Estimación de la orientación y frecuencia de fracturas en sondajes a partir de análisis de imágenes y Machine Learning

Abstract

Este trabajo presenta, evalúa y analiza métodos para estimar los ángulos alfa y beta de fracturas, y la frecuencia de fracturas equivalente en tramos de roca muy fracturada en testigos de sondajes diamantinos, mediante análisis de imágenes y Machine Learning. Para la estimación de los ángulos alfa y beta en sondajes orientados, se propone un método llamado -en este estudio- de los 3 puntos , en el cual se marcan 3 puntos sobre la traza frontal de una fractura en el plano de la imagen, y mediante transformaciones geométricas, se obtienen los ángulos alfa y beta. Para la estimación de la frecuencia de fracturas se utilizó la información de sondas Televiewer, contrastando la ocurrencia de fracturas in-situ en el macizo con las regiones de roca fracturada presentes en el sondaje. Diversas técnicas de análisis de imágenes se aplicaron a dichas regiones para extraer características que luego se intentaron correlacionar con la frecuencia de fracturas observada, mediante el uso de Machine Learning. Los resultados obtenidos, sobre 439 fracturas, mostraron que el método de los 3 puntos aproxima con una precisión del 88% el cálculo de ángulos alfa, respecto a los obtenidos por medición directa, presentando una aproximación más uniforme para ángulos entre 40 y 80°, una ligera sobrestimación para los menores a 40° y una ligera subestimación para los mayores a 80°, mientras que, por otra parte, aproxima con una precisión del 94% el cálculo de los ángulos beta, siendo uniforme en todo su rango. De igual forma, los sets de fracturas reconocidos en stereonet a partir del método de los 3 puntos son similares a los obtenidos por medición directa. La estimación de la frecuencia de fracturas consideró parámetros geométricos de los fragmentos presentes en los tramos de roca fracturada, tales como la distribución de sus tamaños y su esfericidad. Los resultados obtenidos, sobre 448 tramos de roca fracturada, mostraron que el modelo de Machine Learning implementado predijo con un 65-68% de precisión la frecuencia de fracturas observada, presentando una aproximación más uniforme en el rango de 10 a 20 fracturas/m, una ligera sobrestimación en frecuencias de fracturas menores a 10 fracturas/m y una subestimación importante en mayores a 20 fracturas/m, correlacionando los mayores errores con la escasez de datos para entrenar el modelo en dichos rangos.