⚡ Convocatoria 951-2024

Geotermia & Modelado PIML en Colombia

📋 Proyecto de Investigación

Proyecto: Estimación de la capacidad de generación de energía eléctrica del agua coproducida en campos de petróleo y gas en Colombia a partir de técnicas de aprendizaje automático informado por la física de la convocatoria 951-2024.

🎓 Estudiantes de Doctorado

👤 Lucas Miguel Iturriago Salas
👤 Carlos Andrés Pérez Aguirre

🎓 Estudiantes de Maestría

👤 María Isabel García Quimbayo

Universidad Nacional de Colombia - Sede Manizales

01 / CONTEXTO GEOTÉRMICO

Potencial Geotérmico en Pozos Colombianos

Aprovechamiento del calor residual de aguas coproducidas en el sector de los hidrocarburos.

🛢️ 7,979 Pozos Analizados

Inventario y catalogación exhaustiva de pozos petroleros colombianos, evaluando su gradiente térmico y profundidad vertical total.

⚡ Ciclo Rankine Orgánico (ORC)

Tecnología termodinámica ideal para convertir fluidos térmicos de baja y mediana entalpía (80 °C - 150 °C) en energía eléctrica limpia.

🧠 Modelado PIML Integrado

Modelos híbridos que acoplan ecuaciones diferenciales de la conservación física con redes neuronales profundas para alta precisión.

02 / ARQUITECTURA GLOBAL

Pipeline Modular del Proyecto

Flujo de trabajo de punta a punta desde los datos de campo hasta la toma de decisiones.

ETAPA 01

Adquisición & GIS

Imágenes satelitales RGB+NIR y registros geofísicos de pozos colombianos.

ETAPA 02

Base de Datos SQL

Modelo en estrella con 48,940 registros de presión y temperatura.

ETAPA 03

Modelos PIML

Redes Hamiltonianas (DHNN, PHNN) y PINNs informadas por física.

ETAPA 04

Solver Termodinámico

Simulación del Ciclo Rankine Orgánico en entorno computacional.

ETAPA 05

Dashboard Interactivo

Plataforma de simulación con validación de rangos térmicos en tiempo real.

03 / TERMODINÁMICA ORC

Componentes del Ciclo Rankine Orgánico

Transferencia de energía y fluido de trabajo en circuito cerrado.

1. 🔥 Evaporador (Intercambiador Primario)

Absorbe calor $Q_{\text{in}}$ de la salmuera geotérmica (80 °C – 150 °C). Vaporiza el fluido de trabajo orgánico a alta presión y temperatura en circuito cerrado.

2. ⚡ Turbina de Expansión (Generación $W_{\text{out}}$)

El vapor sobrecalentado se expande en los álabes de la turbina, convirtiendo la entalpía del fluido en energía mecánica y potencia eléctrica utilizable.

3. ❄️ Condensador (Disipador Térmico $Q_{\text{out}}$)

El vapor expandido entrega su calor residual al circuito de disipación (15 °C – 35 °C), condensando el fluido de nuevo a estado líquido saturado.

4. 🔄 Bomba de Circulación (Presurización $W_{\text{in}}$)

Consume una fracción menor de trabajo $W_{\text{in}}$ para elevar la presión del fluido condensado y reinyectarlo al evaporador, reiniciando el ciclo continuo.

04 / METODOLOGÍA PIML

¿Por qué Física e Inteligencia Artificial?

Superando las limitaciones de los modelos de caja negra en ingeniería termodinámica.

❌ IA Tradicional (Caja Negra)

Requiere millones de datos de entrenamiento.
Puede violar principios físicos (eficiencia Carnot > 100%).
Inestable al extrapolar fuera del rango operado.

✅ PIML (Física e IA)

Cumplimiento estricto de la 1ª y 2ª ley termodinámica.
Funciona de forma robusta con pocos datos de campo.
Interpretabilidad física de variables y parámetros.

05 / FORMULACIÓN HAMILTONIANA

Redes Neuronales DHNN y PHNN

Formulación matemática basada en conservación y disipación de energía.

DHNN (Dissipative Hamiltonian NN)

Evolución temporal del vector de estado $z = [q, p]^T$ en sistemas cerrados:

$$\frac{dz}{dt} = (J - R) \nabla H(z)$$

Estructura ($J$):
$J = -J^T$ Antisimétrica (Poisson)

Disipación ($R$):
$R = R^T \ge 0$ Pérdidas Térmicas

Hamiltoniano ($H$):
Energía Total $H(z)$

Tasa Disipación:
$\frac{dH}{dt} = -\nabla H^T R \nabla H \le 0$

Preservación Energética: Matriz antisimétrica $J$ garantiza la conservación del Hamiltoniano $H(z)$.
Cumplimiento Termodinámico: Invariancia estricta según la 2ª ley de la termodinámica sin derivas numéricas.

📌 Aplicación: Simulación de disipación interna de presión y temperatura en tuberías de pozo.

PHNN (Port-Hamiltonian NN)

Modelado de sistemas abiertos con intercambio de potencia en puertos $(u, y)$:

$$\frac{dz}{dt} = (J - R) \nabla H(z) + g(z)u, \quad y = g(z)^T \nabla H(z)$$

Entrada Puerto ($u$):
Flujo Calórico $Q_{\text{geo}}$

Salida Puerto ($y$):
Potencia Útil $W_{\text{elec}}$

Matriz Acople ($g$):
Matriz $g(z)$ de Transición

Pasividad Estricta:
$\frac{dH}{dt} \le y^T u$ Balance Potencia

Interconexión Modular: Acoplamiento natural entre yacimiento, pozo y circuito ORC.
Pasividad Garantizada: Evita la generación espuria o no física de energía en los puertos.

📌 Aplicación: Modelado dinámico de transitorios de caudal y temperatura en el circuito ORC.

06 / ARQUITECTURA PINN

Redes Neuronales Informadas por la Física (PINNs)

Optimización guiada por pérdidas compuestas de datos y residuos termodinámicos.

Función de Pérdida Compuesta

$$\mathcal{L} = \lambda_{\text{data}} \mathcal{L}_{\text{data}} + \lambda_{\text{phys}} \mathcal{L}_{\text{physics}}$$

- $\mathcal{L}_{\text{data}}$: Ajuste de mínimos cuadrados a mediciones de campo (temperatura, presión y caudal).
- $\mathcal{L}_{\text{physics}}$: Penalización estricta de residuos de ecuaciones diferenciales termodinámicas.

Residuos de Conservación Termodinámica

$$\mathcal{R}_{\text{masa}} = \nabla \cdot (\rho \mathbf{u}) = 0 \quad \text{y} \quad \mathcal{R}_{\text{energía}} = \dot{m}\Delta h - \dot{Q} + \dot{W} = 0$$

Garantiza el cumplimiento estricto de la 1ª y 2ª ley en turbinas, bombas e intercambiadores, impidiendo soluciones físicamente imposibles.

🎯 Ventajas en la Simulación ORC

Permite estimar estados térmicos no observados directamente en cabeza de pozo y predecir el comportamiento dinámico durante transitorios de caudal y temperatura.

07 / BASE DE DATOS Y ETL

Esquema Relacional & Modelo de Datos Geotérmico

Arquitectura ER en estrella de 11 tablas: 7,979 pozos, mediciones petrofísicas, fisicoquímica y producción.

Geografía & Pozos

dim_poligono Dimensión

🔑 poligono_id INT (PK)

nombre_poligono VARCHAR

region VARCHAR

geom geography

dim_campo Campos

🔑 campo_id INT (PK)

campo_nombre VARCHAR (UK)

🔗 poligono_id INT (FK)

departamento_principal VARCHAR

contrato VARCHAR

area_km2 / api_gravedad FLOAT

dim_pozo 7,979 pozos

🔑 pozo_id INT (PK)

pozo_nombre / uwi VARCHAR (UK)

🔗 campo_id INT (FK)

latitud / longitud FLOAT

tvd_total_ft FLOAT

sistema_prod / estado VARCHAR

unidad_geol / tipo / clasif VARCHAR

geom geography

Geología & Puente

dim_formacion Formaciones

🔑 formacion_id INT (PK)

formacion_nombre VARCHAR (UK)

miembro VARCHAR

pozo_formacion Puente 1:N

🔑 pozo_formacion_id INT (PK)

🔗 pozo_id INT (FK)

🔗 formacion_id INT (FK)

tope_md / base_md FLOAT

fact_pozo_formacion Petrofísica

🔑 id INT (PK)

🔗 pozo_id INT (FK)

🔗 formacion_id INT (FK)

🔗 fuente_id INT (FK)

porosidad / permeabilidad FLOAT

cond_termica_roca FLOAT

bht / wht / t_yac FLOAT

flujo_masico_agua FLOAT

produccion_oil/agua/gas FLOAT

Mediciones & Producción

fact_temp_presion 48,940 recs

🔑 id INT (PK)

🔗 pozo_id INT (FK)

🔗 formacion_id INT (FK)

🔗 fecha_id INT (FK)

tiempo_hrs FLOAT

presion_cabeza / temp_cabeza FLOAT

fact_produccion_campo Prod. Campo

🔑 id INT (PK)

🔗 campo_id INT (FK)

🔗 fecha_id INT (FK)

prod_oil_bls / prod_agua_bls FLOAT

prod_gas_kpc FLOAT

prom_oil_bopd / prom_agua_bopd FLOAT

Fisicoquímica & Tiempo

fact_fisicoquimica Fisicoquímica

🔑 id INT (PK)

🔗 pozo_id INT (FK)

🔗 formacion_id INT (FK)

🔗 fecha_id INT (FK)

🔗 fuente_id INT (FK)

ph / salinidad_ppm FLOAT

temperatura_c / cloruros_ppm FLOAT

conductividad_us_cm / dureza FLOAT

dim_fecha Tiempo

🔑 fecha_id INT (PK)

fecha DATE

anio / mes / dia INT

trimestre INT

dim_fuente Fuentes

🔑 fuente_id INT (PK)

fuente_nombre VARCHAR (UK)

08 / RESUMEN DE RESULTADOS BI & VIABILIDAD

Matriz de Viabilidad Energética ORC

Evaluación de potencial térmico y clasificación de pozos candidatos en Colombia ($W_{\text{elec}} \ge 100\text{ kW}$).

Pozos Catalogados

7,979

6,302 Georreferenciados

Mediciones Térmicas

48,940

Presión y Temperatura

Pozos Viables (≥ 100 kW)

14

9.5% de 148 pozos validados

Capacidad Neta Total

7.57 MW

Potencia Acumulada Apta

Pozo Líder (Máx kW)

AZAF0001

⚡ 2,268.7 kW (AZAFRAN)

#	Pozo (UWI / Nombre)	Campo	Temp. Recurso ($T_{\text{geo}}$)	Caudal Agua ($Q_{\text{geo}}$)	Potencia ORC ($W_{\text{elec}}$)	Estado de Viabilidad
01	AZAF0001 (AZAFRAN-1)	Campo Azafrán	162.0 °C	40.0 L/s	2,268.7 kW	✅ Viable ORC
02	GEO-COL-101 (Rubiales-101)	Campo Rubiales	142.0 °C	45.0 L/s	885.4 kW	✅ Viable ORC
03	GEO-COL-204 (Castilla-204)	Campo Castilla	135.0 °C	38.0 L/s	712.0 kW	✅ Viable ORC
04	GEO-COL-089 (Chichimene-089)	Campo Chichimene	128.0 °C	42.0 L/s	678.5 kW	✅ Viable ORC
05	ORIT0021 (Orito-021)	Campo Orito	124.0 °C	36.0 L/s	545.2 kW	✅ Viable ORC
06	YARI0116D (Yariguí-116D)	Campo Yariguí	120.0 °C	34.0 L/s	480.0 kW	✅ Viable ORC
07	GEO-COL-312 (Apiay-312)	Campo Apiay	118.0 °C	30.0 L/s	415.8 kW	✅ Viable ORC
08	ACOR0044A (Acordionero-44A)	Campo Acordionero	115.0 °C	28.0 L/s	350.5 kW	✅ Viable ORC
09	GEO-COL-156 (Cusiana-156)	Campo Cusiana	110.0 °C	25.0 L/s	288.2 kW	✅ Viable ORC
10	RUBI1427H (Rubiales-1427H)	Campo Rubiales	108.0 °C	24.0 L/s	245.0 kW	✅ Viable ORC
11	YARI0501D (Yariguí-501D)	Campo Yariguí	105.0 °C	22.0 L/s	210.6 kW	✅ Viable ORC
12	CUP0012 (Cupiagua-012)	Campo Cupiagua	103.0 °C	20.0 L/s	185.0 kW	✅ Viable ORC
13	DINO0005 (Dino-005)	Campo Dino	101.0 °C	18.0 L/s	142.3 kW	✅ Viable ORC
14	GUA0088 (Guando-088)	Campo Guando	100.0 °C	16.0 L/s	112.8 kW	✅ Viable ORC

09 / AUDITORÍA TERMODINÁMICA

Validación Estricta de Parámetros Físicos

Auditoría crítica para asegurar la coherencia termodinámica entre el pozo y el sistema ORC.

⚠️ Restricción $T_{\text{evap}} < T_{\text{geo}}$

Por la 2ª ley de la termodinámica, el fluido de trabajo secundario en el evaporador no puede superar la temperatura del agua geotérmica del pozo.

Rango Geotérmico: $T_{\text{geo}}$ entre 80 °C y 150 °C en pozos candidatos.
Pinch Point Mínimo: $\Delta T_{\text{pinch}} \ge 5\,^\circ\text{C}$ en el intercambiador.
Garantía: Evita transferencia inversa no física de calor.

📌 Restricción: $\Delta T_{\text{pinch}} \ge 5\,^\circ\text{C}$ obligatoria en evaporador.

⚙️ Estabilidad de Integradores

Implementación de integradores adaptativos (Dormand-Prince / RK45) para evitar divergencias numéricas durante la simulación de transitorios rápidos.

Algoritmo Solver: RK45 con control automático de paso temporal.
Criterio Tolerancia: Tolerancia relativa $10^{-6}$ / Absoluta $10^{-8}$.
Protección: Previene inestabilidades por rigidez (stiffness).

📌 Control: Tolerancia relativa $10^{-6}$ con paso temporal adaptativo.

🌡️ Rangos Operativos & Cavitación

Verificación de la temperatura del disipador ($T_{\text{sink}}$ de 15 °C a 35 °C) y caudal del fluido de trabajo para evitar cavitación en la bomba.

Disipación Térmica: Condensación operada en rango 15 °C – 35 °C.
Margen NPSH: $P_{\text{suction}} > P_{\text{sat}}(T) + \Delta P_{\text{margin}}$.
Fluidos Evaluados: R134a / R245fa sin evaporación en succión.

📌 Protección: Presión de succión $P_{\text{suction}} > P_{\text{sat}}(T)$.

📐 Coherencia PINN Conservativa

Validación de la red neuronal mediante la evaluación continua del residuo de conservación de energía en evaporador, turbina y condensador.

Métrica Residuo: $\mathcal{L}_{\text{physics}} < 10^{-4}$ en la malla de validación.
Escalado: Adimensionalización de variables de masa y temperatura.
Auditoría: Monitoreo en tiempo real en la plataforma BI.

📌 Pérdida física: $\mathcal{L}_{\text{physics}} < 10^{-4}$ en la superficie de prueba.

10 / IMPACTO Y PRODUCTOS

Prefactibilidad & Transferencia Tecnológica

Resultados transferibles a la industria energética nacional.

⚡ Reconversión de Campos

Identificación de campos petroleros maduros con alto corte de agua aptos para generación geotérmica inmediata.

📄 Transferencia ANH

Consolidación de paquetes de datos y reportes técnicos para la Agencia Nacional de Hidrocarburos.

📚 Publicaciones Indexadas

Generación de manuscritos científicos sobre redes PIML y visión artificial aplicadas a geociencias.

11 / VISIÓN POR COMPUTADOR (1/2)

Segmentación Satelital Multiespectral

Detección de patrones y huellas de pozos utilizando imágenes Planet Labs y Sentinel-2.

🌐 Arquitectura Red ResUNet

Combina la extracción del codificador EfficientNet-B6 con la precisión de reconstrucción espacial del decodificador ResUNet sobre 4 bandas multiespectrales (RGB + NIR).

📌 Cobertura: Identificación automatizada de locaciones y firmas térmicas en imágenes Planet Labs.

Entrenamiento: Dataset Alberta Wells (Planet Labs)

12 / VISIÓN POR COMPUTADOR (2/2)

Inferencia Satelital en Parches GeoTIFF

Aplicación sobre parches GeoTIFF de Sentinel-2 para la caracterización geológica del terreno.

📍 Ingestión & Inferencia en Parches GeoTIFF

Procesamiento sistemático de parches multiespectrales de 105 × 105 píxeles (~1.1 km² de cobertura física) derivados de Sentinel-2 para mapeo térmico.

📌 Cobertura: Inferencia georreferenciada sobre parches de Sentinel-2.

Inferencia: Parches GeoTIFF Sentinel-2

PRE-FINAL / MATRIZ DE ENTREGABLES

Investigaciones Realizadas & Entregables

Resumen detallado de productos y actividades por investigador.

Investigador	#	Actividad Realizada	Entregable / Producto

PRE-FINAL / PRODUCCIÓN CIENTÍFICA

Publicaciones & Artículos de Investigación

Artículos científicos derivados y asociados a los modelos de inteligencia artificial y física computacional.

🏆 Publicado · A1 / Q1 (Minciencias) 2026

Multi-Scale Spectral Recurrent Network Based on Random Fourier Features for Wind Speed Forecasting

Autores: Leon-Gomez, E. A., Elvira, V., Montes-Monsalve, J. I., Álvarez-Meza, A. M., Orozco-Gutierrez, A., & Castellanos-Dominguez, G. (2026).

Revista: Technologies, 14(4), 238.
Categorización: A1 - Q1 (Minciencias)

🔗 Ver en Journal (DOI)

📑 En Revisión · A1 / Q1 (Minciencias) 2026

Regression-Based Explainable Deep Learning for Estimating Hamiltonian Parameters from Magnetic Nanodot Images

Autores: Méndez-Rondón, J. S., García-Quimbayo, M. I., Álvarez-Meza, A. M., Montes-Monsalve, J. I., & Agudelo-Giraldo, J. D. (2026).

Revista: Materials & Design
Categorización: A1 - Q1 (Minciencias - En Revisión)

📄 PDF / Manuscrito en Google Drive ⏳ En Revisión

PRE-FINAL / PRODUCCIÓN CIENTÍFICA (2/2)

Publicaciones & Artículos de Investigación

Artículo en construcción sobre segmentación semántica robusta con múltiples anotadores.

🚧 En Construcción · A1 / Q1 (Minciencias) 2026

Robust Multi-Annotator Semantic Segmentation via Truncated Generalized Cross-Entropy Losses with Pixel-Wise Reliability Estimation

Autores: Iturriago-Salas, L. M., & Álvarez-Meza, A. M.

Revista: Por definir
Categorización: A1 - Q1 (Minciencias - En Construcción)

📋 Resumen: Propuesta de segmentación semántica robusta ante múltiples anotadores, mediante funciones de pérdida de entropía cruzada generalizada truncada con estimación de confiabilidad pixel a pixel.

🚧 Manuscrito en Preparación

¡Muchas Gracias!

Proyecto de Geotermia e IA

I+D+i, formación avanzada y soluciones tecnológicas basadas en IA

Universidad Nacional de Colombia - Sede Manizales

Geotermia & Modelado PIML en Colombia

Potencial Geotérmico en Pozos Colombianos

Pipeline Modular del Proyecto

Componentes del Ciclo Rankine Orgánico

¿Por qué Física e Inteligencia Artificial?

Redes Neuronales DHNN y PHNN

DHNN (Dissipative Hamiltonian NN)

PHNN (Port-Hamiltonian NN)

Redes Neuronales Informadas por la Física (PINNs)

Función de Pérdida Compuesta

Residuos de Conservación Termodinámica

Esquema Relacional & Modelo de Datos Geotérmico

Matriz de Viabilidad Energética ORC

Validación Estricta de Parámetros Físicos

Prefactibilidad & Transferencia Tecnológica

Segmentación Satelital Multiespectral

Inferencia Satelital en Parches GeoTIFF

Investigaciones Realizadas & Entregables

Publicaciones & Artículos de Investigación

Multi-Scale Spectral Recurrent Network Based on Random Fourier Features for Wind Speed Forecasting

Regression-Based Explainable Deep Learning for Estimating Hamiltonian Parameters from Magnetic Nanodot Images

Publicaciones & Artículos de Investigación

Robust Multi-Annotator Semantic Segmentation via Truncated Generalized Cross-Entropy Losses with Pixel-Wise Reliability Estimation

Proyecto de Geotermia e IA

Vista General de Diapositivas