Modelo de clasificación de litologías empleando aprendizaje automático

Abstract

El presente trabajo compara el desempeño de tres algoritmos de aprendizaje automático: Support Vector Machine (SVM), Random Forest (RF) y Multi-Layer Perceptron (MLP), en clasificación de litologías. Los datos empleados son registros geofísicos del pozo petrolero 25_7-2, proveniente de la base de datos abierta de Geolink. Se emplea validación cruzada estratificada y partición de datos para evaluar el desempeño global y la capacidad de cada modelo para manejar clases desbalanceadas. El proceso de clasificación se estructuro en dos fases experimentales para cada uno de los tres algoritmos evaluados. La estandarización de características se aplicó únicamente para SVM y MLP mediante StandardScaler, mientras que Random Forest se entrenó con los datos sin normalizar debido a su invarianza ante diferencias de escala. En la primera fase, se evaluaron los clasificadores con su configuración predeterminada. En la Fase 2, se emplearon diferentes métodos de búsqueda según el algoritmo: RandomizedSearchCV con 50 combinaciones para Random Forest, GridSearchCV con 30 combinaciones para MLP, y BayesSearchCV con 50 iteraciones para SVM. Random Forest alcanzo el mejor desempeño con configuración predeterminada (F1macro = 0.83), mientras que Support Vector Machine requirió optimización para volverse competitivo, mejorando de 0.74 a 0.80. Este contraste evidencia que RF es inherentemente robusto ante configuraciones no ajustadas, mientras que SVM depende Críticamente de la calibración de sus hiperparametros C y γ para el problema específico. Multi-Layer Perceptron mostro estabilidad con cambios marginales tras optimización (+0.01), sugiriendo que su arquitectura básica ya opera cerca de su capacidad máxima. La hipótesis se confirma, ya que Random Forest presenta mayor robustez inicial y no requiere normalización, factores que facilitan su aplicación directa en problemas de clasificación litológica.