Redes Neuronales Artificiales: Una Realidad.
Las Redes Neuronales Artificiales, la Programación Evolutiva y la Lógica Difusa son algunos de los paradigmas que están clasificados como Inteligencia Virtual. La Inteligencia Virtual puede definirse como un conjunto de nuevas herramientas de análisis que intenta imitar la vida. Las técnicas de inteligencia virtual muestran una capacidad de aprender y hacer frente a nuevas situaciones. Estas técnicas poseen uno o más atributos de la "razón", como la generalización, el descubrimiento, la asociación y la abstracción.
En la última década la Inteligencia Virtual ha madurado a un conjunto de herramientas de análisis que facilitan la solución de problemas que antes eran difíciles o imposibles de resolver. La tendencia ahora parece ser la integración de estas herramientas en conjunto, con herramientas convencionales tales como el análisis estadístico, que permita la construcción de sofisticados sistemas que puede resolver problemas difíciles. Estas herramientas se utilizan en la actualidad en muchas disciplinas diferentes y han encontrado su camino en productos comerciales. La inteligencia virtual se utiliza en ámbitos como el diagnóstico médico, la detección de fraude de tarjetas de crédito, aprobación préstamo bancario, electrodomésticos inteligentes, sistemas de metro, transmisiones automáticas, la gestión de la cartera financiera, sistemas de navegación de robots, y muchos más. En la industria de petróleo y gas estas herramientas se han utilizado para resolver problemas relacionados con el análisis de presión transiente, así como la interpretación de registros, caracterización de yacimientos, y la selección de pozos candidatos para la estimulación, entre otras aplicaciones.
Estructura de una Red Neuronal
Una Red Neuronal Artificial es un sistema de procesamiento de información que tiene ciertas características en común con las redes neuronales biológicas. Por ello, es conveniente describir brevemente una red neuronal biológica antes de ofrecer una definición de redes neuronales artificiales. Todos los organismos vivos están formados por células. Los elementos básicos del sistema nervioso son las células nerviosas, llamadas neuronas.
Una neurona típica contiene un cuerpo celular donde se encuentra el núcleo, unas dendritas y un axón. La información entra en el cuerpo celular de las dendritas en forma de un tren de impulsos electro-químicos (señales). Dependiendo de la naturaleza de esta entrada la neurona se activa en una forma excitatoria o inhibitoria y ofrece una respuesta que viaja a través del axón y se conecta con otras neuronas a través de lo que se convierte en la entrada a la neurona receptora. El momento cuando la terminación del axón de una neurona entra en estrecha proximidad con las dendritas o el cuerpo celular de otra, se llama sinapsis. Las señales que viajan desde la primera neurona inician un tren de impulsos electro-químicos (señales) en la segunda neurona.
Las Redes Neuronales Artificiales son una simulación preliminar aproximada y simplificada del proceso que ya se ha explicado. Una Red Neuronal Artificial puede ser definida como un sistema de procesamiento de información que tiene ciertas características similares a las redes neuronales biológicas. Ellos se han desarrollado como generalización de los modelos matemáticos de la cognición humana o de la biología neural, en base a la hipótesis de que:
1. El procesamiento de la información se produce en muchos elementos simples que se llaman neuronas (elementos de procesamiento).
2. Las señales se transmiten entre las neuronas a través de los enlaces de conexión.
3. Cada conexión tiene asociado un vínculo de peso, que, en una red neuronal típica, multiplica la señal que se transmite.
4. Cada neurona aplica una función de activación (por lo general no lineal) a su red de entrada para determinar su señal de salida.
Mecánica de la operación de las Redes Neuronales
Una Red Neuronal Artificial es un conjunto de neuronas que se organizan en formaciones específicas. Las neuronas se agrupan en capas. En una red multicapa hay por lo general, una capa de entrada, una o más capas ocultas y una capa de salida. El número de neuronas en la capa de entrada se corresponde con el número de parámetros que se presentan a la red como entrada. Lo mismo es cierto para la capa de salida. Cabe señalar que el análisis de redes neuronales no se limita a una sola salida, y que las redes neuronales pueden ser entrenadas para construir neuro-modelos con múltiples salidas. Las neuronas en la capa o capas ocultas son principalmente responsables de la característica de extracción. Proporcionan una mayor dimensionalidad y acomodan tareas como la clasificación y el reconocimiento de patrones.
Hay muchos tipos de redes neuronales. Una de las clasificaciones más populares se basa en los métodos de entrenamiento. Las redes neuronales se pueden dividir en dos grandes categorías sobre la base de los métodos de entrenamiento, supervisadas y no supervisadas. Las no supervisadas, son principalmente las agrupaciones y los algoritmos de clasificación. Se han empleado en la industria de petróleo y gas para interpretar registros de pozos y determinar litología. Se les llama no supervisadas simplemente porque no se proporciona retroalimentación a la red. La red es llamada a clasificar los vectores de entrada en grupos y categorías. Esto requiere un cierto grado de redundancia en la entrada de datos y, por tanto, se tiene la noción de que esa redundancia es conocida. La mayoría de las aplicaciones de redes neuronales en la industria de petróleo y gas se basan en algoritmos de entrenamiento supervisado. Durante un proceso de entrenamiento supervisado la entrada y la salida de información son presentadas a la red para permitir el aprendizaje en base a la retroalimentación. Se seleccionan la topología y el algoritmo de entrenamiento, luego la red neuronal es entrenada hasta que converge. Durante el proceso de entrenamiento de redes neuronales se trata de converger a una representación interna del comportamiento del sistema.
En la última década la Inteligencia Virtual ha madurado a un conjunto de herramientas de análisis que facilitan la solución de problemas que antes eran difíciles o imposibles de resolver. La tendencia ahora parece ser la integración de estas herramientas en conjunto, con herramientas convencionales tales como el análisis estadístico, que permita la construcción de sofisticados sistemas que puede resolver problemas difíciles. Estas herramientas se utilizan en la actualidad en muchas disciplinas diferentes y han encontrado su camino en productos comerciales. La inteligencia virtual se utiliza en ámbitos como el diagnóstico médico, la detección de fraude de tarjetas de crédito, aprobación préstamo bancario, electrodomésticos inteligentes, sistemas de metro, transmisiones automáticas, la gestión de la cartera financiera, sistemas de navegación de robots, y muchos más. En la industria de petróleo y gas estas herramientas se han utilizado para resolver problemas relacionados con el análisis de presión transiente, así como la interpretación de registros, caracterización de yacimientos, y la selección de pozos candidatos para la estimulación, entre otras aplicaciones.
Estructura de una Red Neuronal
Una Red Neuronal Artificial es un sistema de procesamiento de información que tiene ciertas características en común con las redes neuronales biológicas. Por ello, es conveniente describir brevemente una red neuronal biológica antes de ofrecer una definición de redes neuronales artificiales. Todos los organismos vivos están formados por células. Los elementos básicos del sistema nervioso son las células nerviosas, llamadas neuronas.
Una neurona típica contiene un cuerpo celular donde se encuentra el núcleo, unas dendritas y un axón. La información entra en el cuerpo celular de las dendritas en forma de un tren de impulsos electro-químicos (señales). Dependiendo de la naturaleza de esta entrada la neurona se activa en una forma excitatoria o inhibitoria y ofrece una respuesta que viaja a través del axón y se conecta con otras neuronas a través de lo que se convierte en la entrada a la neurona receptora. El momento cuando la terminación del axón de una neurona entra en estrecha proximidad con las dendritas o el cuerpo celular de otra, se llama sinapsis. Las señales que viajan desde la primera neurona inician un tren de impulsos electro-químicos (señales) en la segunda neurona.
Las Redes Neuronales Artificiales son una simulación preliminar aproximada y simplificada del proceso que ya se ha explicado. Una Red Neuronal Artificial puede ser definida como un sistema de procesamiento de información que tiene ciertas características similares a las redes neuronales biológicas. Ellos se han desarrollado como generalización de los modelos matemáticos de la cognición humana o de la biología neural, en base a la hipótesis de que:
1. El procesamiento de la información se produce en muchos elementos simples que se llaman neuronas (elementos de procesamiento).
2. Las señales se transmiten entre las neuronas a través de los enlaces de conexión.
3. Cada conexión tiene asociado un vínculo de peso, que, en una red neuronal típica, multiplica la señal que se transmite.
4. Cada neurona aplica una función de activación (por lo general no lineal) a su red de entrada para determinar su señal de salida.
Mecánica de la operación de las Redes Neuronales
Una Red Neuronal Artificial es un conjunto de neuronas que se organizan en formaciones específicas. Las neuronas se agrupan en capas. En una red multicapa hay por lo general, una capa de entrada, una o más capas ocultas y una capa de salida. El número de neuronas en la capa de entrada se corresponde con el número de parámetros que se presentan a la red como entrada. Lo mismo es cierto para la capa de salida. Cabe señalar que el análisis de redes neuronales no se limita a una sola salida, y que las redes neuronales pueden ser entrenadas para construir neuro-modelos con múltiples salidas. Las neuronas en la capa o capas ocultas son principalmente responsables de la característica de extracción. Proporcionan una mayor dimensionalidad y acomodan tareas como la clasificación y el reconocimiento de patrones.
Hay muchos tipos de redes neuronales. Una de las clasificaciones más populares se basa en los métodos de entrenamiento. Las redes neuronales se pueden dividir en dos grandes categorías sobre la base de los métodos de entrenamiento, supervisadas y no supervisadas. Las no supervisadas, son principalmente las agrupaciones y los algoritmos de clasificación. Se han empleado en la industria de petróleo y gas para interpretar registros de pozos y determinar litología. Se les llama no supervisadas simplemente porque no se proporciona retroalimentación a la red. La red es llamada a clasificar los vectores de entrada en grupos y categorías. Esto requiere un cierto grado de redundancia en la entrada de datos y, por tanto, se tiene la noción de que esa redundancia es conocida. La mayoría de las aplicaciones de redes neuronales en la industria de petróleo y gas se basan en algoritmos de entrenamiento supervisado. Durante un proceso de entrenamiento supervisado la entrada y la salida de información son presentadas a la red para permitir el aprendizaje en base a la retroalimentación. Se seleccionan la topología y el algoritmo de entrenamiento, luego la red neuronal es entrenada hasta que converge. Durante el proceso de entrenamiento de redes neuronales se trata de converger a una representación interna del comportamiento del sistema.
En un típico procedimiento neuronal de procesamiento de datos, la base de datos se divide en tres partes llamadas entrenamiento, calibración y verificación de conjuntos. El conjunto de entrenamiento se utiliza para desarrollar la red deseada. En este proceso, el resultado deseado en el entrenamiento se utiliza para ayudar a la red a ajustar los pesos entre las neuronas o de sus elementos de procesamiento. Durante el proceso de entrenamiento se plantea la cuestión de saber cuándo detener la formación. Ya que una red puede estar sobre-entrenada. En la literatura sobre redes neuronales esto es conocido también como memorización. Una vez que la red de memoriza un conjunto de datos, sería incapaz de la generalización. El desempeño de una red neuronal sobre-entrenada es similar a un complejo análisis de regresión no lineal. Con el fin de evitar un exceso de entrenamiento o la memorización, es una práctica común detener el proceso de entrenamiento cada cierto tiempo y a aplicar a la red un conjunto de datos de calibración. Como la respuesta al conjunto de datos de calibración no ha sido presentada a la red, se puede evaluar la capacidad de la red para la generalización por lo bien que predice la respuesta al conjunto de datos de calibración. Una vez que el proceso de entrenamiento se completa con éxito, la red se aplica a los datos de verificación. Durante el proceso de entrenamiento de cada neurona artificial se ocupa de varias funciones básicas. En primer lugar, se evalúan las señales de entrada y determina la fuerza de cada uno de ellos. En segundo lugar, se calcula un total de la combinación de las señales de entrada y compara ese total para algún nivel umbral. Por último, se determina lo que debería ser la respuesta. La transformación de la data de entrada en la respuesta - dentro de una neurona - se lleva a cabo utilizando una función de activación. Inicialmente a cada entrada se le asigna un peso relativo al azar. En algunas aplicaciones avanzadas, basados en la experiencia, el peso relativo asignado inicialmente puede no ser aleatorio. Durante el proceso de entrenamiento el peso de las entradas es ajustado. El peso de la entrada representa la fuerza de su conexión con la neurona de la capa siguiente. Los pesos son los coeficientes de adaptación dentro de la red que determinan la intensidad de la señal de entrada.
Las señales que llegan a una neurona pueden ser positivos (excitatorias) o negativos (inhibitorias). Una aportación positiva promueve el impulso de los elementos de procesamiento, mientras que una negativa de entrada tiende a mantener el elemento de transformación de los impulsos. Por otra lado, en los algoritmos de propagación, uno de los algoritmos de entrenamiento supervisado más utilizados, la respuesta de la red se compara con el resultado deseado que forma parte del conjunto de datos de entrenamiento, y la diferencia (error), se propaga hacia atrás a través de la red. Durante esta vuelta de propagación de errores los pesos de las conexiones entre neuronas se ajustan. Este proceso es seguido de manera sistemática. La red converge cuando su producción es aceptable dentro de la proximidad de la salida deseada.
Aplicaciones en la Industria de Petróleo y Gas
Las Redes Neuronales se han utilizado para predecir o medir virtualmente las características de la formación tales como porosidad, permeabilidad y saturación de fluido a partir de registros convencionales de pozos. También consta en la literatura que las Redes Neuronales tienen el potencial de ser utilizado como un instrumento de análisis para la generación de imágenes de resonancia magnética sintéticas a partir de los registros de pozos convencionales. Hay muchas más aplicaciones de las Redes Neuronales en la industria de petróleo y gas. Incluyen aplicaciones al desarrollo de campos, flujo bifásico en tuberías, la identificación de modelos en la interpretación de pruebas de pozos, análisis de terminaciones, la predicción del daño de formación, predicción de la permeabilidad, y en yacimientos fracturados.
Conclusión
Si un problema se puede resolver utilizando los métodos convencionales, no se debería utilizar Redes Neuronales o cualquier otra técnica de inteligencia virtual para resolverlos. Las Redes Neuronales se deben utilizar en los casos en que el modelado matemático no es una opción práctica. Esto es cuando los parámetros que intervienen en un proceso particular no se conocen y / o la interrelación de los parámetros es demasiado complicado para el modelado matemático del sistema. En tales casos, una Red Neuronal puede ser construida para observar el comportamiento del sistema y tratar de imitar su funcionalidad y comportamiento.
Fuentes y Referencias Bibliográficas:
Al‑Kaabi, A., Lee, W. J., "Using Artificial Neural Nets to Identify the Well Test Interpretation Model," SPE Formation Evaluation, Sept. 1993.
Doraisamy, H., Ertekin, T., Grader, A. "Key Parameters Controlling the Performance of Neuro Simulation Applications in Field Development," SPE 51079, Proceedings, SPE Eastern Regional Conference Nov. 9-11, 1998, Pittsburgh, PA.
Juniardi, I. J., Ershaghi, I., "Complexities of Using Neural Networks In Well Test Analysis of Faulted Reservoir," SPE 26106, Proceedings, SPE Western Regional Meeting, 26‑28 March 1993, Anchorage, Alaska.
Mohaghegh, S., Richardson, M., and Ameri, M. “Virtual Magnetic Resonance Imaging Logs: Generation of Synthetic MRI Logs From Conventional Well Logs,” SPE 51075, Proceedings, SPE Eastern Regional Conference Nov. 9-11, 1998, Pittsburgh, PA.
Mohaghegh, S. " Virtual Intelligence and its Applications in Petroleum Engineering. Part 1. Artificial Neural Networks", JPT - Journal of Petroleum Technology, September 2000.
Nikravesh, M., Kovscek, A. R., Jonston, R. M., and Patsek, T. W. "Prediction of Formation Damage During the Fluid Injection into Fractured Low Permeability Reservoirs via Neural networks," SPE 31103, Proceedings, SPE Formation Damage Symposium, Feb. 16-18, 1996, Lafayette, LA.
Ouense, A., Zellou, A., Basinski, P. M., and Head, C. F. "Use of Neural Networks in Tight Gas Fractured Reservoirs: Application to San Juan Basin," SPE 39965, Proceedings, Rocky Mountain Regional Meeting / Low Permeability Reservoir Symposium, April 5-8, 1998, Denver, CO.
Shelley, R., Massengill, D., Scheuerman, P., McRill, P., Hamilton, R. "Granite Wash Completion Optimization with the Aid of Artificial Neural Networks," SPE 39814, Proceedings, Gas Technology Symposium, March 15-18, 1998, Calgary, Alberta.
Shelley, R., Stephenson, S., Haley, W., Craig, E. "Red Fork Completion Analysis with the Aid of Artificial Neural Networks," SPE 39963, Proceedings, Rocky Mountain Regional Meeting / Low Permeability Reservoir Symposium, April 5-8, 1998, Denver, CO.
Sung, W., Hanyang, U., Yoo, I. "Development of HT-BP Neural Network System for the Identification of Well Test Interpretation Model," SPE 30974, Proceedings, SPE Eastern Regional Conference and Exhibition, September 19-21, 1995, Morgantown, West Virginia.
Wong, P. M., Henderson, D. J., Brooks, L. J. "Permeability Determination using Neural Networks in the Ravva Field, Offshore India," SPE reservoir Evaluation and Engineering 1 (2), 1998.
Wong, P. M., Taggart, I. J., Jian, F. X. "A Critical Comparison of Neural networks and Discriminant Analysis in Lithofacies, Porosity and Permeability Predictions," Journal of Petroleum Geology, 18 (2), 1995.
Ternyik, J., Bilgesu, I., Mohaghegh, S., and Rose, D., "Virtual Measurement in Pipes, Part 1: Flowing Bottomhole Pressure Under Multi-phase Flow and Inclined Wellbore Conditions," SPE 30975, Proceedings, SPE Eastern Regional Conference and Exhibition, September 19-21, 1995, Morgantown, West Virginia.
Zellou, A., Ouense, A., and Banik, A. "Improved Naturally Fractured Reservoir Characterization Using Neural networks, Geomechanics and 3-D Seismic," SPE 30722, Proceedings, SPE Annual Technical Conference and Exhibition, October 22-25, 1995, Dallas, TX.
