Método de Interpolación para modelado de propiedades petrofísicas basado en Kernel Gaussiano Truncado
DOI:
https://doi.org/10.5281/zenodo.18149001Palabras clave:
Kernel Gaussiano Truncado, interpolación, geoestadística, modelado de petrofísicaResumen
Este trabajo presenta el desarrollo metodológico, formulación y validación de un nuevo interpolador determinístico: el Kernel Gaussiano Truncado (KGT), el cual está basado en los fundamentos de la Smoothed Particle Hydrodynamics (SPH); es un método libre de malla diseñado para manejar datos dispersos y heterogéneos, comunes en la exploración y producción de hidrocarburos. La metodología propuesta incluye un proceso robusto para la optimización de sus hiperparámetros mediante la minimización del Error Cuadrático Medio (MSE). El desempeño del KGT se valida, rigurosamente, mediante pruebas estadísticas y su comparación con el Kriging Universal en un campo de estudio. Los resultados demuestran una mejora significativa en la precisión predictiva y una alta capacidad de generalización en pruebas a ciegas, lo que reduce el sobreajuste, con lo que sienta las bases para el KGT como alternativa precisa y robusta para el modelado de propiedades petrofísicas.
Descargas
Referencias
Amicarelli, A., & Sigalotti, L. D. G. (2025). Dispersion analysis of SPH for parabolic equations: High-order kernels against tensile instability. Journal of Computational Physics, 510, 113075. https://doi.org/10.1016/j.jcp.2024.113075
Bui, H. H., Fukagawa, R., & Sako, K. (2007). SPH-based numerical simulation of soil-water interaction. International Journal for Numerical and Analytical Methods in Geomechanics, 31(8), 1045-1066.
Duvenaud, D., Lloyd, J. R., Grosse, R., Tenenbaum, J. B., & Ghahramani, Z. (2013). Gaussian Process Kernels for Pattern Discovery and Extrapolation. Advances in Neural Information Processing Systems, 26.
Evensen, G. (2003). The Ensemble Kalman Filter: theoretical formulation and practical implementation. Ocean Dynamics, 53(4), 343-367.
Gingold, R. A., & Monaghan, J. J. (1977). Smoothed particle hydrodynamics: theory and application to non-spherical stars. Monthly Notices of the Royal Astronomical Society, 181, 375-389.
Goovaerts, P. (1997). Geostatistics for Natural Resources Evaluation. Oxford University Press.
Görtler, J., Pösl, C., & Weiskopf, D. (2019). Gaussian kernels and other locally supported models. En Kernel-Based Approximation Methods Using MATLAB (pp. 55-74). World Scientific Publishing.
Haldorsen, H. H., & Damsleth, E. (1990). Stochastic modeling. Journal of Petroleum Technology, 42(4), 404-412.
Isaaks, E. H., & Srivastava, R. M. (1989). An Introduction to Applied Geostatistics. Oxford University Press.
Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). Pearson Prentice Hall.
Journel, A. G., & Huijbregts, C. J. (1978). Mining Geostatistics. Academic Press.
Li, Y., & Wu, H. (2018). Gaussian Process Kernels for Support Vector Regression in Wind Energy Prediction. Journal of Renewable and Sustainable Energy, 10(4), 043301. https://doi.org/10.1063/1.5035118
Lucy, L. B. (1977). A numerical approach to the testing of the fission hypothesis. The Astronomical Journal, 82, 1013-1024.
Matheron, G. (1963). Principles of geostatistics. Economic Geology, 58(8), 1246-1266.
Pérez, R., García, L., & Rodríguez, F. (2019). Estudio de transformadas multi-atributo para la predicción de propiedades petrofísicas a partir de datos sísmicos en un yacimiento de la Cuenca del Golfo de México. Revista de Ingeniería Petrolera, 59(2), 45-58.
Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. The MIT Press.
Xu, X., & Haq, B. U. (2022). Seismic facies analysis: Past, present and future. Earth-Science Reviews, 224, 103876. https://doi.org/10.1016/j.earscirev.2021.103876
Publicado
Número
Sección
Licencia
Derechos de autor 2026 PetroRenova Indexed
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
