Propuesta metodológica para la utilización del machine learning ResiPY
en la prospección de acuíferos situados en formaciones sedimentarias
Methodological proposal for the use of ResiPY machine learning in the prospecting of
aquifers located in sedimentary formations
Mauro Andrés Suárez Villamizar
Santiago Chacón Camargo
Silviandrea Castellanos
Camilo Alexander Delgado
Universidad Industrial de Santander, Colombia
RESUMEN
ResIPy es un software que sirve para hacer modelado 2D y 3D basado en tomografía de resistividad
eléctrica (ERT) y polaridad inducida (IP). Es un machine learning, es decir que se nutre de la
información que se le suministra para cada vez otorgar mejores resultados. En este proyecto se
plantea una metodología para la prospección de acuíferos mediante la visualización y el modelado
2D, dando un paso a paso a seguir para llegar a este fin.
Palabras clave: resistividad, acuífero, registro, geoeléctrica, sondeo, ERT, IP, inversión
ABSTRAC
ResIPy is a software used to make 2D and 3D modeling based on electrical resistivity tomography
(ERT) and induced polarity (IP). It is a machine learning, that is to say that it is nourished by the
information that is supplied to it to provide better results each time. This project proposes a
methodology for prospecting aquifers through visualization and 2D modeling, giving a step by step
to follow to reach this objective.
Key words: resistivity, aquifer, log, geoelectric, sounding, ERT, IP, inversión
INTRODUCCIÓN
Los métodos geoeléctricos son herramientas poderosas y bien establecidas para la caracterización
no intrusiva de propiedades geoeléctricas del subsuelo. Estos métodos se desarrollaron a principios
de la década de 1900 para la exploración de recursos minerales (Blanchy et al., 2020). Entre estos
métodos se encuentran la tomografía de resistividad eléctrica (ERT) y los levantamientos de
polarización inducida (IP), que se utilizan reiteradamente en una amplia gama de estudios
ambientales, ya que presentan ventajas tales como que son no intrusivos, relativamente rápidos y
sencillos de realizar en el campo. Además, estos métodos son sensibles a varias propiedades y
estados del subsuelo, lo que proporciona una ventaja sobre los métodos de muestreo puntuales
convencionales empleados a menudo en estudios ambientales y geotécnicos (Boyd et al., 2019). La
resistividad eléctrica está relacionada con diferentes características del subsuelo, que incluyen la
porosidad y el grado de saturación de agua en la roca (Balsubramanian, 2017).
El agua subterránea contribuye sustancialmente a satisfacer las necesidades de agua para la mayoría
de los fines domésticos, municipales e industriales en todo el mundo, debido a su disponibilidad en
casi todas las partes del mundo.Las ventajas del agua subterránea sobre otras fuentes se han
enfatizado de manera diversa en la literatura, un alto porcentaje de usuarios de agua en el mundo
depende sustancialmente del agua subterránea (Reilly et al., 2008).
El Machine Learning es una técnica asociada a la detección automática de patrones relevantes
dentro de un conjunto de datos, como éste consta de un autoaprendizaje, mediante la adaptación de
ciertos algoritmos de su programación respecto a cierta entrada de datos en su sistema, entre más
información se le proporcione mejores y más precisos serán los resultados que se obtengan
(Cuadrado, 2019). En los últimos años, se ha convertido en una herramienta muy común en
prácticamente todas las tareas que requieren extraer información a partir de grandes cantidades de
datos (Shalev-Shwartz & Ben-David, 2014). Por otro lado, existen diferentes tipos de aprendizaje:
el aprendizaje supervisado y el aprendizaje no supervisado. Cada uno de ellos tiene unas
características y unos algoritmos determinados, por lo que se utilizarán unos u otros dependiendo
del problema (Cuadrado, 2019).
El método de resistividad eléctrica es el mas empleado en la Hidrogeología por la resistencia
eléctrica que poseen las rocas (componentes minerales). El comportamiento de los materiales frente
al paso de la corriente eléctrica tendera a marcar valores altos si dichos materiales son malos
conductores, y viceversa si es buen conductor (valores bajos).
En el presente trabajo se explicó cómo procesar datos de tomografía de resistividad eléctrica y de
polarización inducida en ResIPy, para que posteriormente estos puedan ser interpretados en la
identificación de acuíferos.
OBJETIVO GENERAL
• Plantear una metodología para el uso del machine learning en la prospección de acuíferos y
análisis de estudio de caso utilizando la geoeléctrica.
OBJETIVOS ESPECÍFICO
• Emplear la metodología propuesta en el análisis del estudio de caso de un potencial en la
isla Banggi, Malasia.
• Analizar y definir las técnicas de machine learning a aplicar en el estudio de caso.
• Identificar el comportamiento o las características del acuífero del caso de estudio.
• Realizar la discusión de los resultados con otros autores.
METODOLOGÍA
Importación de datos
ResIPy admite los siguientes formatos: protocol DC, syscal, ResInv (2D/3D), BGS prime Sting,
ABEM-Lund, Lippmann, ARES, BERT y E4D. Para estos, resIPy clasifica automáticamente los
datos que contiene cada tipo de archivo según su tipo.
Si no se cuenta con ninguno de estos tipos de formato, resIPy tiene un apartado para importar datos
en formato .text o .csv y editar los mismos en la interfaz gráfica de usuario (GUI) destinada a este
propósito. Una vez importado de esta forma, a diferencia que los formatos predeterminados, en este
caso se tendrá que establecer manualmente su delimitador y las filas que correspondan a electrodos,
diferencia de potencial, corriente o resistencia de transferencia.
Visualización de los datos
Una vez importados los datos se obtendrá una sección 2D en donde se plasmará la distancia
horizontal, la profundidad y los datos sin procesar de los lugares en donde se tomó la información.
Ésta se presenta en un principio en forma de puntos con un color determinado, pero para una mejor
visualización se recomienda seleccionar la opción “contour” para presentar los datos en una sección
de color sólido.
Inversión de los datos y mallado
La interpretación de los datos geoeléctricos adquiridos de los levantamientos ERT e IP requiere la
inversión de datos para convertir las mediciones sin procesar en una distribución de propiedades
eléctricas (es decir, resistividad eléctrica para los levantamientos ERT). El proceso de inversión
intenta producir un modelo geoeléctrico que sea consistente con los datos observados. Una vez que
se alcanza la convergencia, se puede interpretar el modelo resultante (Boyd Et. Al., 2019). Existen
varios códigos de inversión no comerciales para este propósito, pero a menudo requieren habilidad
de programación o conocimiento especializado de geofísica para ser utilizados de manera efectiva.
Además, pueden carecer de otros pasos de preprocesamiento, como la generación de mallas o el
acondicionamiento de datos.
ResIPy tiene como objetivo abordar esos problemas proporcionando una GUI intuitiva que guía al
usuario a través de los diferentes pasos necesarios para invertir los datos. Para ello, el software da la
posibilidad de realizar automáticamente el proceso de creación del mallado y la inversión de los
datos, esto basado en parámetros que el mismo programa va adoptando a medida que se nutre de
datos que se le suministran.
Resultado
Se obtiene una sección 2D en donde se plasma la distancia horizontal de las mediciones tomadas, la
profundidad de la tomografía vertical eléctrica y el valor de la resistividad obtenido del
procesamiento de datos en la inversión, valor que se puede correlacionar con los datos estándar de
resistividad de agua dulce, salada y diversas litologías.
Error aceptado
Dada la naturaleza no lineal de la inversión, pueden ser necesarias varias repeticones para obtener
un modelo final. Para saber si el resultado obtenido es válido, se debe ir a la pestaña “post-
processing”, en la cual se plasma la ubicación de los puntos correspondientes a los datos obtenidos
y posteriormente invertidos, y al error que cada uno de ellos tiene.
Se considera que el valor del error normalizado debe estar entre -3 y 3 para que el modelo sea
válido (Boyd Et. Al., 2019), por lo que si el modelo arrojó valores que se salen de este rango es
necesario repetir el proceso, y como el software tiene capacidad de autoaprendizaje, cada vez que se
repita el proceso el error será menor, por lo que al final se obtendrá un modelo válido.
CONCLUSIONES
• ResIPy es una herramienta que sirve para importar, filtrar y modelar datos geofísicos,
simplificando los posibles problemas al permitir que los usuarios tengan control total sobre
este.
• ResIPy permite realizar modelos 2D y 3D, al ser de código abierto también es ideal para
fines educativos, a diferencia de otros códigos de inversión que solo filtran datos básicos,
ResIPy presenta un mejor filtrado de datos ya que tiene mayor variedad de estos.
• La determinación de los acuíferos o formaciones con posible contenido de agua se hacen
con los datos del registro de resistividad, estos son importados al software y posteriormente
se invierten los datos para obtener el modelo de las capas en el subsuelo.
• La inversión de datos es un proceso fundamental para obtener validez en un modelado en
base a la resistividad eléctrica, ya que los datos importados en un primer momento carecen
de un procesamiento idóneo para ser representados adecuadamente en un modelo 2D
REFERENCIAS BIBLIOGRÁFICAS
• Muhd Nur Ismail Abdul Rahman , Hafeez Jeofry , Mohd Sazaly Basarian (2020). Electrical
resistivity survey data for potential aquifer in Banggi Island, Sabah, Malaysia, Data in Brief
, doi: https://doi.org/10.1016/j.dib.2020.106194.
• Boyd, J., Blanchy, G., Saneiyan, S., McLachlan, P., Binley, A. (2019). 3D Geoelectrical
Problems With ResiPy, an Open Source Graphical User Interface for Geoelectrical Data
Processing. FastTimes, 24(4), 85–92. https://doi.org/10.13140/RG.2.2.35381.63205.
• Cuadrado Maisueche, A. (2019). Utilización Del Machine Learning En La Industria 4.0.
Universidad de Valladolid, 108
