Resumen

Utilizamos un método jerárquico de clases neurodifusas basado en la partición del espacio binario (método de clases NFHB) para la clasificación macroscópica de la textura de las rocas. La relevancia de este estudio es ayudar a los geólogos en el diagnóstico y planificación de la exploración de yacimientos petrolíferos. El método propuesto es capaz de generar su propia estructura de decisión, con extracción automática de reglas difusas. Estas reglas son interpretables lingüísticamente, explicando así la estructura de datos obtenida. La clasificación de imágenes presentada para rocas macroscópicas se basa en descriptores de textura, como el coeficiente de variación espacial, el coeficiente de Hurst, la entropía y la matriz de coocurrencia. Se han evaluado cuatro clases de rocas mediante el método NFHB-Class: gneis (dos subclases), basalto (cuatro subclases), diabasa (cinco subclases) y riolita (cinco subclases). Estas cuatro clases de rocas son de gran interés en la evaluación de sondeos petrolíferos, tarea considerada compleja por los geólogos. Presentamos un método informático para resolver este problema. Para evaluar el rendimiento del sistema, utilizamos 50 imágenes RGB para cada clase y subclase de roca, con lo que obtuvimos un total de 800 imágenes. Para todas las clases de rocas, el método NFHB-Class alcanzó un porcentaje de aciertos correctos superior al 73%. El método propuesto convergió en todas las pruebas presentadas en el estudio.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:clases de rocas, subclases, método de clases, nfhb, clasificación macroscópica de la textura de las rocas, método de clases difusas, partición binaria del espacio, exploración de yacimientos petrolíferos, estructura de decisión propia, coeficiente de variación espacial
• Keywords:rock classes, subclasses, class method, nfhb, macroscopic rock texture classification, fuzzy class method, binary space partitioning, oil reservoir exploration, own decision structure, spatial variation coefficient