Proyecto 045-2025 — Nuevas Tecnologías Computacionales para el Procesamiento e Inversión Conjunta de Gravimetría, Magnetometría y Magnetotelúrica mediante Aprendizaje Profundo Guiado por Principios Físicos para la Caracterización Multicriterio

Este repositorio contiene el desarrollo de software y documentación asociados al Proyecto 045-2025 titulado:

NUEVAS TECNOLOGÍAS COMPUTACIONALES PARA EL PROCESAMIENTO E INVERSIÓN CONJUNTA DE GRAVIMETRÍA, MAGNETOMETRÍA Y MAGNETOTELÚRICA MEDIANTE APRENDIZAJE PROFUNDO GUIADO POR PRINCIPIOS FÍSICOS PARA LA CARACTERIZACIÓN MULTICRITERIO

El proyecto es financiado por MINCIENCIAS y la Agencia Nacional de Hidrocarburos (ANH), y se desarrolla en alianza con instituciones académicas y de investigación nacionales.

---

📌 Descripción del proyecto

Este repositorio agrupa herramientas de cómputo que permiten:

• Procesar y pre-procesar datos de gravimetría, magnetometría y magnetotelúrica.
• Integrar los tres tipos de datos geofísicos mediante modelos que emplean aprendizaje profundo guiado por principios físicos (Physics-Guided Deep Learning).
• Desarrollar esquemas de inversión conjunta para caracterización multicriterio de la geología del subsuelo.
• Facilitar el manejo de datos masivos usando estrategias de computación de alto rendimiento.

El código está organizado para permitir su ejecución en distintos modos de uso (desarrollo, análisis, ejecución de algoritmos de entrenamiento, etc.).

---

🚀 Guía rápida de instalación

Se recomienda utilizar Anaconda para la gestión de dependencias y entornos.

1. Clona este repositorio:

   git clone https://github.com/tu_usuario/045-2025.git

2. Crea y activa un entorno con Python 3.10 o superior (reemplaza <nombre-entorno> por el nombre que prefieras):

   conda create -n <Nombre-entorno> python=3.10
   conda activate <Nombre-entorno>

3. Instala las dependencias (ejecutar dentro de la carpeta del repositorio):

   pip install -r requirements.txt

4. Instala el paquete del proyecto en modo editable (necesario para que los imports de Forward funcionen desde cualquier notebook, sin importar su ubicación):

   pip install -e .

🗺️ Correspondencia de modelos geológicos

Modelo	Zona volcánica asociada	Descripción breve
Model A	Volcán Cerro Machín	Modelo 3D construido en el marco del P8091 a partir de la digitalización de secciones transversales de un modelo geológico de densidad obtenido de la inversión gravimétrica reportada por Beltrán (2020). Las secciones fueron interpoladas en GemPy, representando capas volcánicas someras, un conducto volcánico, una cámara magmática profunda y un basamento de mayor densidad.
Model B	Volcán Cerro Machín	Modelo 3D desarrollado en el marco del Proyecto 8091 mediante la digitalización de 7 secciones transversales y paralelas de un modelo geológico de resistividad propuesto por Herrera (2020) a partir de inversión magnetotelúrica. Las secciones fueron interpoladas en GemPy, obteniendo una representación de cuerpos volcánicos someros, conducto volcánico y zonas de recarga.
Model C	Volcán Puracé	Modelo 3D generado en el marco del P8091 a partir de la digitalización de 2 secciones transversales derivadas de un modelo geológico de densidad obtenido de datos gravimétricos y magnéticos por Ponce et al. (2024). La interpolación en GemPy permitió representar capas volcánicas someras, zonas de alteración, un conducto volcánico y una cámara magmática profunda.
Model D	Volcán Azufral	Modelo 3D construido en el marco del P8091 mediante la digitalización de 9 secciones transversales de un modelo geológico de densidad obtenido por Ponce (2013) a partir de la interpretación de anomalías de campos potenciales. Las secciones fueron interpoladas en GemPy, representando capas volcánicas someras, estructuras volcánicas, áreas de alteración hidrotermal y capas sello.
Model E	Volcán Cerro Machín	Modelo 3D de contraste de densidad y susceptibilidad magnética tomado de Moreno et al. (2025), obtenido mediante la inversión conjunta de datos de gravimetría y magnetometría adquiridos por Beltrán (2020). El modelo representa capas volcánicas someras, un conducto volcánico conectado con una cámara magmática profunda y un basamento de mayor densidad.

---

📂 Organización del Repositorio

P8091/
├── data/                          # Datos geofísicos
│   ├── gravimetria/               # Datos de gravedad (observados y sintéticos)
│   ├── magnetometria/             # Datos magnéticos
│   ├── magnetotelurica/           # Datos MT (impedancias, resistividad aparente, fase)
│   └── processed/                 # Datos preprocesados listos para inversión
│
├── forward/                       # Modelado directo (Forward Modeling)
│   ├── gravity_forward.py         # Operador directo gravimétrico
│   ├── magnetic_forward.py        # Operador directo magnético
│   ├── mt_forward.py              # Operador directo magnetotelúrico
│   └── utils_forward.py           # Funciones auxiliares físicas y numéricas
│
├── inversion/                     # Esquemas de inversión
│   ├── joint_inversion.py         # Inversión conjunta multi-física
│   ├── gravity_inversion.py       # Inversión individual gravimétrica
│   ├── magnetic_inversion.py      # Inversión individual magnética
│   ├── mt_inversion.py            # Inversión individual MT
│   └── regularization.py          # Términos de regularización física
│
├── models/                        # Modelos físicos y redes neuronales
│   ├── neural_fields.py           # Neural fields físicos consistentes
│   ├── physics_guided_nn.py       # Redes profundas guiadas por física
│   ├── loss_functions.py          # Funciones de pérdida (data + física)
│   └── architectures/             # Arquitecturas (MLP, CNN, Fourier features, etc.)
│
├── preprocessing/                 # Preprocesamiento y limpieza
│   ├── filtering.py               # Filtros y reducción de ruido
│   ├── normalization.py           # Normalización y escalamiento
│   └── interpolation.py           # Interpolación y gridding
│
├── training/                      # Entrenamiento de modelos
│   ├── train_joint.py             # Entrenamiento para inversión conjunta
│   ├── train_individual.py        # Entrenamiento por método individual
│   └── scheduler.py               # Estrategias de optimización
│
├── evaluation/                    # Evaluación y métricas
│   ├── metrics.py                 # RMSE, MAE, chi², etc.
│   └── visualization.py           # Visualización de resultados
│
├── notebooks/                     # Jupyter Notebooks de análisis
│   ├── 01_preprocessing.ipynb
│   ├── 02_forward_modeling.ipynb
│   ├── 03_training.ipynb
│   └── 04_joint_inversion.ipynb
│
├── tests/                         # Pruebas unitarias y validación
│
├── environment.yml                # Entorno Conda
└── README.md                      # Documentación principal