Skip to main content
search

El aprendizaje automático en geología es una herramienta muy prometedora para mejorar la eficacia y la calidad de la investigación, la interpretación y el modelado geológicos. Actualmente está evolucionando rápidamente y se consolidará para aportar un valor excepcional a la exploración y la minería.
Imago, ahora parte de Seequent, trabaja con empresas de todo el mundo para desarrollar el aprendizaje automático (Machine Learning, ML) a través de imágenes geocientíficas, e incluye la mejora de los procedimientos y los flujos de trabajo para utilizar los resultados del ML.

El ML es el concepto de entrenar a un ordenador para que realice clasificaciones, conteos o predicciones a partir de la entrada de datos. Los avances en la captura y la calidad de las imágenes, junto con la computación en la nube, dieron lugar a la oportunidad de combinar las imágenes de testigos de perforación y cortes con el ML para ayudar a los geólogos a tomar decisiones con mayor rapidez y precisión.

En este blog, describiremos cómo puede preparar sus imágenes geocientíficas para el ML, descubrir más beneficios y conocimientos, y hacer más descubrimientos.

Pasos del ML con imágenes geológicas

Para comenzar a identificar los problemas y las oportunidades que desea resolver con el ML, primero debe asegurarse de que sus datos de imágenes estén preparados, sean de una calidad alta y consistente, y que se pueda acceder a ellos fácilmente. Para mantener este enfoque, sistematice su captura y clasificación de imágenes y la manera en que las imágenes se conectan con otros procesos geológicos.

Paso 1.
Establezca un flujo de trabajo eficiente para capturar y catalogar fotografías de una calidad alta y consistente.

Paso 2.
Construya una biblioteca en la nube adecuada para el ML.

Cuando se trata de varios archivos de gran tamaño, la nube ofrece la capacidad de almacenamiento y gestión de archivos ilimitada que se necesita, al tiempo que garantiza que las imágenes sean accesibles y se puedan distribuir al instante a los modelos basados en la nube y al navegador del usuario.

Paso 3.
Integre la biblioteca de imágenes con las herramientas y tareas diarias del equipo de geología.
Esto no solo proporciona acceso instantáneo para la supervisión de perforación y geología, sino que proporciona las herramientas de visualización de imágenes necesarias para la colaboración; y la integración de sus imágenes de alta calidad con los flujos de trabajo existentes le ayudará a usted y a su equipo a comprender el valor actual y el valor potencial adicional del ML.

Paso 4.
Defina el problema o la oportunidad y el valor de los posibles proyectos de ML y revise el potencial de los datos disponibles para abordar el problema o la oportunidad. Los siguientes son algunos ejemplos:

  • Identifique casos de clasificación deficiente de las unidades litológicas importantes durante el registro manual.
  • Determine el porcentaje de tipos de minerales que se distinguen visualmente, como los sulfuros.
  • Cuantifique la densidad y las características de las vetas.
  • Valore las propiedades geomecánicas a partir de imágenes.
  • Verifique las estructuras, RQD.
  • Recorte y alinee las imágenes.

Cajas de testigos de perforación que se visualizan en la plataforma de Imago (derecha) y en Leapfrog (izquierda). El geólogo hace clic en el trazado de sondaje para visualizar las fotos de testigos de perforación correspondientes en Imago como un sondaje con la profundidad correcta, lo que permite la validación de registros y análisis. El acceso a imágenes geocientíficas proporciona información detallada que respalda la interpretación y el modelado, y ayuda a identificar problemas para resolver con ML.

Imago proporciona un flujo de trabajo de captura de imágenes para lograr imágenes de una calidad alta y consistente que luego se clasifican y almacenan automáticamente en Imago Portal (Portal de Imago), y quedan listas para su recorrido de ML. Con Imago puede hacer lo siguiente:

  • Automatice la clasificación de las imágenes de testigos de perforación con el proyecto correcto, el número de caja de testigos de perforación y la profundidad «desde» y «hasta».
  • Automatice el recorte de las fotos de cajas de testigos de perforación. Para ello, una las series de testigos de perforación, gírelos 90 grados para visualizarlos como una perforación continua junto con otros conjuntos de datos, como análisis o imágenes de visores.
  • Se integra con Leapfrog y otras herramientas geológicas y de modelado para proporcionar una visualización instantánea de las imágenes, y así respaldar y validar las decisiones geológicas.
  • Exporte anotaciones que se hayan hecho en el portal de Imago para preparar modelos.

Enmascaramiento y clasificación en el portal de Imago.

A la izquierda se observan las fotos de testigos de perforación originales, a la derecha las predicciones de las condiciones de los testigos de perforación. El centro representa el valor estimado de Imago RQD, que se puede exportar como atributo a un archivo csv.

Mire el ML en acción en este video de 20 segundos. Segmentación de ML de Imago

El fundador de Imago, Federico Arboleda, concluye lo siguiente: «Imago establece un procedimiento consistente para capturar imágenes de alta calidad, que se integran con los flujos de trabajo existentes y permiten identificar problemas. Las imágenes geocientíficas proporcionan información detallada que respalda la interpretación y el modelado con la oportunidad futura de automatizar el registro y validar los flujos de trabajo».

Obtenga más información sobre Imago aquí.