Estimación del contenido de dolomita en afloramientos de rocas carbonatadas basada en conocimiento espectral y aprendizaje automático

Estimación precisa del contenido de dolomita en rocas carbonatadas es crucial para optimizar las estrategias de exploración y producción de petróleo y gas. Las técnicas hiperespectrales para estimar el contenido de dolomita tienen ventajas en términos de eficiencia, rentabilidad y no destructividad en comparación con los métodos tradicionales de laboratorio. A pesar de la abundancia de datos hiperespectrales, la selección y extracción de características siguen siendo un desafío. En este estudio, se aplicaron datos hiperespectrales recopilados de un afloramiento superficial en el campo utilizando el dispositivo espectral analítico (ASD) para construir un modelo para estimar el contenido de dolomita. En primer lugar, los datos fueron preprocesados mediante análisis de valores atípicos y transformación de continuo. A continuación, se propuso y aplicó un enfoque híbrido que integra conocimiento espectral con aprendizaje automático para facilitar la selección eficiente y precisa de características de los datos hiperespectrales; en este enfoque, el cribado preliminar basado en el conocimiento espectral es seguido por una selección adicional de características de los datos hiperespectrales utilizando un algoritmo de bosque aleatorio. Las características seleccionadas se combinaron luego utilizando un algoritmo de regresión de soporte vectorial para obtener el modelo de estimación. Finalmente, se evaluó la precisión del modelo utilizando los datos hiperespectrales de muestras de afloramientos en el campo. Para verificar aún más la efectividad de este método, se compararon varias combinaciones de ocho variables de entrada y cuatro algoritmos de aprendizaje automático. Entre todas las combinaciones, nuestro modelo logró la mayor precisión con un valor R 2 de test de 0.91 y un error cuadrático medio de solo 0.122. El método propuesto es práctico y eficiente y proporciona datos cuantitativos precisos para que los geólogos de campo identifiquen la distribución de minerales en los afloramientos. Así, nuestro método proporciona un soporte robusto para comprender las características del reservorio y tiene un valor práctico significativo en encuestas geológicas y exploración de minerales.