Interpretación automática de sismofacies mediante IA agéntica.

Docente: PhD. Christian Mejía

Quito, Enero 2026

gdcampos@uce.edu.ec

Genesis Campos

sdgualam@uce.edu.ec

Sonia Gualán

ralopezt@uce.edu.ec

Ronny López

JORNADA GEOLÓGICA 2026

1/21

Contenido

​

1. Introducción
2. Propuesta
3. Objetivos
4. Metodología
5. Implementación
6. Experimentación
7. Resultados
8. Conclusiones

​

​

2/21

1. Introducción

Líneas sísmicas y su importancia

• Representación del subsuelo
• Método geofísico
• Arquitectura interna de la Tierra
• Importancia:
• Geotecnia
• Industria petrolera
• Minería
• Gestión de riesgos
• …

3/21

Problemas

• Subjetividad - Tiempo - Esfuerzo

Metodología tradicional

1. Introducción

¡Horas interminables frente a la pantalla!

Cada trazo depende del criterio del intérprete (y de su nivel de cansancio).

​

4/21

2. Propuesta

Se propone el desarrollo de una aplicación web mediante un sistema multiagente automatizado para la detección, segmentación e interpretación de sismofacies en imágenes sísmicas y genera un reporte.

GeoseismicAI

6

5/21

3. Objetivos

​

• Objetivo General: Generar automáticamente la detección e interpretación de sismofacies en líneas sísmicas, mediante Inteligencia Artificial.
• Objetivos Específicos
• Recopilar, interpretar y validar el conjunto de datos que consiste en imágenes de líneas sísmicas mediante la correcta identificación y etiquetado de las sismofacies.
• Implementar y afinar un modelo de Deep Learning que facilite la clasificación e interpretación automatizada de sismofacies para imágenes sísmicas.
• Desarrollar una aplicación web de acceso público que permita la generación de las sismofacies y el reporte.

​

​

6/21

4. Metodología

​

​

8/21

4. Metodología

​

Dataset

4.1. Elaboración del dataset

• Recopilación de imágenes
• Libro Atlas of Structural Geological Interpretation from Seismic Images
• 200 imágenes (interpretadas y sin interpretar)
• Formato: PNG y JPG
• Tamaño: 1 MB
• Resolución: 4096 x 4096 px

​

9/21

4. Metodología

4.2. Preprocesamiento del dataset

Conversión a escala de grises

• Script de Automatización en Python.
• Librerías: OpenCV y NumPy.
• Realce de texturas.
• Menor carga computacional para el entrenamiento de la IA.

10/21

4. Metodología

4.2. Preprocesamiento del dataset

Mejora de Nitidez con CLAHE

• Técnica de mejoramiento de imagen.
• Librerías: OpenCV, NumPy y Matplotlib.
• Mejora el contraste local y resalta bordes en las imágenes sísmicas.

​

11/21

4. Metodología

4.2. Preprocesamiento

• Etiquetado de imágenes

​

​

• Etiquetado manual

​

12/21

4. Metodología

4.2.Preprocesamiento del dataset

• Etiquetado Roboflow (Manual y Asistida)
• Data Augmentation (Rotación y Zoom)
• Exportación del dataset
• Carpetas: Image y Labels
• Data set Final: 340 imágenes
• Formato: coco Json
• Entrenamiento: 272: (80%)
• Validación: 34: (10%)
• Evaluación: 34: (10%)

​

13/21

4. Metodología

4.3.Arquitectura del DeepLabv3

Lectura de características

Codificador

Decodificador

​

Línea sísmica

​

​

Imagen segmentada

​

14/21

5. Implementación

15/21

5. Implementación

16/21

5. Implementación

17/21

6. Experimentación

Accuracy de entrenamiento final:� ≈ 0.891: ≈ (89%)�

Accuracy de validación final:� 0.863≈ (86%)

18/21

7. Resultados

Aplicación web y generación del reporte

• La línea sísmica segmentada en sismofacies
• La interpretación automática asociada.�

19/21

7. Resultados

Comparación entre los resultados de GeoSismicIA vs. Literatura técnica

El estudio describe un escenario Tope del Basamento (ABT): Es la línea negra principal. Imagínala como el "piso" sólido de roca volcánica. En el cual los reflectores con Buzamiento hacia el Mar porque son capas de lava que se enfriaron formando una pendiente hacia lo profundo del océano. Las flechas que marcan O-k y O-T señalan capas que se curvan hacia arriba.

​

​

UNIDAD 1 (Basamento): Presenta un espesor variable, asociado a un ambiente de basamento bajo una interpretación tectónica de compresión. El contacto es de concordancia.

UNIDAD 2 (Relleno sedimentario): Tiene espesor variable y un contacto de tipo onlap. Se asocia a un ambiente de degradaciones/progresiones sedimentarias bajo una interpretación tectónica de extensión.

UNIDAD 3 (Relleno sedimentario): Posee un espesor constante y contacto de tipo downlap. Indica una etapa de estabilidad tectónica.

19/21

7. Resultados

19/21

7. Resultados

20/21

8. Conclusiones

• El dataset se construyó a partir de 200 imágenes sísmicas (100 interpretadas y 100 no interpretadas), las cuales fueron etiquetadas en RoboFlow.

​

• El conjunto final es de 340 imágenes que se amplian mediante técnicas de data augmentation.

​

• La aplicación de técnicas de realce como CLAHE y la estandarización a escala de grises fue útil para mejorar la nitidez de los reflectores sísmicos y alcanzar una métrica alrededor del 89 %.

​

• El sistema desarrollado cumple eficazmente con la detección y segmentación automatizada de sismofacies en imágenes sísmicas.�
• La interpretación generada por el sistema constituye una aproximación general válida que mejora la productividad del geólogo, sin reemplazar el criterio final del especialista.

​

​

�

​

• La integración de herramientas como RoboFlow y Streamlit demuestra la viabilidad de automatizar todo el flujo de trabajo, desde la gestión del dataset hasta la generación de reportes técnicos.

​

Interpretación automática de sismofacies mediante IA agéntica.

Docente: PhD. Christian Mejía

Quito, Enero 2026

gdcampos@uce.edu.ec

Genesis Campos

sdgualam@uce.edu.ec

Sonia Gualán

ralopezt@uce.edu.ec

Ronny López

JORNADAS GEOLÓGICAS 2026