Estimación de composición mineral en rocas sedimentarias a partir de elementos químicos y redes neuronales

Abstract

Consideramos aquí la problemática de la estimación de la composición mineral de rocas utilizando como dato de entrada los elementos químicos medidos con Fluorescencia de Rayos X (FRX). Usualmente, la generación de este tipo de modelos mineralógicos es a partir de una inversión matemática que transforma las concentraciones de elementos químicos en concentraciones mineralógicas. Sin embargo, crear este modelo matemático no es una tarea sencilla [1], ya que la composición química de los minerales y la suposición de la presencia o ausencia de un mineral específico se necesitan como entrada para el modelo. Además, la presencia de un mismo elemento químico en más de un mineral hace que el número de incógnitas sea mayor al número de ecuaciones; por lo que no hay, en general, una solución única. En base a las dificultades presentadas, se buscó desarrollar un modelo mineralógico de redes neuronales utilizando el aprendizaje automático. La principal ventaja de la utilización de este tipo de modelos es que no se necesita un conocimiento previo de la composición de los minerales, lo que reduce la subjetividad del modelo. Las concentraciones químicas de muestras de roca obtenidas a través de mediciones de FRX se utilizarán como entradas para el modelo, y la mineralogía obtenida a partir de datos de difracción de rayos X (DRX) serán las salidas. Se utilizó una Red Neuronal Artificial para extraer las relaciones entre los datos de FRX y los de DRX. Basándonos en trabajos previamente publicados [2, 3], se eligió trabajar con arquitectura de redes neuronales superficiales, esto es con una cantidad reducida de capas ocultas. Los datos para la generación del modelo provienen de muestras de roca de diferentes formaciones de cuencas sedimentarias productivas de la Argentina, contabilizando 508 puntos que contaban con medición por FRX y DRX.