Predicción directa del contenido mineral a partir de imágenes de núcleos de perforación mediante transferencia de aprendizaje

La exploración profunda del subsuelo es importante para las industrias de minería, petróleo y gas, así como en la evaluación de unidades geológicas para la disposición de desechos químicos o nucleares, o la viabilidad de sistemas de energía geotérmica. Por lo general, se realizan exámenes detallados de formaciones o unidades subsuperficiales sobre cortes o materiales de núcleo extraídos durante las campañas de perforación, así como sobre datos geofísicos de pozos de sondeo, que proporcionan información detallada sobre las propiedades petrofísicas de las rocas. Dependiendo del volumen de muestras de roca y del programa analítico, el análisis y diagnóstico de laboratorio pueden ser muy laboriosos. Este estudio investiga el potencial de utilizar el aprendizaje automático, específicamente redes neuronales convolucionales (CNN), para evaluar la litología y el contenido mineral únicamente a partir del análisis de imágenes de núcleos de perforación, con el objetivo de apoyar y acelerar la exploración geológica del subsuelo. El documento describe una metodología integral, que abarca el preprocesamiento de datos, métodos de aprendizaje automático y técnicas de transferencia de aprendizaje. El resultado revela una notable precisión del 96.7% en la clasificación de segmentos de núcleos de perforación en distintas clases de formación. Además, se entrenó un modelo de CNN para la evaluación del contenido mineral utilizando un conjunto de datos de aprendizaje a partir de datos de análisis de registro multidimensional (silicato, arcilla total, carbonato). Cuando se compara con las mediciones de laboratorio de XRD en muestras de los núcleos, tanto el modelo avanzado de análisis de registro multidimensional como el enfoque de red neuronal desarrollado aquí ofrecen un rendimiento igualmente bueno. Este trabajo demuestra que el aprendizaje profundo y, en particular, la transferencia de aprendizaje pueden apoyar la extracción de propiedades petrofísicas, incluido el contenido mineral y la clasificación de formaciones, a partir de imágenes de núcleos de perforación, ofreciendo así una hoja de ruta para mejorar el rendimiento del modelo y la calidad del conjunto de datos en el análisis basado en imágenes de núcleos de perforación.