Utilización de Inteligencia Artificial y Aprendizaje Automático para predicción de Carbono Orgánico Total a partir de datos de geoquímica

"La predicción del contenido de carbono orgánico total (COT) es un indicador crucial para evaluar las características geoquímicas de las rocas madre. Aunque los enfoques basados en regresión múltiple y la clasificación del índice de contenido de pelitas pueden estimar el contenido de COT en diferentes capas, los modelos tienden a ser bastante sencillos y sus resultados no son del todo precisos. Este estudio emplea métodos de inteligencia artificial para predecir el contenido de COT en la Formación Vaca Muerta en las áreas de Chacay Melehue (Chos Malal), Puerta Curaco (Chos Malal) y datos provenientes de una transecta NO - SE en el depocentro Añelo. Los hallazgos indican que: Existen determinados parámetros que favorecen una curva de predicción más precisa de COT. Existen modelos predictivos que favorecen valores de COT más precisos. El valor de COT predicho por redes neuronales y Support Vector Machines se aproxima más al valor medido. Estos métodos de predicción del contenido de COT tienen un gran potencial para su aplicación en la exploración y desarrollo de petróleo y gas en el futuro." "The prediction of total organic carbon (TOC) content is a critical indicator for assessing the geochemical characteristics of source rocks. Although methods based on multiple regression and shale content index classification can estimate TOC content in various mudstone layers, these models tend to be relatively simple and less accurate. This study applies several machine learning methods to predict the TOC content in the Vaca Muerta Formation in areas from Chacay Melehue (Chos Malal), Puerta Curaco (Chos Malal) and a NW-SE transect within the Añelo depocenter. The results indicate that certain parameters favor a more accurate TOC prediction curve, some predictive models provide more precise values, and the TOC values predicted by neural networks and Support Vector Machines are closer to the measured ones. These prediction methods show great potential for application in future oil and gas exploration and development."