DESARROLLO ACTIVIDAD FASE 2 BÚSQUEDA EN ESPACIO DE ESTADO EN

LA INTELIGENCIA ARTIFICIAL

ESTUDIANTE

JEISSON ANDRÉS VANEGAS

CARLOS ARTURO MOTTA

EDWIN REINALDO MARTÍNEZ

ADRIANO GUTIÉRREZ

EMILIANO DE JESÚS GONZÁLEZ RODRÍGUEZ

GRUPO COLABORATIVO 28

TUTOR

FERNANDO ROJAS

DIRECTOR CURSO INTELIGENCIA ARTIFICIAL

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”

CERES LA PLATA HUILA

PROGRAMA INGENIERÍA DE SISTEMAS

BELALCÁZAR CAUCA

ABRIL DE 2019
 TABLA DE CONTENIDO

Explicar en consenso como aplica búsqueda en espacio de estado en el prototipo………….3

Algoritmos de búsqueda……………………………………………………………………..6
Razonamiento con incertidumbre……………………………………………………………9
Algoritmo aplica en el proyecto…………………………………………………………….10
Explicar en conceso como aplica algoritmos de búsqueda en el prototipo.

Espacio de estados: El proyecto se basa en la estimación de una propiedad petrofísica en las

rocas de los pozos, llamada permeabilidad. La permeabilidad es de gran importancia en la
industria, para calcular el fluido que debe estar ingresando del yacimiento al pozo. Esta es una
propiedad física de la roca, la cual entre más alto sea su valor, la roca permite pasar con mayor
velocidad el fluido a través de sus poros. Debido a que esta propiedad solo puede ser medida
mediante pruebas de presiones y pruebas de laboratorio, las cuales son muy costosas, se propone
un sistema de inteligencia artificial que pueda determinar la permeabilidad a partir de datos de
registros eléctricos tomados en el pozo. Estos registros son comunes a todos los pozos que se
perforan, por tal motivo, es una herramienta que ayudaría a estimar la distribución de las
propiedades petrofísicas en un yacimiento, sin necesidad de tomar pruebas en cada pozo.

Para el proyecto en desarrollo se utilizaron redes neuronales artificiales (RNA), con el algoritmo
de retropropagación (backpropagation) y con perceptrón multicapa, el cual tiene 12 entradas y
una sola salida. Para esto se utilizarán datos reales de un pozo, al cual por seguridad se le ha
cambiado el nombre a TEST-1. Para la construcción del modelo, se utilizaron 4 capas:

Representación de los Estados

- Primera Capa: Capa de entrada 12 neuronas para la entrada de las variables.

- Segunda Capa: Capa oculta, 12 neuronas, función de activación del rectificador.
- Tercera Capa: Capa oculta, 8 neuronas, función de activación del rectificador.
- Cuarta Capa: Capa de Salida, 1 neurona, función de activación Sigmoide.

Para el entrenamiento del modelo se utilizó una base de datos “Training_coma.txt” en la cual se
establecieron las entradas y las salidas del modelo, estableciendo el número de épocas en 150 y
el batch size en 10, la cual es la cantidad de instancias antes de que se actualice el peso de las
neuronas.
Grafica 1. Fase de Entrenamiento de la red neuronal.

A continuación, se muestra un ejemplo de los datos requeridos para la entrada, registros

eléctricos (rojo) y los datos de salida, permeabilidad (amarillo).
Parametros de Entrada
Parametros de salida

ROP GR RPD2 RPM2 RPS2 RHOB DRHO NPSS NPLS NPDL PHIE PERM_FINAL
194.78 69.89 10.41 10.41 10.41 2.53 0.03 0.22 0.16 0.15 0.11 21.15
206.60 66.56 9.57 9.57 9.57 2.51 0.03 0.22 0.16 0.14 0.10 4.14
184.03 63.91 8.89 8.89 8.89 2.50 0.03 0.21 0.16 0.14 0.09 0.96
184.28 59.48 8.44 8.44 8.44 2.50 0.04 0.21 0.15 0.14 0.10 0.30
183.81 56.93 8.25 8.25 8.25 2.50 0.04 0.21 0.15 0.14 0.11 0.45
167.34 55.30 8.28 8.28 8.28 2.50 0.04 0.20 0.15 0.13 0.12 0.80
187.33 54.09 8.47 8.47 8.47 2.51 0.04 0.20 0.14 0.13 0.12 1.12
198.61 53.42 8.76 8.76 8.76 2.52 0.04 0.20 0.14 0.13 0.12 0.87
240.78 51.77 9.08 9.08 9.08 2.52 0.04 0.20 0.14 0.13 0.12 0.72
257.80 50.72 9.39 9.39 9.39 2.52 0.04 0.19 0.14 0.13 0.12 0.90
250.43 49.85 9.65 9.65 9.65 2.52 0.04 0.19 0.14 0.13 0.13 2.36
252.60 49.50 9.83 9.83 9.83 2.52 0.04 0.19 0.14 0.13 0.14 4.17

Grafica 1. Ejemplo de los datos de ingreso y la salida deseada, pozo TEST-1.

Posteriormente se realizaron las pruebas con datos reales del archivo “Testing_coma.txt” y se
obtuvo que el porcentaje de aciertos fue del 91%, esto se realizó en el archivo de Excel llamado
“Calculo de Rendimiento de la Red.xlsx”.

Grafica 2. Predicción de la red neuronal.

Para el desarrollo de la red fue necesario importar librerías como: numpy, tensorflow (Google) y
keras (MIT). El código se adjunta en formato de lectura de Jupyter notebooks en el archivo
“Predictor de Petroleo.ipynb” y en formato phyton en “Predictor de Petroleo.py”. Cabe anotar
que el código se encuentra totalmente comentado para efectos de entendimiento del mismo.

Operadores

Movimientos utilizando el espacio en blanco

Mover espacio hacia arriba
Mover espacio hacia abajo
Mover espacio hacia la derecha
Mover espacio hacia la izquierda

Descripción del operador "Mover espacio hacia arriba"

Aplicabilidad: Es aplicable a estados que no tengan espacio en la primera fila

Función de transformación: Intercambio de las posiciones del espacio está encima de éste.

Descripción del operador "Mover espacio hacia abajo"

Aplicabilidad: Es aplicable a estados que no tengan espacio en la última fila

Función de transformación: Intercambio de las posiciones del espacio que está debajo de éste.

Descripción del operador "Mover espacio hacia la derecha"

Aplicabilidad: Es aplicable a estados que no tengan espacio en la última columna.

Función de transformación: Intercambio de las posiciones del espacio que está a la derecha de

éste.

Descripción del operador "Mover espacio hacia la izquierda"

Aplicabilidad: Es aplicable a estados que no tengan espacio en la primera columna.

Función de transformación: Intercambio de las posiciones del espacio que está a la izquierda

de éste.

Especificar el tipo de solución: Para la solución de la problemática presentada, utilizaremos la

búsqueda en anchura y búsqueda en profundidad, en ambos casos se omitirán los nodos

repetidos. Se implementará la generación de nodos de acuerdo a los operadores de

transformación definidos hasta encontrar el estado final deseado. La implementación de la

búsqueda se realizará en esta estructura.

Búsqueda en anchura: Su principal característica radica en que un nodo es visitado cuando

todos los nodos de los niveles superiores precedentes han sido visitados.

Búsqueda en profundidad: Su principal característica radica en que los nodos se visitan y

generan buscando los nodos a mayor profundidad y retrocediendo cuando no se encuentran

nodos sucesores.

Cada nodo contiene una matriz generada.

Algoritmos de búsqueda

Existen varios tipos de algoritmos entre los que están:

Algoritmo de Búsqueda en profundidad es un algoritmo que permite recorrer todos los nodos de

un grafo o árbol (teoría de grafos) de manera ordenada, pero no uniforme. Su funcionamiento

consiste en ir expandiendo todos y cada uno de los nodos que va localizando, de forma

recurrente, en un camino concreto. Cuando ya no quedan más nodos que visitar en dicho camino,

regresa (Backtracking), de modo que repite el mismo proceso con cada uno de los hermanos del

nodo ya procesado.

Pseudocodigo algoritmo búsqueda en profundidad

Código en phyton utilizando Jupyter notebook.

Razonamiento con incertidumbre

La incertidumbre surge porque se tiene un conocimiento incompleto / incorrecto del mundo o por
limitaciones en la forma de representar dicho conocimiento, por ejemplo:
Un sistema experto médico, Un robot móvil, Un sistema de análisis financiero, Un sistema de
reconocimiento de voz o imágenes

Por ejemplo un robot móvil tiene incertidumbre respecto a lo que obtiene de sus sensores y de su
posición en el mundo

Existen varias causas de incertidumbre que tienen que ver con la información, el conocimiento y
la representación, por información incompleta, poco confiable, ruido, distorsión y el
conocimiento es impreciso y contradictorio

Algunos ejemplos de incertidumbre están: Diagnóstico médico, Predicción financiera,

Exploración minera / petrolera, Interpretación de imágenes (visión), Reconocimiento de voz,
Monitoreo / control de procesos industriales, Robótica

Entre los efectos de la incertidumbre esta que se pierden varias propiedades de los sistemas que
no tienen incertidumbre, basados en lógicas o reglas, lo cual hace el manejo de incertidumbre
más complejo. Las principales dos características que, en general, ya no aplican son: Modular y
Monotónica

Modular: Un sistema de reglas es modular, ya que para saber la verdad de una regla sólo tiene
que considerarla a ésta, sin importar el resto del conocimiento. Pero si hay incertidumbre ya no
puedo considerar la regla por sí sola, debe tomar en cuenta otras reglas.

Monotónica: Un sistema es monotónico si al agregar nueva información a su base de datos,

entonces no se alteran las conclusiones que seguían de la base de datos original.

Técnicas simbólicas: Lógicas no-monotónicas, Sistemas de mantenimiento de verdad (TMS,

ATMS), Teoría de endosos

Técnicas numéricas: Probalistas como lo son Cadenas de Markov (ocultas), Campos de

Markov, Redes bayesianas, Redes de decisión, Procesos de decisión de Markov, y Alternativas
como Empíricas (MYCIN, Prospector), Lógica difusa, Teoría de Dempster-Shafer, Lógicas
probabilistas
 BIBLIOGRAFÍA
Ng & Abramson, “Uncertainty Management in Expert Systems”, IEEE Expert, Abril 1990
Lsi.upc.es. (2018). [Online] Available at: http://www.lsi.upc.es/~bejar/ia/transpas/teoria/4-

SBC4-rbayesianas.pdf

Caparrini, F. and Work, W. (2018). Espacios de estados - Fernando Sancho Caparrini. [Online]

Cs.us.es. Available at: http://www.cs.us.es/~fsancho/?e=33

Elvex.ugr.es. (2018). [Online] Available at:

https://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pdf

Udb.edu.sv. (2018). [Online] Available at: http://www.udb.edu.sv/udb/archivo/guia/informatica-

ingenieria/sistemas-expertos-e-inteligencia-artificial/2016/i/guia-7.pdf