Red neuronal convolucional preentrenada para clasificar partículas de arena

Abstract

En este trabajo se hace uso de una red neuronal convolucional para conocer qué tan apropiada es para determinar la redondez en partículas de arena; siendo la redondez una importante característica en la determinación de la calidad para su utilización en la industria. Utilizar este tipo de redes neuronales ofrece la posibilidad de operar directamente sobre las imágenes digitales de partículas de arena, sin la necesidad de tener que extraer previamente características o medidas alternativas de las imágenes. Se exponen resultados en la utilización de una red neuronal convolucional pre-entrenada, como alternativa a realizar un diseño propio de red. Se hace uso de la red SqueezeNet en el entorno Matlab. Resulta de importancia poder clasificar las partículas, en cuanto a su redondez, dado que estas arenas se utilizan en procesos de fracturación hidráulica para la extracción de hidrocarburos de manera no convencional. Tales yacimientos no convencionales requieren de la inyección de arenas que actúan como apuntalantes de la fractura en las rocas. La calidad de las arenas para cumplir dicha función se evalúa por la norma API19C, que establece medidas geométricas – esfericidad y redondez- más un porcentaje de fractura cuando la muestra es sometida a compresión. Todas estas mediciones deben encontrarse dentro de valores límites para asegurar la calidad de la arena. El método indicado por la norma (tradicional no automatizado) para la medición de redondez tiene una alta dependencia del criterio del observador o laboratorista, que analiza una muestra mediante un microscopio eligiendo un número muy reducido de partículas al azar, y comparándolas visualmente con formas graficas establecidas en una cartilla. La aplicación de redes neuronales convolucionales, y de otras técnicas de Inteligencia Artificial, resultan una alternativa muy interesante respecto de cómo se vienen llevando a cabo dichas labores.