APRENDIZAJE AUTOMÁTICO PARA LA CLASIFICACIÓN DE FACIES LITOLÓGICAS USANDO ÁRBOLES IMPULSADOS POR GRADIENTE (GBDT)
La interpretación litológica a partir de registros de pozo se realiza tradicionalmente de forma manual, un proceso que consume tiempo y depende de la experiencia del intérprete. En este trabajo se desarrolló un modelo de aprendizaje supervisado basado en Árboles Impulsados por Gradiente (GBDT) para la clasificación automática de litologías, utilizando un conjunto multivariado de registros geofísicos (RMED, RDEP, RHOB, GR, NPHI, PEF, DTC, DTS, DRHO) y el parámetro de perforación ROP. Los datos provienen del conjunto FORCE 2020, correspondiente a 11 pozos (114,924 registros) ubicados en el mar del Norte, entre el Reino Unido y Noruega. La metodología incluyó la recopilación y limpieza de los datos, la imputación de valores faltantes mediante la mediana calculada por litología, y el entrenamiento del modelo con la librería XGBoost bajo un esquema de partición 80/20. El modelo fue validado numéricamente mediante matriz de confusión y contrastado con las litologías reales reportadas en el conjunto de datos, alcanzando una precisión global del 96%, con valores superiores al 98% en litologías como Shale, Chalk y Anhydrite, y menores en clases con pocas muestras como Coal (74%) y Dolomite (61%). Las variables NPHI, GR y ROP resultaron ser las de mayor contribución en la decisión del modelo. Los resultados confirman que el GBDT es una herramienta confiable para apoyar la caracterización de formaciones geológicas y la interpretación de litologías en la industria petrolera.