Datos utilizados para el proyecto “Herramientas-computacionales-para-las-geociencias”

Descripción del repositorio

Este repositorio tiene códigos en Python y los archivos de datos utilizados para los resultados para cada uno de los casos presentados, en los que se utiliza programación en Python, redes neuronales y condicionales anidados

Póster de la presentación

Este proyecto hace parte de nuestro póster presentado en la semana técnica de geología en la ciudad de Bucaramanga. El póster se encuentra en el siguiente enlace

Base de datos 💾

Todos los datos usados en este repositorio son de libre acceso, cortesía del Semillero de Investigación en Geofísica Aplicada (SIGAC) y de libre acceso proporcionado por pyGIMLi. La información está organizada por casos:

• Caso 1: Método de la poligonal geológica
• Caso 2: Clasificación de suelos
• Caso 3: Inversión de datos de sísmica de refracción
• Caso 4: Mapas de perspectividad mineral

Prerrequisitos ✅

Para ejecutar los códigos en el lenguaje de programación Python se requiere un Entorno de Desarrollo Integrado (IDE). En este caso se usó la plataforma Google Colaboratory (https://colab.research.google.com/)_

Resumen 📝

Método de la poligonal geológica: el primero es el cálculo del espesor real de las capas estratigráficas mediante el método de poligonales, el cual es ampliamente utilizado para entender la estructura geológica y la historia evolutiva de una región mediante columnas estratigráficas. La automatización de este proceso mediante software especializado permite realizar mediciones más precisas y rápidas, reduciendo los errores humanos y los costos operativos asociados con las técnicas manuales convencionales.

Clasificación de suelos: Clasificación de suelo según la norma ASTM (Sistema De Clasificación Unificado de Suelos), esenciales en los estudios geotécnicos para determinar las propiedades del suelo y su idoneidad para diferentes tipos de construcciones. Automatizar este proceso con Python a partir de funciones predefinidas y formatos inter operables, facilita la clasificación rápida y precisa de cientos de muestras obtenidas de una misma zona de estudio proporcionando resultados consistentes y replicables.

Inversión de datos de sísmica de refracción: Uso de aprendizaje automático, especialmente con redes neuronales artificiales, en la clasificación de litologías o tipos de roca. Estos modelos pueden procesar y clasificar grandes volúmenes de datos de rocas y sedimentos ayudando a identificar recursos potenciales y evaluar riesgos geológicos de manera más eficaz que los métodos convencionales.

Mapas de prospectividad mineral: Inversión de datos de sísmica de refracción con la librería pyGIMLi para determinar la estructura del subsuelo somero de la Tierra a partir de mediciones de la velocidad de las ondas sísmicas. Esto es especialmente útil porque los programas usados en la industria son comerciales, lo cual ha representado un reto en ciertos sectores académicos y de aplicación práctica. En este sentido, el uso de Python permite abordar la inversión geofísica a partir de herramientas de libre acceso. Además, dado que la inversión de estos datos es compleja debido a la necesidad de resolver ecuaciones inversas no lineales, el uso de pyGIMLi permite tener mayor control sobre los parámetros usados para obtener las tomografías de velocidad, y la posibilidad de integrar los datos tridimensionalmente.

¿Cómo colaborar con el proyecto? 🤝

Ayúdame difundiendo. Encuentra errores y repórtalos en un issue en GitHub. También puedes contactarme por medio de mis redes sociales.

Créditos ✒️

• Ana Gabriela Mantilla: anagmd2019@gmail.com
  
  

• Luisa Gómez: luisafgomezs14@gmail.com
  
  

• Paul Goyes: goyes.yesid@gmail.com
  

• Shaireth Carvajal: shairethomg@gmail.com