MODELADO DE CONTENIDO DE MATERIA ORGÁNICA E ÍNDICES DE FRAGILIDAD EN LA FORMACIÓN RÍO MAYER (CUENCA AUSTRAL) UTILIZANDO MACHINE LEARNING CON DATOS DE AFLORAMIENTO

SEBASTIÁN RICHIANO; FEDERICO ARES

La Plata

Congreso; XVIII REUNIÓN ARGENTINA DE SEDIMENTOLOGÍA IX CONGRESO; 2023

Asociación Argentina de Sedimentología

La importancia de la Formación Río Mayer (denominada Formación Palermo Aike en subsuelo) en eldesarrollo hidrocarburífero de la Cuenca Austral es ampliamente reconocida. Las propiedades comoroca madre de hidrocarburos de esta unidad han sido analizadas y demostradas en estudios previos,sin embargo, en la última década, se han realizado algunos avances en considerar a esta unidad comoyacimiento no convencional tipo shale. La exploración de recursos hidrocarburíferos en subsuelo esuna herramienta estratégica para el desarrollo de los estados. Pese a los avances tecnológicos para larecuperación de información proveniente del subsuelo, la generación de modelos de afloramiento quepermitan disminuir el margen de error en la toma de decisiones es fundamental. El uso de modelosmatemáticos utilizando machine learning es poco frecuente en la bibliografía específica relacionada asistemas petroleros, siendo casi exclusivamente utilizado para trabajar con datos que provienendirectamente del subsuelo, y en muchos ejemplos con la finalidad de predecir cualidades en sectorescon menor esfuerzo de muestreo.Se presentan los resultados preliminares de modelado de Carbono Orgánico Total (COT) e Índice deFragilidad (IF) utilizando como base mediciones de DRX de roca total y arcillas en muestras relevadasen la Seccional Río Guanaco (provincia de Santa Cruz). En primera instancia se realizó el análisisexploratorio mediante diversas técnicas de reducción dimensional, como PCA (Análisis deComponentes Principales), T-SNE (t-distributed Stochastic Neighbor Embedding) y UMAP (UniformManifold Approximation and Projection) lo que permitió visualizar conglomerados de valoreshomogéneos de ambas variables bajo estudio. En una segunda etapa se implementó un clasificadorbinario SVC (Support Vector Classifier) de performance intermedia y generalización poco robusta anteparticiones train-test específicas. Los resultados obtenidos son prometedores en cuanto a la factibilidaddel modelado pero sugieren la necesidad de una mayor densidad de muestras para representaradecuadamente la variedad litológica bajo estudio.