Sondara, Estimación y Simulación de Sondajes Comparadas en Pozos Reservados Reales
Tres familias públicas de sondajes pasan por un mismo pipeline reproducible, y doce métodos de estimación y simulación, desde el vecino más cercano y el kriging hasta SNESIM, Direct Sampling, DeepKriging y KCN, predicen los mismos pozos reservados con una misma evaluación. En el hierro de Rocklea el kriging ordinario mantiene su lugar; los métodos aprendidos capturan la estructura sin superarlo.
Contexto de Negocio
Para un geólogo de proyecto o un equipo de recursos el valor es una comparación reproducible: en qué estimador confiar con estos pozos, cuánto agrega realmente un modelo aprendido y dónde los datos son más débiles de lo que parecen (una columna espectral nombrada como razón que es una longitud de onda, doce pozos cuyas profundidades espectrales están desplazadas respecto de los ensayos). Es evidencia para elegir un método, no una estimación de recursos.
Valor Estratégico
Sondara está en construcción con su plan como autoridad de implementación: ocho de diez etapas del pipeline están construidas y cada celda de escenario está contabilizada (61 calculadas, 20 verificadas por pruebas, 4 pendientes para exportar y validar). La página publicada aún muestra el visor local de la versión 0.2; el producto web reconstruido sobre estos resultados viene después de exportar y validar. Hermano de Aerovia por disciplina de reconstrucción.
El Desafío
Las estimaciones de sondajes suelen juzgarse por el método que las produjo. La pregunta honesta es otra: qué método predice un pozo que nunca entró al modelo, con datos reales, y si la diferencia supera el ruido entre pozos. Responderla exige fuentes reales fijadas por hash, particiones por pozo completo, los mismos objetivos para todos los métodos y una evaluación que también diga cuándo un modelo no aprendió nada.
Nuestro Enfoque
Un pipeline offline de ocho etapas construidas (adquisición, ingesta, preprocesamiento, particiones, atributos, ajuste, inferencia, evaluación) sobre Rocklea Dome (CSIRO, 5.035 intervalos multielemento de un metro en 158 pozos), Alberta MAR_19860002 (22 pozos inclinados con geología registrada) y NTGS 12LE002 (un pozo con once estaciones de desviación medidas). Los métodos clásicos y Direct Sampling corren sobre geocond, el motor publicado en PyPI; SNESIM corre con MPSlib en un commit fijado; DeepKriging y KCN se entrenan en GPU y se publican como modelos ONNX auditados, con paridad entre CPU, CUDA y ONNX. Todos los métodos predicen los mismos pozos reservados y los intervalos pareados por bloques de pozos deciden si una diferencia es real.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Todos los métodos, los mismos pozos reservados | Cada método juzgado con su propia validación cruzada | Doce métodos predicen los mismos objetivos en particiones por pozo completo; intervalos bootstrap pareados por bloques de pozos contra el kriging ordinario | Una diferencia menor que el ruido entre pozos se informa como ninguna |
| Un modelo aprendido debe superar su propio control | Una red neuronal comparada solo con kriging | Controles con etiquetas mezcladas y una referencia de media de entrenamiento: en Rocklea ambos métodos aprendidos superan sus controles por 2,3 a 5,4 % en peso de MAE sin superar al OK; en la partición por grupos de pozos de Alberta ningún método supera la media de entrenamiento | Si un modelo aprendió algo se mide, no se supone |
| No es una estimación de recursos, por escrito | Una comparación leída como una estimación certificada | Predicciones en los centros de soporte, no leyes de bloque; simulaciones condicionadas a interpretaciones rotuladas; tres pozos de prueba de Alberta declarados evidencia débil | El alcance se mantiene honesto mientras el producto crece |
Arquitectura
sondara pipeline
Stack Tecnológico
Capturas de la Aplicación
