GEOTERMIA PIML Simulación & Visión por Computador
Laboratorio de Inteligencia Artificial
⚡ 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.

👨‍🏫 Profesor Investigador
  • 👤 Prof. Andrés Marino Álvarez Meza
  • UNAL - Sede Manizales
🎓 Estudiantes de Doctorado
  • 👤 Lucas Miguel Iturriago Salas
  • 👤 Carlos Andrés Pérez Aguirre
🎓 Estudiantes de Maestría
  • 👤 Jose Luís Ropero Lozano
  • 👤 María Isabel García Quimbayo

Universidad Nacional de Colombia - Sede Manizales

Física e Inteligencia Artificial
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.

Pozos Geotérmicos Colombianos
⚡ Ciclo Rankine Orgánico (ORC)

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

Ciclo Rankine Orgánico ORC
🧠 Modelado PIML Integrado

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

Modelo PIML Integrado
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.

🔥 Entrada: Agua Geotérmica (T_geo) ❄️ Disipación: Torre de Enfriamiento (T_sink) 2 Vapor Sobrecalentado (Alta P) 3 Vapor Expandido 4 Líquido Saturado (Baja P) 1 Líquido Alta P EVAPORADOR Q_in (Entalpia) Intercambiador Primario TURBINA Potencia (W_out) G CONDENSADOR Q_out (Disipación) Fase a Líquido (35°C) BOMBA W_in CIRCULACIÓN Presurización Líquida
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.
IA Tradicional Caja Negra
✅ 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.
PIML Física e IA
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.

Ventajas PINN Simulación ORC
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.

Modo Vista:
Categoría:
🔑 PK 🔗 FK Dimensiones Tabla Hechos Puente 1:N
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.
10A / SOFTWARE GEOTÉRMICO (1/2)

Demostración del Software: Modelado ORC & Fichas de Pozo

Ciclo termodinámico global y diagnóstico individual de prefactibilidad energética por pozo.

⚡ Modelado Termodinámico Global del Ciclo Rankine Orgánico (ORC)

Simulación computacional completa del ciclo cerrado, balance de entalpía y estimación de generación eléctrica neta ($W_{\text{elec}}$).

Simulación Termodinámica del Ciclo Rankine Orgánico 🔍 Clic para ampliar
📋 Ficha Técnica e Inventario por Pozo

Diagnóstico de prefactibilidad individual, gradiente térmico y parámetros de pozos.

Ficha Técnica Individual por Pozo 🔍 Clic para ampliar
🖥️ Plataforma Interactiva de Simulación PIML

Panel principal de control e integración de modelos físicamente informados.

Plataforma de Simulación PIML 🔍 Clic para ampliar
10B / SOFTWARE GEOTÉRMICO (2/2)

Demostración del Software: Módulos Termodinámicos & Curvas

Evaluación detallada de curvas térmicas y componentes individuales del sistema ORC.

📊 Curvas Térmicas & Perfiles de Temperatura

Visualización gráfica del perfil térmico de pozos y validación de restricciones físicas.

Curvas Térmicas y Perfiles de Temperatura 🔍 Clic para ampliar
🔥 Módulo Evaporador (Intercambiador Primario)

Cálculo de transferencia de calor $Q_{\text{in}}$ desde la salmuera geotérmica al fluido orgánico.

Módulo Evaporador en App Geotérmica 🔍 Clic para ampliar
❄️ Módulo Condensador (Disipación Térmica)

Auditoría de condensación del fluido de trabajo y rechazo de calor $Q_{\text{out}}$.

Módulo Condensador en App Geotérmica 🔍 Clic para ampliar
⚡ Módulo Turbina de Expansión

Cálculo de trabajo mecánico expandido $W_{\text{out}}$ y eficiencia isentrópica.

Módulo Turbina de Expansión en App Geotérmica 🔍 Clic para ampliar
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).

ENTRADA 4 Canales Rojo (R) Verde (G) Azul (B) NIR (Infrarrojo) CODIFICADOR EfficientNet-B6 Stage 1: MBConv1 (1/2) Stage 3: MBConv6 (1/4) Bottleneck Feature Deep Representation Skip Connection DECODIFICADOR ResUNet Decoder UpConv 2x + Concat UpConv 4x + Concat Reconstrucción Espacial Full Resolution 1:1 MÁSCARA Segmentación Detección Pozos Binary Mask 🎯 Dice Score: 0.942 📐 Precisión Espacial: 0.965 ⚡ IoU (Jaccard): 0.891
📌 Cobertura: Identificación automatizada de locaciones y firmas térmicas en imágenes Planet Labs.
Muestra RGB NIR y Máscara
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.

1. INGESTIÓN GeoTIFF Sentinel-2 🛰️ 105×105 px ~1.1 km² Cobertura Res. 10 m/px 2. PREPROCESO Normalización ⚙️ RGB + NIR Corrección Atmo. Tensor Scaling 3. INFERENCIA GPU ResUNet Model 🧠 Forward Pass ~12 ms / Parche Batch Ingestion 4. DETECCIÓN Mapa Térmico Pozos Mapeados Probabilidad Píxel Máscara Térmica 7,979 Pozos Catalogados 📡 Sentinel-2 (10 m Res.) ✅ Inferencia Multiespectral
📌 Cobertura: Inferencia georreferenciada sobre parches de Sentinel-2.
Inferencia Parches 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 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)
📑 En Revisión · A1 / Q1 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)
🚧 En Construcción · A1 / Q1 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. (2026).

Enfoque: Segmentación semántica robusta con estimación de confiabilidad píxel a píxel.
🚧 Manuscrito en Preparación
DEMOSTRACIÓN / VIDEO DEL PROYECTO

Demostración en Video del Sistema

Video explicativo del proyecto de investigación en geotermia, modelado PIML y arquitectura de software.

¡Muchas Gracias!

Proyecto de Geotermia e IA

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

Física e Inteligencia Artificial

Universidad Nacional de Colombia - Sede Manizales

Vista General de Diapositivas

Captura Ampliada