 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 ( ).
Como puede observarse en las figuras anteriores, al realizar la regresin lineal de
los grficos, se obtienen la pendiente y el punto de corte de la recta que mejor ajusta
los puntos. En la medida en que la pendiente se acerque ms a uno, la diferencia
y = 0,3711x + 0,5002
R = 0,3458
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para 5 Reglas Difusas, Utilizando _.
y = 0,4551x + 0,4307
R = 0,4245
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para 5 Reglas Difusas, utilizando Log(_)
112
entre los valores reales e inferidos ser menor, y por ende la prediccin resultar
ms adecuada.
Para las grficas expuestas (ver Figuras 6.8 y 6.9) se observa que en el modelo
semi-logaritmico la pendiente siempre se acerca mucho ms a uno. En tal sentido, el
conjunto de datos , es el ms adecuado para prediccin de Cociente S, en
el pozo.
Debido a las heterogeneidades litolgicas que se observan a lo largo del pozo, se
esperara tambin la presencia de otros minerales magnticos distintos a la
hematita y la magnetita. Por ende, no debera existir una relacin nica y directa
entre el Cociente S y la Susceptibilidad magntica. Esto pudiera explicar en cierto
modo, por qu las predicciones hechas no se ajustan tan bien como se espera a los
valores de CS experimentales. Ms an, ninguno de los modelos difusos generados
fue capaz de predecir la anomala de CS ubicada a los 320 metros de profundidad ni
los valores correspondientes a la Fm. Len, por cuanto el alcance de estos resulta
poco satisfactorio.
Lpez (2009), cre adicionalmente, un sistema difuso para cada una de las
Formaciones involucradas. Sin embargo, la idea es que en la prctica el modelo
difuso alcance discernir entre unidades litoestratigrficas segn sean sus
propiedades magnticas, y pueda a partir de stas, predecir valores de Cociente S.
En tal sentido, este estudio propone la incorporacin de dos parmetros adicionales
sensibles a cambios litolgicos y granulomtricos que brinden informacin adicional
a las RND.
113
6.2.2 Prediccin de CS con un sistema difuso que emplea las variables
Susceptibilidad magntica y volumen de arcilla, para 62 muestras del pozo Saltarn
1A.
Con la finalidad de hacer una discriminacin objetiva de las litologas que
atraviesa el pozo Saltarn 1A se ha utilizado aqu la lgica difusa en la inferencia de
valores de Cociente S, a partir de datos experimentales de susceptibilidad magntica
y volumen de arcilla. Al usar datos de _ y
) y adems se
consideraron los esquemas de entrenamiento directo y semi-logartmico para la
variable susceptibilidad.
La tabla 6.4 muestra los errores de entrenamiento y el RMSE para los sistemas
difusos siguiendo el modelo simple de entrenamiento (
).
Tabla 6.4: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Susceptibilidad magntica,
volumen de arcilla y Cociente S.
Parmetros
N de
Reglas
Combinacin
Error de
entrenamiento
RMSE
_,
).
Tabla 6.5: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Logaritmo de Susceptibilidad
magntica, volumen de arcilla y Cociente S.
Parmetros
N de
Reglas
Combinacin
Error de
entrenamiento
RMSE
_ ,
para
el pozo Saltarn 1A (0m-511.07m): (a) Cociente S inferido para 3 reglas difusas (3_,
1
)
116
Figura 6.11: Cociente S inferido a partir de valores experimentales de _ y
para
el pozo Saltarn 1A (0m-511.07m): (a) Cociente S inferido para 4 reglas difusas (2_,
2
)
117
La mejor inferencia obtenida, de acuerdo a los errores de entrenamiento y RMSE
corresponde a la Figura 6.11a. Sin embargo, como se observa en todos los registros,
las RND infieren con mayor precisin la seccin correspondiente a la Fm. Len para
las combinaciones (3,1), (4,1) y (5,1). De nuevo, ninguna de estas logr a predecir la
anomala de Cociente S ubicada a 320m de profundidad, y aunque los valores
inferidos intentan seguir el comportamiento de la curva experimental, la mejora
ms significativa (en comparacin con los modelos que slo involucran la
susceptibilidad magntica como variable de entrada) se observa a partir de los 450m
del pozo (Fm. Len). En lneas generales, los valores inferidos parecieran subestimar
los valores experimentales.
Las figuras a continuacin, muestran los perfiles de Cociente S reales e inferidos
(ver Figuras 6.12 y 6.13) para un entrenamiento de tipo semi-logaritmico
(
)
119
Figura 6.13: Cociente S inferido a partir de valores experimentales de y
para el pozo Saltarn 1A (0m-511.07m): (a) (a) Cociente S inferido para 4 reglas
difusas (2 , 2
).
120
Si bien las predicciones hechas con el modelo semi-logaritmico, muestran un
comportamiento irregular para los niveles de la Fm. Len, estas parecieran predecir
mucho mejor los valores de cociente S para las profundidades alrededor de los 320
metros e intentan seguir el comportamiento de la curva experimental.
Finalmente, se muestran grficos cruzados con la intencin de comparar la
respuesta obtenida para los dos esquemas de entrenamiento (Figuras 6.14 y 6.15).
Figura 6.14: Grfico cruzado para valores de Cociente S inferido vs Cociente S
experimental para 4 Reglas Difusas de la forma (2_,2
).
y = 0,5685x + 0,3448
R = 0,552
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 reglas difusas con la combinacin
(2_,2Vsh)
y = 0,6433x + 0,2874
R = 0,5937
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 reglas difusas con la combinacin
(2LOG(_),2Vsh)
121
Se consideran slo las combinaciones (2,2) y (5,1) debido a que ambas pruebas
arrojaron los menores errores (entrenamiento y RMSE).
Figura 6.15: Grfico 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 (
y = 0,5083x + 0,392
R = 0,4909
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 5 reglas difusas con la combinacin
(5_,1Vsh)
y = 0,5856x + 0,3273
R = 0,5778
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
.
Cociente S experimental.
Prediccin de CS para 5 reglas difusas, con la combinacin
(5LOG(_), 1Vsh)
122
Las grficas previas (ver Figuras 6.14 y 6.15) corroboran que en efecto, un modelo
semi-logaritmico resulta el indicado para la prediccin de Cociente S. Los ajustes
lineales hechos en cada caso, sealan a la combinacin (2,2) como la ms apropiada
de ellas, con un valor de pendiente ms cercano a uno e igual a 0.6433.
Es evidente que la incorporacin de un tercer parmetro mejora considerablemente
el producto. Cuantitativamente, se observa un aumento significativo de las
pendientes en los grficos, asociado a una disminucin en la diferencia entre los
valores de Cociente S experimentales e inferidos. Cualitativamente, puede
observarse en los perfiles cmo mejora la tendencia de las curvas inferidas y cmo
estas se acercan ms al comportamiento del pozo la experimental sobre todo el pozo.
Pareciera entonces que el volumen o la proporcin de minerales magnticos en las
rocas estn asociados a un tipo de litologa en especfico, a la vez que estas, son
producto de procesos de sedimentacin y cambios en las paleo-condiciones. Por
cuanto, la integracin de estos tres parmetros resulta ms efectivo en la prediccin
de Cociente S.
6.2.3 Inferencia de CS a partir de un sistema difuso empleando las variables
Susceptibilidad magntica y SIRM, para 62 muestras del pozo Saltarn 1A.
Como se explic en captulos previos, el SIRM es una propiedad magntica sensible
a cambios granulomtricos. En tal sentido, se pretende usar las RND en la
inferencia de CS mediante la integracin de esta variable con la Susceptibilidad.
Se plantea entonces que algn contraste magntico, que tambin involucre
variaciones granulomtricas es producto de algn cambio en las concentraciones
relativas de magnetita y hematita en la roca y por ende de las paleocondiones xido-
reductoras. Al igual que en el caso anterior, se consider un mximo de 5 reglas
123
difusas equivalente al 10% del total de datos de entrenamiento y determinadas por
el producto entre funciones de membresa asignadas a cada variable de entrada (_,
SIRM).
Las tablas 6.6 y 6.7 muestran los errores de entrenamiento y RMSE obtenidos en la
construccin de los modelos difusos simples ( y semi-logartmicos
( .
Tabla 6.6: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Susceptibilidad magntica,
SIRM y Cociente S.
Parmetros
N de
Reglas
Combinacin
Error de
entrenamiento
RMSE
_,SIRM 2 (2,1) 0,16654 0,1576
_,SIRM 2 (1,2) 0,16987 0,1519
_,SIRM 3 (3,1) 0,1614 0,1538
_,SIRM 3 (1,3) 0,15744 0,1488
_,SIRM 4 (4,1) 0,16026 0,1538
_,SIRM 4 (1,4) 0,1543 0,1467
_,SIRM 4 (2,2) 0,15188 0,1462
_,SIRM 5 (5,1) 0,15919 0,1534
_,SIRM 5 (1,5) 0,15096 0,1579
Tabla 6.7: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Logaritmo de la
Susceptibilidad magntica, SIRM y Cociente S.
Parmetros
N de
Reglas
Combinacin
Error de
entrenamiento
RMSE
,SIRM 2 (2,1) 0,16043 0,1520
124
,SIRM 2 (1,2) 0,15618 0,1472
,SIRM 3 (3,1) 0,14941 0,1443
,SIRM 3 (1,3) 0,1547 0,1459
,SIRM 4 (4,1) 0,14022 0,1455
,SIRM 4 (1,4) 0,14845 0,1402
,SIRM 4 (2,2) 0,14835 0,1424
,SIRM 5 (5,1) 0,12574 0,1891
,SIRM 5 (1,5) 0,1478 0,1389
Segn las tablas previas, puede corroborarse, una vez ms, que la mejor manera de
relacionar los parmetros Susceptibilidad y Cociente S es a partir de un modelo
semi-logartmico ( . Es importante mencionar que un incremento
en el nmero de grupos no siempre origina una disminucin en el RMSE. Finol
(2000), define este escenario como un fenmeno de sobreajuste, en el cual al ir
aumentando el nmero de grupos se observa una disminucin del valor de RMSE y
una vez obtenido el mnimo ocurre un comportamiento repentino en el cual al ir
aumentando el nmero de cluster se observa un incremento en el valor de RMSE.
Al incorporar las medidas de SIRM, se consigue que la mejor combinacin de
funciones de membresa corresponden a las formas (1,4), (2,2) y (1,5), con una
proporcin de grupos que sugiere un mayor peso a la granulometra. En tal sentido,
los FIS no slo pueden predecir intervalos que involucren contrastes magnticos sino
tambin cambios asociados al tamao y forma de estos granos. En consecuencia, los
datos experimentales e inferidos deberan corresponderse mucho mejor entre s al
aplicar uno de estos modelos de inferencia a lo largo de toda la columna
sedimentaria en contraposicin con un modelo que slo involucre datos de _ y CS.
A continuacin, se muestran los perfiles de CS experimentales e inferidos
obtenidos para este esquema de entrenamiento con cuatro y cinco reglas difusas (ver
Figuras 6.16 y 6.17).
125
Figura 6.16: Cociente S inferido a partir de valores experimentales de _ y
para el pozo Saltarn 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).
126
Figura 6.17: Cociente S inferido a partir de valores experimentales de y
para el pozo Saltarn 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).
127
Cualitativamente, la mejora ms significativa se observa en la anomala de
Cociente S ubicada a los 320 metros. Todas las predicciones logran seguir
favorablemente la tendencia de la curva experimental. Entre los 100 y los 250
metros (Fm. Guayabo) las curvas experimentales e inferidas, parecieran
corresponderse.
Para las profundidades asociadas a la Fm. Len, los resultados demuestran que si
bien no se logra una prediccin como la obtenida al usar el volumen de arcilla como
variable de entrada, se acorta considerablemente la diferencia entre valores reales y
predichos. En todo caso, si se toman en cuenta las diferencias litolgicas que
atraviesa el pozo, las predicciones generadas resultan satisfactorias.
A continuacin se exhibe un conjunto de grficos cruzados con valores de Cociente
S para los patrones de entrenamiento antes mencionados (ver Figuras 6.18 y 6.19).
Se consideran slo las combinaciones (2,2) y (1,5) por alcanzar los mnimos errores.
128
Figura 6.18: Grfico 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
( .
y = 0,482x + 0,4079
R = 0,4712
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 reglas difusas, con la combinacin (2_,
2SIRM)
y = 0,5087x + 0,3884
R = 0,4981
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 reglas difusas, con la combinacin
(2LOG(_), 2SIRM)
129
Figura 6.19: Grfico 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
( .
Bsicamente se observa en ellas una clara evidencia de que la mejor combinacin
para un entrenamiento que involucre estos parmetros (_, SIRM) es de la forma
(1,5). Las pendientes obtenidas no superan en valor a las derivadas del
y = 0,5245x + 0,3895
R = 0,4147
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 5 reglas difusas, con la combinacin (1_,
5SIRM)
y = 0,5216x + 0,3817
R = 0,5219
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 5 reglas difusas, con la combinacin
(1LOG(_), 5SIRM)
130
entrenamiento con _ y
y el SIRM. Se
involucran entonces contrastes magnticos, variaciones litolgicas y diferencias
granulomtricas con la relacin entre minerales de baja y alta coercitividad en las
rocas, asociadas a paleocondiciones oxido-reductoras.
De antemano se espera, que al considerar todos los parmetros en un solo FIS, las
inferencias de Cociente S mejoren significativamente. Pareciera que cada uno de
ellos optimizar la prediccin en secciones especficas del pozo. Al unirlos se
pretende suministrar ms informacin al sistema para que ste sea capaz de
predecir tan bien como posible todos los cambios litolgicos que atraviesa el pozo.
A continuacin en las Tablas 6.8 y 6.9 se muestran los errores de entrenamiento y
el RMSE reportados para los entrenamientos realizados. Una vez ms se
consideraron las formas:
.
131
Tabla 6.8: Resultados obtenidos para 62 muestras del pozo Saltarn 1A, mediante
la construccin de un sistema difuso con las variables Susceptibilidad magntica,
volumen de arcilla, SIRM y Cociente S.
Parmetros N de Reglas Combinacin
Error de
entrenamiento
RMSE
y
para el pozo Saltarn 1A (0m-511.07m): (a) Cociente S inferido para 4 reglas
difusas (2_, 2
,
2SIRM), (c) Cociente S inferido para 5 reglas difusas (1_, 5
, 1SIRM)
134
Figura 6.21 Cociente S inferido a partir de valores experimentales de ,
y
para el pozo Saltarn 1A (0m-511.07m): (a) Cociente S inferido para 4 reglas
difusas (2 , 2
, 1SIRM).
135
Es importante reiterar que la escogencia del mejor modelo difuso se bas en el
clculo matemtico del RMSE. Hay predicciones que parecieran ser mucho mejor
que las seleccionadas (en un rango de profundidades en especfico), como es el caso
por ejemplo de la inferencia que se obtiene con la combinacin (1,5,1) para la Fm.
Len vs la prediccin hecha para unas reglas de tipo (2,2,1) (ver Figuras 6.20 y 6.21).
Sin embargo, matemticamente se obtiene que para todo el conjunto de datos, la
mejor combinacin de parmetros es de la forma antes sealada. De cualquier modo,
las otras permutaciones resultan alternativas viables si se pretende inferir Cociente
S y pueden visualizarse en el APNDICE I.
No obstante, resulta evidente que este esquema de entrenamiento responde
efectivamente al objetivo planteado. Cualitativamente en los grficos (ver Figuras
6.20 y 6.21) puede observase una mejor correspondencia entre las curvas reales e
inferidas a lo largo de todo el pozo. Logrando predecir tanto los valores
correspondientes a la Fm. Len como la anomala de CS ubicada a los 320 metros de
profundidad, utilizando un nico modelo difuso para todo el pozo y con un nmero
aceptable de reglas.
A continuacin se muestra un conjunto de grficos cruzados (ver Figuras 6.22 y
6.23), entre los valores de Cociente S experimentales y reales, obtenidos para las
combinaciones (2_, 2
, 1SIRM) y (1_, 5
, 1SIRM): (a)
utilizando el modelo simple (
.
y = 0,5344x + 0,3647
R = 0,5358
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 Reglas Difusas, con la combinacin (2_,
2V
sh
, 1SIRM)
y = 0,7272x + 0,2209
R = 0,6778
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 Reglas difusas, con la combinacin
(2LOG(_), 2V
sh
, 1SIRM)
137
Figura 6.23: Grfico cruzado para valores de Cociente S inferido vs Cociente S
experimental para cuatro Reglas Difusas de la forma (1_, 5
, 1SIRM): (a)
utilizando el modelo simple (
.
Como se mencion anteriormente, el mejor modelo difuso para este caso en
particular es la combinacin (2,2,1) en forma semi-logaritmica, con un valor de
y = 0,5403x + 0,3563
R = 0,5204
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 5 Reglas Difusas, con la combinacin (1_,
5V
sh
, 1SIRM)
y = 0,638x + 0,2862
R = 0,6435
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 5 Reglas Difusas, con la combinacin
combinacin (1LOG(_), 5V
sh
, 1SIRM)
138
pendiente igual a 0,7272 (el mejor de los obtenidos para todas la regresiones lineales
realizadas) y dndole un mayor peso a los parmetros _ y
.
Finalmente se tiene entonces, que las RND pueden emplearse como una
herramienta objetiva que permite discriminar entre las areniscas con pequeas
intercalaciones de lodolitas de la Fm. Guayabo y las lodolitas de la Fm. Len, a
partir de cambios en las propiedades magnticas y petrofsicas de las rocas.
Los registros con el resto de los entrenamientos realizados considerando 62
muestras, se presentan en el Apndice I.
A continuacin se muestra una tabla resmen (ver Tabla 6.10) con las mejores
predicciones logradas bajo los criterios de entrenamiento antes expuestos, segn el
clculo de RMSE, y la pendiente de la recta asociada a las regresiones lineales
hechas en los grficos cruzados antes mostrados. Se considera slo el modelo semi-
logartmico en vista de la buena respuesta obtenida al tratar los datos bajo dicho
esquema.
139
Tabla 6.10: Tabla Resumen para los mejores resultados obtenidos con 62 muestras del pozo Saltarn 1A, mediante la
construccin de sistemas difusos con las variables Logaritmo de Susceptibilidad magntica,
SIRM y CS
Parmetros RMSE
Pendiente de
la recta
Parmetros de las
funciones de
membresia.
[h1/2 Centro]
Reglas difusas
_
4 Reglas
0,1536 0,4194
[0.08062 1.021]
[0.05122 1.41]
[0.1765 1.659]
[0.1674 2.02]
_
5 Reglas
0,1528 0,4245
[0.1036 1.041]
[0.05195 1.294]
[0.1048 1.517]
[0.1139 1.776]
[0.1089 2.032 ]
_,
4 Reglas de la
forma (2,2)
0,1288 0,5937
_:[0.3981 0.9716]
_:[0.4289 2.007]
:[0.1751 -0.0056]
:[0.1208 1.044]
_,
0,1306
0,5778
_:[0.04841 1.13]
_:[0.08168 1.365]
140
5 Reglas de la
forma (5,1)
_:[0.09493 1.49]
_:[0.1287 1.769]
_:[0.1135 2.03]
:[0.9855]
_,
4 Reglas de la
forma (2,2)
0,1424 0,5087
_:[0.4302 1.023]
_:[0.4321 2.031]
:[0.02949 -0.015]
:[0.04202 0.1076]
_,
5 Reglas de la
forma (1.5)
0,1389 0,5216
_:[2.032]
:[0.0121 0.00188]
:[0.0121 0.03036]
:[0.0121 0.05885]
:[0.0121 0.08733]
:[0.0121 0.1158]
_,
4 Reglas de la
forma (2,2,1)
0.1147 0,7272
_:[0.413 0.9803]
_:[0.4232 2.01]
:[0.1982 0.004689]
:[0.1301 1.039]
:[0.1158]
_,
0,1200 0,638
_:[2.032]
:[0.09797 0.05453]
141
5 Reglas de la
forma (1,5,1)
:[0.1004 0.2821]
:[0.08729 0.508]
:[0.03201 0.769]
:[0.09804 0.9845]
:[0.1158]
142
A modo de conclusin se tiene que las RND se emplean satisfactoriamente en la
prediccin de Cociente S para el pozo Saltarn 1-A, a pesar de las heterogeneidades
litolgicas que ste atraviesa.
Como primer punto, es importante resaltar que las reglas difusas que se exponen
en la tabla previa, son el equivalente a las relaciones empricas que relacionan los
parmetros estudiados y que constituyen el objetivo principal de este estudio. Dichas
expresiones proveen una alternativa en el clculo de Cociente S a partir de las
variables susceptibilidad magntica, volumen de arcilla y SIRM. Cada regla difusa,
combina uno o ms conjuntos difusos de entrada y las asocia a un conjunto de
salida.
La columna correspondiente a los parmetros de las funciones de membresia
incluyen el centro (h1/2 ) y el ancho de las gaussianas. Estos constituyen el intervalo
de valores para los cuales dichas reglas tienen efecto o simplemente funcionan.
En la Tabla 6.10 se observa claramente cmo al incluir parmetros adicionales,
(volumen de arcilla y el SIRM), el ANFIS es capaz de predecir cambios de CS a
travs de toda la seccin. La mejor inferencia se obtuvo al integrar todos los
parmetros con la combinacin (2_, 2
) reglas difusas,
(d) Cociente S inferido para 6 (2_,3
) reglas difusas
155
Figura 6.29: Cociente S inferido a partir de valores experimentales de y
volumen de arcilla para el pozo Saltarn 1A (0m-511.07m) considerando 100
muestras de roca: (a) Cociente S inferido para 4 (1 ,4
) reglas difusas
156
Si bien se muestran varios registros de Cociente S inferido, el modelo que mejor
logra inferir los valores reales del pozo corresponde a la combinacin (1,4) del
esquema semi-logartmico. La idea es comparar entre los mejores resultados y
observar para qu rango de profundidades se produce la mayor mejora.
Es importante resaltar el hecho de que las RND logran predecir la anomala de CS
ubicada a los 350m de profundidad, as como tambin alcanzan un comportamiento
aceptable para los estratos correspondientes a la Fm. Len, donde las curvas
experimentales y predichas parecen incluso solaparse (ver Figura 6.29a). Para el
intervalo entre 100 y 250 metros se observa tambin un comportamiento admisible
tomando en cuenta la presencia de anomalas magnticas con valores altos de
susceptibilidad.
Dichos valores anmalos, son debido a la presencia de framboides autignicos con
un alto contenido de sulfuros y Fe. La presencia de sulfuros pudiera sugerir un
reemplazo parcial de magnetita en pirita. En todo caso, lo importante es resaltar
que si bien, estas anomalas estn asociadas a procesos diferentes que ocurrieron in
situ, las RDN, logran definir ecuaciones sensibles a este tipo de contrastes.
En fin, cualitativamente pudiera argumentarse una mejora notable, en
comparacin con un sistema como el mostrado en el apartado previo (susceptibilidad
magntica para predecir CS). La adicin de ms informacin del pozo hace posible
que el ANFIS pueda discriminar entre intervalos correspondientes a las
Formaciones Guayabo y Carbonera con caractersticas magnticas y litolgicas
diferentes. En lneas generales, los valores inferidos parecieran sobreestimar los
valores reales y no logran alcanzar mnimos de CS que se presentan a lo largo de
toda la seccin.
Finalmente se muestran grficos cruzados para el mejor modelo de inferencia
obtenido (ver Figura 6.30). Se realiza slo una comparacin en vista de que no se
157
observa un patrn lgico de reglas para los esquemas simple y logartmico. En otras
palabras, la mejor combinacin de grupos para el primero de estos, no
necesariamente es la mejor para el caso logartmico. Dada esta circunstancia, se
escoge nicamente la combinacin (1,4), correspondiente al menor error alcanzado.
Figura 6.30: Grficos cruzados para valores de Cociente S inferido vs Cociente S
experimental para cuatro Reglas Difusas de la forma
, considerando 100
muestras del pozo Saltara 1-A: (a) utilizando el modelo simple (
), (b)
utilizando el modelo semi-logartmico (
.
y = 0,3306x + 0,5304
R = 0,295
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de CS para 4 Reglas Difusas, con la combinacin (1_,
4V
sh
)
y = 0,3917x + 0,4799
R = 0,3911
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para 4 Reglas difusas, con la
combinacin (1Log(_), 4V
sh
)
158
Comparando las pendientes de los grficos, es evidente que un entrenamiento
semi-logartmico resulta el ms adecuado para relacionar estos parmetros. Ms
an, es alentador ver cmo los valores de pendiente aumentan si slo se toma en
cuenta una propiedad adicional.
6.3.3 Prediccin de CS a partir de un sistema difuso empleando las variables
Susceptibilidad magntica y SIRM para 100 muestras del pozo.
En estas pruebas, se entrenaron las RND utilizando la susceptibilidad magntica y
el SIRM como variables de entrada. Se tomaron en cuenta las mismas
consideraciones empleadas al entrenar el sistema con slo 52 muestras de pozo,
entendiendo que los contrastes magnticos y los cambios granulomtricos obedecen
tambin a variaciones de CS. A continuacin se muestran las tablas con los errores
asociados a los entrenamientos y pruebas realizadas (ver Tabla 6.15 y 6.16)
Tabla 6.15: Resultados obtenidos para 100 muestras del pozo Saltarn 1A,
mediante la construccin de un sistema difuso con las variables Susceptibilidad
magntica, SIRM y Cociente S.
Parmetros
N de
Reglas
Combinacin
Error de
entrenamiento
RMSE
2 (2,1) 0,19122 0,2056
2 (1,2) 0,17909 0,1931
3 (3,1) 0,18365 0,2011
3 (1,3) 0,17342 0,1928
4 (4,1) 0,18022 0,2007
4 (1,4) 0,16908 0,1890
4 (2,2) 0,16764 0,1876
5 (5,1) 0,181 0,2016
5 (1,5) 0,16748 0,1851
159
6 (6,1) 0,18057 0,2009
6 (1,6) 0,16592 0,1812
6 (2,3) 0,16562 0,1867
6 (3,2) 0,15878 0,1887
Tabla 6.16: Resultados obtenidos para 100 muestras del pozo Saltarn 1A,
mediante la construccin de un sistema difuso con las variables Logaritmo de
Susceptibilidad magntica, SIRM y Cociente S.
Parmetros
N de
Reglas
Combinacin
Error de
entrenamiento
RMSE
2 (2,1) 0,17898 0,1997
2 (1,2) 0,17382 0,1912
3 (3,1) 0,17895 0,2006
3 (1,3) 0,16759 0,1853
4 (4,1) 0,16987 0,1971
4 (1,4) 0,1641 0,1859
4 (2,2) 0,16472 0,1897
5 (5,1) 0,16578 0,2000
5 (1,5) 0,16199 0,1827
6 (6,1) 0,15663 0,1778
6 (1,6) 0,1612 0,1804
6 (2,3) 0,16234 0,1977
6 (3,2) 0,15251 0,1899
Al igual que en el caso anterior, los resultados apuntan hacia una misma cantidad
de reglas para los modelos semi-logartmicos y directos, aunque no se mantenga la
proporcin entre conjuntos. Las formas (1,6), y (1,5) son comunes para ambos
esquemas. Sin embargo, el menor error se obtiene para la combinacin semi-
logartmica (6,1).
160
Se observa adems que un aumento en el nmero de reglas y por ende un aumento
en el nmero de conjuntos o clusters, no necesariamente se corresponde con una
disminucin de los errores de entrenamiento y el RMSE. Lo ideal es que a medida
que se tengan ms cluster y por tanto ms funciones de membresa, se tenga una
salida que mejor aproxime a los valores experimentales de CS.
Las combinaciones probadas sealan al SIRM como la variable con mayor
influencia en las inferencias, indicando una relacin y/o una dependencia clara
entre la granulometra (tamao y forma del grano magntico) y la proporcin de
magnetita-hematita en los estratos analizados, asociadas como se ha explicado en
apartados previos a cambios en las paleo condiciones xido reductoras. Es posible
entonces que este parmetro juegue un papel importante en la discriminacin
estratigrfica del pozo Saltarn 1-A.
Al realizar estas pruebas, considerando slo una fraccin del total de las muestras,
se lleg a la misma conclusin. Es decir, en ambos casos la variable SIRM define las
mejores inferencias. Para ese caso en particular las mejores combinaciones
responden a las formas (1,4), (1,5) y (2,2).
A continuacin (ver Figuras 6.31 y 6.32) se muestran los registros de Cociente S
reales e inferidos obtenidos para este esquema de entrenamiento. Se presentan las
grficas slo para las combinaciones (1,5), (1,6) y (6,1) por arrojar los menores
errores durante las pruebas.
161
Figura 6.31: Cociente S inferido a partir de valores experimentales de _ y SIRM
para el pozo Saltarn 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
162
Figura 6.32: Cociente S inferido a partir de valores experimentales de y SIRM
para el pozo Saltarn 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
163
Cualitativamente puede decirse en primer lugar que esta ha sido la nica forma de
entrenamiento que alcanz a predecir las dos anomalas de CS ubicadas alrededor
de los 300 metros (ver Figuras 6.32a y 6.32b).
Sin embargo, ambas predicciones resultan poco alentadoras para el resto de las
profundidades, presentando un comportamiento anmalo para los estratos
correspondientes a la Fm. Len. Hacia los niveles ms superficiales tambin se
reconoce un intento en seguir la tendencia real en algunos puntos, aunque esto no
necesariamente se entienda como una buena prediccin.
La Figura 6.32c, muestra el registro obtenido empleando la combinacin (6,1). Esta
resulta ser la mejor inferencia lograda para este esquema (y el clculo de errores as
lo confirma) aunque el comportamiento de la curva predicha a partir de los 350
metros es poco convincente. Sin embargo, ambas curvas tienen tendencias similares
en secciones importantes del pozo.
De nuevo, la presencia de framboides autignicos que implican la presencia de
mineralogas magnticas secundarias, no impide que se logre una buena prediccin.
Al contrario de lo que se espera y siendo estas anomalas localizadas producto de
alteraciones asociadas a zonas reductoras inducidas por un yacimiento subyacente,
las RND alcanzan una buena inferencia en todos los registros mostrados, (haciendo
la excepcin para las Figuras 6.32a y 6.32b). Aun y cuando se deriven de procesos
distintos el ANFIS reconoce patrones entre los valores suministrados que permiten
al menos en esta zona lograr una aproximacin bastante buena de los datos
experimentales.
Al igual que se explic anteriormente, la incorporacin de un tercer parmetro
mejora las inferencias de Cociente S. Ms an, tanto el volumen de arcilla como el
SIRM mejoran los valores predichos para secciones especficas del pozo, por cuanto
164
se espera que la integracin de ellos en un solo modelo resulte el mecanismo ms
efectivo o al menos ms exacto en la prediccin de CS.
A continuacin, (ver Figuras 6.33) se observan grficos cruzados para la
combinacin (6,1) de este esquema de entrenamiento. Al igual que en el caso
anterior, no se observa un patrn claro de comportamiento para las reglas difusas.
Entendiendo que la mejor combinacin para el modelo logartimico no
necesariamente resulta la ms aceptable para el modelo simple.
En todo caso, y cmo se ha mostrado antes, los grficos cruzados proveen una
comparacin bastante clara entre ambos esquemas (semi-logartmico y simple), a la
vez que sealan al mejor entre ellos, considerando los mismos criterios de
entrenamiento, es decir, la misma cantidad de reglas bajo la misma proporcin de
grupos.
Por ello, slo se muestra un ejemplo con la combinacin antes mencionada. Siendo
esta, la mejor prediccin obtenida utilizando las variables susceptibilidad magntica
y SIRM.
165
Figura 6.33: Grficos 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 Saltara 1-A: (a) utilizando el modelo simple ( ), (b)
utilizando el modelo semi-logartmico ( .
Queda claro entonces, que el modelo semi-logartmico es el ms adecuado para los
entrenamientos, dada la diferencia considerable entre las pendientes obtenidas a
partir del ajuste lineal de las grficas. Esto resulta si se quiere redndate, debido a
y = 0,281x + 0,575
R = 0,2944
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para seis reglas difusas, con la
combinacin (6_,1SIRM)
y = 0,4773x + 0,4101
R = 0,4434
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para 6 reglas difisas, con la combinacin
(6Log(_),1SIRM)
166
que reiteradamente se ha demostrado que para los datos empleados, este criterio
siempre parece cumplirse.
6.3.4 Prediccin de CS a partir de un sistema difuso empleando las variables
Susceptibilidad magntica, volumen de arcilla y SIRM para 100 muestras del pozo.
Utilizando todos los datos disponibles del pozo Saltarn 1-A, se procedi a crear un
sistema difuso que permitiese la inferencia de valores de Cociente S. Se tomaron en
consideracin la Susceptibilidad magntica (en su forma simple y logartmica), as
como el volumen de arcilla y el SIRM, para alimentar la RND. Es importante
destacar que especficamente en este punto se conjugaron todos los supuestos hechos
en secciones previas que relacionan la litologa, el tipo de mineral magntico y el
tamao de estos, con la proporcin relativa de las concentraciones de magnetita y
hematita.
Todo esto con el fin nico de realizar una discriminacin estratigrfica objetiva de
de las diferentes litologas a lo largo del pozo. Entendiendo que una buena
correlacin entre los valores reales y predichos apuntara a una interconexin obvia
entre estos parmetros, que a su vez son el resultado de procesos depositacionales.
En cambio, una mala correlacin pudiera sugerir que la complejidad de estos
procesos involucra ms variables o ms factores que los considerados en este trabajo
conformes a paleo condiciones prcticamente exclusivas. En tal sentido, algn
cambio litolgico debiera ser identificable en trminos de una mala correlacin entre
los valores reales e inferidos, justificado con la posible intervencin de alguna otra
propiedad diferente a la litologa, el tamao de grano y el tipo de mineral magntico.
A continuacin (ver Tablas 6.17 y 6.18) se muestran los errores de entrenamiento y
RMSE para todas las pruebas realizadas.
167
Tabla 6.17: Resultados obtenidos para 100 muestras del pozo Saltarn 1A,
mediante la construccin de un sistema difuso con las variables Susceptibilidad
magntica,
, SIRM y Cociente S
Parmetros N de Reglas Combinacin
Error de
entrenamiento
RMSE
, SIRM y Cociente S.
Parmetros N de Reglas Combinacin
Error de
entrenamiento
RMSE
y
SIRM para el pozo Saltarn 1A (0m-511.07m) considerando 100 muestras de roca:
(a) Cociente S inferido para 6 reglas difusas (
.
171
Figura 6.35: Cociente S inferido a partir de valores experimentales de
y
SIRM para el pozo Saltarn 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 (
.
172
Las grficas mostradas previamente corresponden a las mejores inferencias
alcanzadas considerando el RMSE como criterio de seleccin. La combinacin
(
y (
.
173
Figura 6.36: Grficos cruzados para valores de Cociente S inferido vs Cociente S
experimental para seis Reglas Difusas de la forma (
considerando
100 muestras del pozo Saltara 1-A: (a) utilizando el modelo simple (
), (b) utilizando el modelo semi-logartmico (
.
Comparando las pendientes de las grficas previas, puede concluirse una vez ms
que el modelo semi-logartmico es el ideal en la realizacin de estas predicciones. Sin
embargo, este resultado es contradictorio con lo dicho en prrafos previos, tomando
y = 0,5085x + 0,397
R = 0,54
0
0,2
0,4
0,6
0,8
1
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para seis Reglas difusas, con la
combinacin (2_,3V
sh
,1SIRM)
y = 0,5122x + 0,3878
R = 0,4714
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1 1,2
C
o
c
i
e
n
t
e
S
i
n
f
e
r
i
d
o
Cociente S experimental
Prediccin de Cociente S para seis Reglas Difusas, con la
combinacin 2Log(_), 3V
sh
, 1SIRM)
174
en cuenta, que para este caso en particular el RMSE asociado al modelo simple
result ser 0,1626 mientras que el RMSE para el otro modelo es de 0,1737.
Este resultado en particular, resulta poco convincente y por ende poco concluyente,
debido a las incongruencias entre los errores mostrados. Grficamente, se mostraron
algunas combinaciones que lograron predecir ciertos valores experimentales. Sin
embargo, la diferencia obvia entre los errores resulta confusa, sobretodo porque en
los apartados previos, este tipo de problemas no haba sido planteado.
En seguida se muestra un cuadro (ver Tabla 6.20) resumen con los mejores
modelos obtenidos para los entrenamientos realizados, considerando un total de 100
muestras de rocas del pozo Saltarn 1-A.
Si se comparan ahora, los resultados obtenidos al considerar ambos conjuntos de
datos, se tiene que, cuando se consideraron 62 muestras de roca el mejor modelo
obedece a la forma (2 ,2
,1SIRM).
Se observa entonces un aumento en el nmero de reglas que pudiera deberse a la
necesidad de crear ms grupos o funciones de membresa que respondan tambin a
la ampliacin del nmero de datos. En todo caso, el
sigue influyendo
significativamente en las inferencias.
175
Tabla 6.19: Tabla Resumen para los mejores resultados obtenidos con 100 muestras del pozo Saltarn 1A, mediante la
construccin de sistemas difusos con las variables Logaritmo de Susceptibilidad magntica, volumen de arcilla, SIRM y
Cociente S.
Parmetros RMSE
Pendiente de
la recta
Parmetros de las
funciones de
membresia.
[h1/2 Centro]
Reglas difusas
_
5 Reglas
0,2186 0,1920
[0.04673 1.01]
[0.06626 1.347]
[0.1404 1.53]
[0.1288 1.755]
[0.1105 2.032]
_,
4 Reglas de la
forma (1,4)
0,1857 0,3917
_:[2.032]
:[0.1197 0.04946]
:[0.1598 0.3988]
:[0.0166 0.7113]
:[0.1246 0.974]
_,
4 Reglas de la
forma (6,1)
0,1778 0,2811
_:[0.101 1.017]
_:[0.0844 1.217]
_:[0.03647 1.406]
_:[0.01005 1.614]
176
_:[0.1077 1,817]
_:[0.0867 2.032]
:[0.1192]
_,
6 Reglas de la
forma (2,3,1)
0,1626 0,5085
_:[41.34 10.34]
:[41.34 107.7]
:[0.1901 0.2697]
:[0.3125 0.4647]
:[0.13 0.9061]
:[0.1192]
177
Segn los errores que se muestran en la tabla previa, el mejor de los modelos
obtenidos es aquel que involucra todas las variables disponibles, (S,
y SIRM). Sin
embargo, este resultado, resulta poco concluyente debido a que contradice en un
punto, lo que se ha demostrado reiteradamente en este captulo. La tabla 6.19
sugiere que la susceptibilidad magntica y el CS se relacionan mejor bajo un modelo
de entrenamiento simple, an y cuando los entrenamientos previos apuntan a un
modelo semi-logartmico.
En todo caso, varias hechos quedaron en evidencia. En primer lugar, es
imprescindible considerar estos tres parmetros como un nico conjunto de entrada
para lograr las mejores inferencias. Ningn parmetro es redndate y todos aportan
informacin de suma importancia para la prediccin de CS.
Como segundo punto, se tiene que el hecho de que ciertas combinaciones
(Susceptibilidad y
son
considerablemente altos. Esto concuerda con la informacin litolgica reseada en
captulos previos y con la informacin provista por los registros de Cociente S para
todo el pozo.
3. Los ajustes lineales hechos a las grficas de Cociente S como funcin de las otras
variables (CS vs _, CS vs
y de las
granulometras magnticas (SIRM) y total de la roca (
.
8. El hecho de que ciertas combinaciones (Susceptibilidad y
) o (Susceptibilidad
y SIRM) respondan mejor a ciertas reas especficas del pozo, pudiera indicar que
dependiendo de la Formacin de estudio y sus caractersticas, la relacin entre los
parmetros pudiera cambiar. Asimismo, debido a las heterogeneidades litolgicas
181
que atraviesa el pozo, se esperara la presencia de otros minerales magnticos
distintos a la magnetita y la hematita. Por ende no debera existir una dependencia
unvoca entre todos los parmetros a lo largo de 511 metros estudiados.
9. Al estudiar el magnetismo de rocas, suele slo considerarse la fraccin de
minerales magnticos que componen a stas. Este estudio explica cmo dicha
fraccin pareciera corresponderse con las caractersticas de la roca como un todo
(fraccin magntica y fraccin no magntica) presentando rasgos litolgicos, de
forma y tamao similares.
10. A modo de recomendacin en estudios posteriores se
182
REFERENCIAS BIBLIOGRAFICAS
- Aldana, M., Costanzo-Alvarez, V., Vitiello, D., Colmenares, L., and G.
Gomez, (1999) Framboidal magnetic minerals and their possible association
to hydrocarbons: La Victoria oil field, Southwestern Venezuela, Geofsica
Internacional, 38, 137-152.
- Bayona G., Valencia A., Mora A., Milton R., Ortiz J., Montenegro O (2008):
Estratigrafa y procedencia de las rocas del Mioceno en la parte distal de la
cuenca antepais de los Llanos de Colombia: Geologa Colombiana, Vol. 33, p
23-46.
- Bejarano, L. Determinacin de Parmetros Petrofsicos y Clasificacin de
Electrofacies Usando Lgica Difusa. Proyecto de Grado. Universidad Simn
Bolvar (2004).
- Cdigo Estratigrfico de Venezuela, PDVSA- Intevep (1997).
- Da Silva A., Costanzo-lvarez V., Hurtado N., Aldana M., Bayona. G, Lpez
D. Estudio preliminar de una posible correlacin entre cambios globales
(
18
O) Y Cocientes S medidos en muestras de Pozo (Saltara 1-A), mediante
el uso de Redes Neuronales Difusas. Primera reunin bienal de la
Asociacin Latinoamericana de Paleomagnetismo y Geomagnetismo, (2009).
- Glover, P. Petrophysics MSc Course Notes. (2000)
- Gonzlez, M. Utilizacin de Jats y Lgica Difusa en el anlisis de dos
perfiles de refraccin ssmica en el rea 75 de Bauxilum, Puerto Ordaz,
Estado Bolvar. Proyecto de Grado. Universidad Simn Bolvar (2005).
- Graterol, V., Rey C. Mediciones aerogravimtricas y magnetomtricas en
los Llanos Orientales de Colombia. X Simposio Bolivariano Exploracin
Petrolera en Cuencas Subandinas, (2009).
- Gutirrez, V. Sistemas difusos para la prediccin de velocidades de ondas S,
Campo Guafita. Proyecto de Grado. Universidad Simn Bolvar (2010).
183
- Lpez, C. Determinacin de primeras llegadas en datos VSP Y check shots
usando Lgica Difusa. Proyecto de Grado. Universidad Simn Bolvar
(2005).
- Lpez, D. Caracterizacin de litofacies en el Pozo Salatrn 1-A a travs de la
determinacin experimental de parmetros magnticos y su inferencia por
medio de la tcnica de Redes Neuronales Difusas. Proyecto de Grado.
Universidad Central de Venezuela (2009).
- Lpez D., Costanzo-lvarez V., Hurtado N., Aldana M., Bayona. G, Da Silva
A Determinacin experimental de parmetros magnticos y su inferencia va
Redes Neuronales Difusas en el Pozo Saltara 1-A, Colombia. Primera
reunin bienal de la Asociacin Latinoamericana de Paleomagnetismo y
Geomagnetismo, (2009).
- Moreno, N., Gelvez J., Mora A. Procedencia de sedimentos durante el de
Mioceno en el Borde Este de la Cuenca de los Llanos Orientales, Colombia.
X Simposio Bolivariano Exploracin Petrolera en Cuencas Subandinas,
(2009).
- Rider, M., The Geological Interpretation of Well Logs, 2nd Ed. Whittles
Publishing, Caithness, 1996.
- Snchez, A. Estudio magnetoestratigrfico de la parte inferior de la
Formacin Vidoo, En la Seccin del Ro Aragua, Estado Monagas. Proyecto
de Grado. Universidad Simn Bolvar (2006).
- Vallenilla, A. Anlisis Paleomagntico y datacin de lavas del Volcn
Stromboli, para los ltimos 10.000 aos. Proyecto de Grado. Universidad
Simn Bolvar (2005).
- Zadeh, L., (1965). Fuzzy Sets. Information and Control. Vol. 8: 338-353.
184
APNDICE A
A continuacin se muestra un cdigo en MatLab que permite leer el archivo que
incluye los registros corridos en el pozo Saltarn 1-A, a la vez que grafica los valores
de Gamma Ray para toda la seccin.
clear all
clc
% Se lee el archivo de datos y se asignan sus columnas a una variable.
dlmread saltarin.txt
datos=ans
clear ans
PROF= datos(2:40436,1)
%Se convierten las profundidades de pies a metros
PROF2=PROF.*0.3048
GR= datos(2:40436,2)
%Se grafica el registro
plot (GR,PROF)
185
APENDICE B
El siguiente cdigo, es un ejemplo del algoritmo empleado para evaluar el sistema
difuso con el 100% de los datos disponibles, una vez creados en la ventana editora de
MatLab.
clear all
clc
% Se lee el archivo de datos y se asignan sus columnas a una variable.
load DATOSNUEVOS2.dat
T=DATOSNUEVOS2
CS=T(:,6)
S=T(:,2)
S=T(:,4)
P=T(:,1)
%Se lee el sistema difuso
FIS=readfis('LOGSCS2NUEVOS2con110ms');
% Se evala esta con los datos de susceptibilidad magntica
salida1=evalfis(SVsh,FIS);
fid=fopen('datos_registro_ev.m','w');
% Se genera un vector salida1 con los valores de CS inferidos
fprintf(fid,'%10.6f\n',salida1);
fclose(fid);
figure1 = figure('Color',[0.9725 0.9725 0.9725]);
% Se grafican los registros de CS real e inferidos.
subplot(1,3,1,'Parent',figure1,'YDir','reverse');
box('on');
hold all
plot(CS,P,'r*--')
plot(salida1,P,'bx-')
xlabel({'Cociente S 2 Reglas'})
ylabel({'Profundidad (m)'})
AXIS([0 1 0 550])
hold off
186
APENDICE C
A continuacin, se muestra una tabla que incluye el set de datos inicial (62
muestras) del pozo Saltarn 1-A, con valores de Susceptibilidad magntica, Cociente
S,
y SIRM.
Profundidad
(m)
Susceptibilidad
magntica (SI)
Cociente S
Volumen de
arcilla
SIRM (SI)
9,51000 15,69354 0,39254 0,34877 0,01880
19,16000 13,52059 0,36216 0,05561 0,07056
19,36000 12,35206 0,29630 0,06032 0,03060
23,40000 10,33661 0,38627 0,21466 0,04934
27,04000 17,76668 0,54756 0,38663 0,02076
51,44000 20,13387 0,67443 0,60776 0,00864
55,44000 12,79627 0,32569 0,52225 0,01866
83,39000 22,48110 0,78998 0,30322 0,02086
91,57000 39,35458 0,87861 0,42889 0,04396
94,16000 32,98543 0,87586 0,46296 0,04396
98,58000 26,18944 0,84354 0,48380 0,05613
105,95000 24,62838 0,79199 0,39336 0,02635
110,37000 107,69107 0,95084 0,38097 0,00555
117,62000 33,10655 0,86449 0,26405 0,02586
135,95000 43,70048 0,86335 0,24001 0,03684
139,31000 52,39229 0,95490 0,23447 0,00392
147,25000 57,10035 0,90415 0,13648 0,03380
153,55000 49,90539 0,93698 0,23459 0,00444
166,40000 34,80218 0,84270 0,38306 0,03937
178,80000 28,03244 0,85550 0,28991 0,02012
197,45000 29,09341 0,78094 0,32129 0,01750
201,75000 28,85197 0,77917 0,34623 0,04159
209,58000 26,31686 0,77241 0,48853 0,02755
213,91000 24,74554 0,70417 0,36027 0,01940
187
224,31000 23,65945 0,76074 0,41542 0,01475
237,93000 34,16364 0,59727 0,49241 0,03747
240,46000 24,38535 0,93431 0,39723 0,01685
244,51000 15,90798 0,67522 0,45458 0,02816
250,43000 16,17642 0,61343 0,53912 0,04142
255,19000 14,24491 0,90333 0,39343 0,01053
260,69000 23,90168 0,87325 0,49804 0,00477
264,60000 22,92875 0,90395 0,53530 0,00409
281,24000 16,41786 0,75000 0,56877 0,01413
302,16000 21,72158 0,90768 0,52306 0,02219
304,75000 21,83510 0,57958 0,57759 0,00975
315,32000 17,09596 0,38232 0,48762 0,11582
320,08000 19,52629 0,08673 0,62951 0,01045
329,85000 14,00347 0,84147 0,44730 0,00921
351,39000 27,75366 0,86990 0,55202 0,00706
355,30000 23,90326 0,93105 0,55757 0,00373
360,82000 23,90088 0,91833 0,39216 0,01050
370,18000 25,59255 0,90051 0,63348 0,00766
375,33000 21,23711 0,90590 0,42877 0,01276
388,10000 20,51041 0,83468 0,37964 0,01209
395,11000 14,96923 0,83817 0,53677 0,01610
403,39000 13,00118 0,94608 0,67182 0,01569
407,54000 21,36736 0,93548 0,59251 0,01016
413,49000 29,83640 0,86258 0,50404 0,01585
442,42000 24,39185 0,94583 0,89920 0,00984
444,94000 25,34716 0,93944 0,97747 0,00394
447,97000 23,06451 0,86056 0,83434 0,01088
450,45000 19,78371 0,98855 0,84714 0,06622
453,65000 19,81221 0,94863 0,94312 0,00737
458,85000 22,21240 0,94273 0,98548 0,00495
462,43000 46,59775 0,94121 0,91304 0,00188
475,15000 22,93672 0,94444 0,90814 0,00471
188
484,35000 19,29925 0,94774 0,97725 0,00402
487,80000 23,17498 0,94050 0,96639 0,00395
492,05000 22,44828 0,95912 0,91987 0,00708
494,14000 28,24838 0,96099 0,87140 0,00499
497,93000 22,82893 0,96296 0,88747 0,02247
511,97000 23,66103 0,97525 0,95459 0,00854
189
APENDICE D
Las siguientes lneas corresponden a un cdigo en MatLab, que permite seleccionar
54 muestras aleatorias del set de datos inicial. Dicho conjunto aleatorio, fue
empleado a posteriori para entrenar sistemas difusos, empleando ANFIS.
clear all
clc
% Se carga el archivo de datos.
dlmread DATOSNUEVOS2.dat
A=ans
clear ans
% Se asigna la columna de profundidades a la variable B.
B=A(:,1)
% Se utiliza el commando randsample para escoger aleatoriamente
% 54 muestras del vector B.
M1=randsample(B,54)
% Se ordenan las muestras obtenidas.
M2=sort(M1)
190
APENDICE E
La siguiente tabla, corresponde al set de datos aleatorio (54 muestras), empleados
para entrenar el sistema difuso. Estos luego fueron probados, con el conjunto de
datos mostrados en el APENDICE C.
Profundidad
(m)
Susceptibilidad
magntica (SI)
Cociente S
Volumen de
arcilla
SIRM (SI)
9,51000 15,69354 0,39254 0,34877 0,01880
19,16000 13,52059 0,36216 0,05561 0,07056
19,36000 12,35206 0,29630 0,06032 0,03060
23,40000 10,33661 0,38627 0,21466 0,04934
27,04000 17,76668 0,54756 0,38663 0,02076
51,44000 20,13387 0,67443 0,60776 0,00864
55,44000 12,79627 0,32569 0,52225 0,01866
83,39000 22,48110 0,78998 0,30322 0,02086
98,58000 26,18944 0,84354 0,48380 0,05613
110,37000 107,69107 0,95084 0,38097 0,00555
117,62000 33,10655 0,86449 0,26405 0,02586
135,95000 43,70048 0,86335 0,24001 0,03684
139,31000 52,39229 0,95490 0,23447 0,00392
147,25000 57,10035 0,90415 0,13648 0,03380
166,40000 34,80218 0,84270 0,38306 0,03937
197,45000 29,09341 0,78094 0,32129 0,01750
201,75000 28,85197 0,77917 0,34623 0,04159
209,58000 26,31686 0,77241 0,48853 0,02755
224,31000 23,65945 0,76074 0,41542 0,01475
237,93000 34,16364 0,59727 0,49241 0,03747
240,46000 24,38535 0,93431 0,39723 0,01685
244,51000 15,90798 0,67522 0,45458 0,02816
250,43000 16,17642 0,61343 0,53912 0,04142
255,19000 14,24491 0,90333 0,39343 0,01053
191
260,69000 23,90168 0,87325 0,49804 0,00477
264,60000 22,92875 0,90395 0,53530 0,00409
281,24000 16,41786 0,75000 0,56877 0,01413
302,16000 21,72158 0,90768 0,52306 0,02219
304,75000 21,83510 0,57958 0,57759 0,00975
315,32000 17,09596 0,38232 0,48762 0,11582
320,08000 19,52629 0,08673 0,62951 0,01045
329,85000 14,00347 0,84147 0,44730 0,00921
355,30000 23,90326 0,93105 0,55757 0,00373
360,82000 23,90088 0,91833 0,39216 0,01050
370,18000 25,59255 0,90051 0,63348 0,00766
375,33000 21,23711 0,90590 0,42877 0,01276
388,10000 20,51041 0,83468 0,37964 0,01209
395,11000 14,96923 0,83817 0,53677 0,01610
403,39000 13,00118 0,94608 0,67182 0,01569
407,54000 21,36736 0,93548 0,59251 0,01016
413,49000 29,83640 0,86258 0,50404 0,01585
442,42000 24,39185 0,94583 0,89920 0,00984
444,94000 25,34716 0,93944 0,97747 0,00394
447,97000 23,06451 0,86056 0,83434 0,01088
450,45000 19,78371 0,98855 0,84714 0,06622
453,65000 19,81221 0,94863 0,94312 0,00737
458,85000 22,21240 0,94273 0,98548 0,00495
462,43000 46,59775 0,94121 0,91304 0,00188
475,15000 22,93672 0,94444 0,90814 0,00471
487,80000 23,17498 0,94050 0,96639 0,00395
492,05000 22,44828 0,95912 0,91987 0,00708
494,14000 28,24838 0,96099 0,87140 0,00499
497,93000 22,82893 0,96296 0,88747 0,02247
511,97000 23,66103 0,97525 0,95459 0,00854
192
APENDICE F
La siguiente Tabla corresponde al set de datos de entrenamiento (71 muestras),
empleados para inferir valores de CS en el Pozo Saltarn 1-A.
Profundidad
(m)
Susceptibilidad
magntica (SI)
Cociente S
Volumen de
arcilla
SIRM (SI)
9,51000 15,69354 0,39254 0,34877 0,01880
19,16000 13,52059 0,36216 0,05561 0,07056
19,36000 12,35206 0,29630 0,06032 0,03060
23,40000 10,33661 0,38627 0,21466 0,04934
27,04000 17,76668 0,54756 0,38663 0,02076
51,44000 20,13387 0,67443 0,60776 0,00864
55,44000 12,79627 0,32569 0,52225 0,01866
63,41000 23,06099 0,08334 0,74556 0,11919
83,39000 22,48110 0,78998 0,30322 0,02086
91,57000 39,35458 0,87861 0,42889 0,04396
94,16000 32,98543 0,87586 0,46296 0,04396
98,58000 26,18944 0,84354 0,48380 0,05613
105,95000 24,62838 0,79199 0,39336 0,02635
110,37000 107,69107 0,95084 0,38097 0,00555
117,62000 33,10655 0,86449 0,26405 0,02586
127,40000 100,81076 0,89714 0,26117 0,02811
135,95000 43,70048 0,86335 0,24001 0,03684
139,31000 52,39229 0,95490 0,23447 0,00392
147,25000 57,10035 0,90415 0,13648 0,03380
153,55000 49,90539 0,93698 0,23459 0,00444
166,40000 34,80218 0,84270 0,38306 0,03937
178,80000 28,03244 0,85550 0,28991 0,02012
197,45000 29,09341 0,78094 0,32129 0,01750
201,75000 28,85197 0,77917 0,34623 0,04159
209,58000 26,31686 0,77241 0,48853 0,02755
193
213,91000 24,74554 0,70417 0,36027 0,01940
224,31000 23,65945 0,76074 0,41542 0,01475
237,93000 34,16364 0,59727 0,49241 0,03747
240,46000 24,38535 0,93431 0,39723 0,01685
244,51000 15,90798 0,67522 0,45458 0,02816
250,43000 16,17642 0,61343 0,53912 0,04142
255,19000 14,24491 0,90333 0,39343 0,01053
260,69000 23,90168 0,87325 0,49804 0,00477
264,60000 22,92875 0,90395 0,53530 0,00409
281,24000 16,41786 0,75000 0,56877 0,01413
288,94000 27,42485 0,92881 0,65345 0,00333
302,16000 21,72158 0,90768 0,52306 0,02219
304,75000 21,83510 0,57958 0,57759 0,00975
315,32000 17,09596 0,38232 0,48762 0,11582
320,08000 19,52629 0,08673 0,62951 0,01045
329,85000 14,00347 0,84147 0,44730 0,00921
340,35000 30,36177 0,51800 0,65635 0,00459
345,25000 31,21520 0,16445 0,72269 0,01067
351,39000 27,75366 0,86990 0,55202 0,00706
355,30000 23,90326 0,93105 0,55757 0,00373
360,82000 23,90088 0,91833 0,39216 0,01050
370,18000 25,59255 0,90051 0,63348 0,00766
375,33000 21,23711 0,90590 0,42877 0,01276
379,26000 16,90074 0,87376 0,78393 0,00438
388,10000 20,51041 0,83468 0,37964 0,01209
395,11000 14,96923 0,83817 0,53677 0,01610
403,39000 13,00118 0,94608 0,67182 0,01569
407,54000 21,36736 0,93548 0,59251 0,01016
413,49000 29,83640 0,86258 0,50404 0,01585
426,39000 26,06911 0,90339 0,76057 0,00585
429,54000 19,79801 0,90770 0,74913 0,00832
442,42000 24,39185 0,94583 0,89920 0,00984
444,94000 25,34716 0,93944 0,97747 0,00394
194
447,97000 23,06451 0,86056 0,83434 0,01088
450,45000 19,78371 0,98855 0,84714 0,06622
453,65000 19,81221 0,94863 0,94312 0,00737
458,85000 22,21240 0,94273 0,98548 0,00495
462,43000 46,59775 0,94121 0,91304 0,00188
471,55000 20,88448 0,97321 0,89990 0,08014
475,15000 22,93672 0,94444 0,90814 0,00471
484,35000 19,29925 0,94774 0,97725 0,00402
487,80000 23,17498 0,94050 0,96639 0,00395
492,05000 22,44828 0,95912 0,91987 0,00708
494,14000 28,24838 0,96099 0,87140 0,00499
497,93000 22,82893 0,96296 0,88747 0,02247
511,97000 23,66103 0,97525 0,95459 0,00854
195
APENDICE G
La siguiente tabla corresponde a los valores de Susceptibilidad magntica,
volumen de arcilla, Cociente S y SIRM para las 100 muestras consideradas del pozo
Saltarn 1-A.
Profundidad (m)
Susceptibilidad
magntica (SI)
Cociente S
Volumen de
arcilla
SIRM (SI)
9,51000 15,69354 0,39254 0,34877 0,01880
16,89000 18,69366 0,15915 0,35949 0,03237
19,16000 13,52059 0,36216 0,05561 0,07056
19,36000 12,35206 0,29630 0,06032 0,03060
23,40000 10,33661 0,38627 0,21466 0,04934
27,04000 17,76668 0,54756 0,38663 0,02076
40,64000 33,68076 0,39403 0,07127 0,01151
51,44000 20,13387 0,67443 0,60776 0,00864
55,44000 12,79627 0,32569 0,52225 0,01866
57,85000 14,21235 0,25855 0,45172 0,04678
63,41000 23,06099 0,08334 0,74556 0,11919
70,90000 24,02240 0,29864 0,59162 0,02876
78,57000 18,81478 0,19959 0,48869 0,04168
83,39000 22,48110 0,78998 0,30322 0,02086
91,57000 39,35458 0,87861 0,42889 0,04396
94,16000 32,98543 0,87586 0,46296 0,04396
98,58000 26,18944 0,84354 0,48380 0,05613
105,95000 24,62838 0,79199 0,39336 0,02635
110,37000 107,69107 0,95084 0,38097 0,00555
114,61000 45,94491 0,83234 0,30492 0,01268
117,62000 33,10655 0,86449 0,26405 0,02586
121,97000 45,39055 0,84106 0,13806 0,03327
127,40000 100,81076 0,89714 0,26117 0,02811
196
135,95000 43,70048 0,86335 0,24001 0,03684
139,31000 52,39229 0,95490 0,23447 0,00392
145,35000 41,22136 0,79354 0,26232 0,01784
147,25000 57,10035 0,90415 0,13648 0,03380
153,55000 49,90539 0,93698 0,23459 0,00444
166,40000 34,80218 0,84270 0,38306 0,03937
167,35000 29,45557 0,77569 0,41415 0,02357
172,85000 25,10967 0,79343 0,28986 0,01270
178,80000 28,03244 0,85550 0,28991 0,02012
197,45000 29,09341 0,78094 0,32129 0,01750
201,75000 28,85197 0,77917 0,34623 0,04159
205,70000 26,18277 0,70391 0,58901 0,00837
209,58000 26,31686 0,77241 0,48853 0,02755
213,91000 24,74554 0,70417 0,36027 0,01940
219,60000 18,36831 0,61642 0,53768 0,01841
224,31000 23,65945 0,76074 0,41542 0,01475
232,95000 24,98895 0,66162 0,58264 0,00564
237,93000 34,16364 0,59727 0,49241 0,03747
240,46000 24,38535 0,93431 0,39723 0,01685
244,51000 15,90798 0,67522 0,45458 0,02816
250,43000 16,17642 0,61343 0,53912 0,04142
255,19000 14,24491 0,90333 0,39343 0,01053
260,69000 23,90168 0,87325 0,49804 0,00477
264,60000 22,92875 0,90395 0,53530 0,00409
269,02000 23,78175 0,93231 0,45264 0,00603
272,12000 21,14558 0,89663 0,62036 0,00452
276,02000 14,09123 0,92373 0,61389 0,00940
281,24000 16,41786 0,75000 0,56877 0,01413
284,07000 15,63776 0,93685 0,62925 0,01005
288,94000 27,42485 0,92881 0,65345 0,00333
292,86000 19,81221 0,91110 0,57265 0,00435
302,16000 21,72158 0,90768 0,52306 0,02219
304,75000 21,83510 0,57958 0,57759 0,00975
197
307,70000 25,37123 0,88705 0,56426 0,01408
315,32000 17,09596 0,38232 0,48762 0,11582
320,08000 19,52629 0,08673 0,62951 0,01045
325,18000 24,74554 0,16364 0,51231 0,05535
329,85000 14,00347 0,84147 0,44730 0,00921
334,92000 15,66575 0,81693 0,39505 0,00572
340,35000 30,36177 0,51800 0,65635 0,00459
345,25000 31,21520 0,16445 0,72269 0,01067
351,39000 27,75366 0,86990 0,55202 0,00706
355,30000 23,90326 0,93105 0,55757 0,00373
360,82000 23,90088 0,91833 0,39216 0,01050
364,55000 18,33031 0,67831 0,65809 0,00603
370,18000 25,59255 0,90051 0,63348 0,00766
375,33000 21,23711 0,90590 0,42877 0,01276
379,26000 16,90074 0,87376 0,78393 0,00438
384,58000 30,66277 0,89197 0,52087 0,00665
388,10000 20,51041 0,83468 0,37964 0,01209
395,11000 14,96923 0,83817 0,53677 0,01610
403,39000 13,00118 0,94608 0,67182 0,01569
407,54000 21,36736 0,93548 0,59251 0,01016
413,49000 29,83640 0,86258 0,50404 0,01585
419,18000 23,66103 0,89012 0,58793 0,00506
426,39000 26,06911 0,90339 0,76057 0,00585
429,54000 19,79801 0,90770 0,74913 0,00832
435,01000 21,97096 0,91550 0,53684 0,00880
439,59000 26,56625 0,90980 0,90406 0,00666
442,42000 24,39185 0,94583 0,89920 0,00984
444,94000 25,34716 0,93944 0,97747 0,00394
447,97000 23,06451 0,86056 0,83434 0,01088
450,45000 19,78371 0,98855 0,84714 0,06622
453,65000 19,81221 0,94863 0,94312 0,00737
458,85000 22,21240 0,94273 0,98548 0,00495
462,43000 46,59775 0,94121 0,91304 0,00188
198
471,55000 20,88448 0,97321 0,89990 0,08014
475,15000 22,93672 0,94444 0,90814 0,00471
479,55000 31,16868 0,96982 0,84164 0,00772
484,35000 19,29925 0,94774 0,97725 0,00402
487,80000 23,17498 0,94050 0,96639 0,00395
492,05000 22,44828 0,95912 0,91987 0,00708
494,14000 28,24838 0,96099 0,87140 0,00499
497,93000 22,82893 0,96296 0,88747 0,02247
502,78000 22,56940 0,95336 0,95455 0,00460
506,93000 18,33031 0,95662 0,82116 0,00996
511,97000 23,66103 0,97525 0,95459 0,00854
199
APENDICE H
Las siguientes imgenes muestran la fotomicrografa y el espectro de rayos X por
difraccin de electrones secundarios para las muestras asociadas a las
profundidades de 127,40 y 140,25 metros.
Figura H.2: Fotomicrografa y Espectro de rayos X y para muestra ubicada a
127.40 metros. Tomado de Lpez, (2009)
Figura H.2: Espectro de rayos X y fotomicrografa para muestra ubicada a
147.25 metros. Tomado de Lpez, (2009).
200
APENDICE I
En las pginas siguientes, se muestran los registros de Cociente S inferido y
Cociente S experimental, para las pruebas realizadas, considerando un total de 62
muestras. Se exhiben los resultados obtenidos para todas las combinaciones y
composiciones entre variables que fueron expuestas en el cuerpo del libro, as como
los resultados que se derivan tanto para el modelo simple como para el modelo semi-
logaritmico.
201
APENDICE I1: Cociente S inferido a partir de valores experimentales de para el pozo Saltarn 1A (0m-511.07m)
considerando 62 muestras de roca: (a) Cociente S inferido para 2 reglas difusas, (b) Cociente S inferido para 3 reglas
difusas (c) Cociente S inferido para 4 reglas difusas, (d) Cociente S inferido para 5 reglas difusas.
202
APENDICE I2: Cociente S inferido a partir de valores experimentales de y SIRM para el pozo Saltarn 1A (0m-
511.07m) considerando 62 muestras de roca: (a) Cociente S inferido para 2 (1,2) reglas difusas, (b) Cociente S inferido para
2 (2,1) reglas difusas (c) Cociente S inferido para 3 (1,3) reglas difusas, (d) Cociente S inferido para 3 (3,1) reglas difusas,
(e) Cociente S inferido para 4 (1,4) regla difusas.
203
APENDICE I3: Cociente S inferido a partir de valores experimentales de y SIRM para el pozo Saltarn 1A (0m-
511.07m) considerando 62 muestras de roca: (a) Cociente S inferido para 4 (4,1) 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 5 (5,1) reglas difusas.
204
APENDICE I4: Cociente S inferido a partir de valores experimentales de y