Líneas de Investigación
El semillero SIGAC desarrolla actividades en varias líneas de trabajo que integran geofísica aplicada, modelamiento numérico e inteligencia artificial.
Aprendizaje automático
Uso de técnicas de aprendizaje profundo y redes neuronales para analizar grandes volúmenes de datos geocientíficos. Los modelos se entrenan con datos reales y sintéticos para tareas como clasificación, regresión, detección de patrones y estimación de propiedades del subsuelo.
Geofísica somera
Aplicación de métodos geofísicos de alta resolución en los primeros cientos de metros del subsuelo para resolver problemas geotécnicos, ambientales e hidrogeológicos. Se priorizan técnicas no invasivas y de bajo costo con alto impacto en la caracterización del terreno.
Procesamiento y modelamiento sísmico
Procesamiento de datos sísmicos 2D y 3D para obtener imágenes limpias del subsuelo, así como modelamiento directo y posterior inversión de parámetros. Se estudian límites de resolución, efectos del ruido y estrategias para reducir la ambigüedad de la interpretación.
Geociencias computacionales
Desarrollo y uso de modelos numéricos y simulaciones que integran datos de campo, laboratorio y bases de datos públicas. Se combinan modelos conceptuales, matemáticos y computacionales para estudiar procesos geológicos con incertidumbre controlada.
Investigaciones en curso
Estimación de modelos de velocidad mediante aprendizaje profundo no supervisado guiado por la física
Objetivo: Estimar modelos de velocidad mediante un enfoque de aprendizaje profundo no supervisado guiado por principios físicos.
En desarrollo por: Est. Geol. Kevin Tarazona.
Supervisor: Ph.D (c) Yesid Paul Goyes y Msc. Geol. Ana Mantilla.
Línea: Aprendizaje automático, Geociencias computacionales, Procesamiento y modelamiento sísmico.
Aprendizaje profundo guiado por la física para inversión no supervisada de resistividad eléctrica 1D
Objetivo: Desarrollar un modelo de aprendizaje profundo guiado por principios físicos para la inversión no supervisada de datos de resistividad eléctrica en 1D.
En desarrollo por: Est. Geol. Adrián Pérez.
Supervisor: Ph.D (c) Yesid Goyes.
Línea: Aprendizaje automático, Geociencias computacionales.
Aprendizaje profundo guiado por la física para inversión conjunta MT + resistividad eléctrica
Objetivo: Desarrollar un enfoque de aprendizaje profundo guiado por la física para la inversión conjunta de datos magnetotelúricos y eléctricos.
En desarrollo por: Est. Geol. Adrián Pérez.
Supervisor: Ph.D (c) Yesid Paul Goyes.
Línea: Aprendizaje automático, Geociencias computacionales.
Trabajos de grado
Estimación de porosidad con IA usando sísmica post-apilado
Tipo: Tesis de maestría (finalizada)
Objetivo: Estimar la porosidad en yacimientos de hidrocarburos con datos sísmicos post-apilados mediante algoritmos de inteligencia artificial.
Realizada por: Msc. Nicolás Córdoba.
Dirección: Ph.D (c) Yesid Goyes y Ph.D (c) Leidy Castro.
Línea: Aprendizaje automático, Geociencias computacionales, Procesamiento y modelamiento sísmico.
Ver trabajo
Segmentación de fallas geológicas en sísmica ruidosa con CNNs
Tipo: Tesis de pregrado (finalizada)
Objetivo: Evaluar la influencia del ruido sísmico en la segmentación de fallas mediante redes neuronales convolucionales con mecanismos de atención.
Realizada por: Est. Geol. Álvaro Ascanio.
Dirección: Ph.D (c) Yesid Goyes y Msc. Geol. Ana Mantilla.
Línea: Aprendizaje automático, Geociencias computacionales.
Ver trabajo
Integración multifísica para corrección de desplazamiento estático
Tipo: Tesis de pregrado (finalizada)
Objetivo: Integrar SEV, SEDT y MT mediante un enfoque multifísico para corregir desplazamiento estático y disminuir la incertidumbre en modelos del subsuelo.
Realizada por: Geóloga Daniela Quintero.
Dirección: Ph.D (c) Yesid Goyes y Ms. Efrain Laverde.
Línea: Geociencias computacionales.
Ver trabajo
Inversión gravimétrica 3D con inicialización adaptativa y regularización secuencial: Un caso de estudio del Área Geotermica de Cerro Machín
Tipo: Tesis de pregrado (finalizada)
Objetivo: Desarrollar una metodología de inversión gravimétrica tridimensional basada en regularización secuencial y en la construcción de modelos iniciales guiados por información geológica y geofísica a priori, con el fin de obtener un modelo cuantitativo de densidad que permita delimitar e interpretar los elementos prospectivos del sistema geotérmico del Área Geotérmica de Cerro Machín.
Realizada por: Est. Geol. Gabriel Moreno.
Dirección: Ph.D (c) Sait Khurama y Ph.D (c) Yesid Goyes.
Línea: Geociencias computacionales.
Ver trabajo
Predicción de la ocurrencia de depósitos minerales tipo pórfido usando técnicas de aprendizaje automático
Tipo: Tesis de pregrado (finalizada)
Objetivo: Predecir la ocurrencia de depósitos minerales tipo pórfido a partir de la integración de información geológica, geoquímica y geofísica usando técnicas de aprendizaje automático.
Realizada por: Msc. Geol. Ana Mantilla.
Dirección: Ph.D (c) Yesid Goyes.
Línea: Geociencias computacionales.
Ver trabajo