PCP-GAN: Reconstrucción de imágenes porosas con GAN condicional

La caracterización de medios porosos en el subsuelo es un desafío técnico de primer orden. La heterogeneidad natural de las formaciones rocosas provoca que las imágenes de poros extraídas de una muestra no siempre reflejen las propiedades globales del yacimiento. Además, la disponibilidad de muestras físicas suele ser escasa, limitada a unos pocos pozos. En este contexto, la inteligencia artificial ha irrumpido con soluciones capaces de generar imágenes sintéticas representativas, como las que ofrece el modelo PCP-GAN, basado en redes generativas adversariales condicionales (cGAN). Este enfoque aprende a producir imágenes de poros a escala micrométrica donde propiedades como la porosidad y la profundidad quedan controladas con precisión. El entrenamiento con secciones delgadas de formaciones carbonatadas permite conservar detalles mineralógicos esenciales, diferenciando texturas y composiciones que los métodos convencionales en escala de grises perderían. La validación morfológica confirma que las imágenes generadas mantienen métricas clave como el radio medio de poro, la superficie específica o la tortuosidad, y que las correlaciones espaciales de los poros se conservan fielmente. Esto reduce drásticamente los errores respecto a la selección aleatoria de subimágenes reales, proporcionando datos fiables para aplicaciones críticas como el almacenamiento de carbono, la energía geotérmica o la gestión de acuíferos. La integración de estos modelos en flujos de trabajo empresariales resulta natural con el apoyo de empresas como Q2BSTUDIO, que ofrece servicios de inteligencia artificial para empresas capaces de adaptar algoritmos generativos a necesidades específicas. Además, dispone de aplicaciones a medida que permiten incorporar estas capacidades en plataformas de análisis, junto con soluciones de software a medida, servicios cloud AWS y Azure, ciberseguridad, servicios inteligencia de negocio y Power BI para visualizar propiedades petrofísicas generadas por agentes IA. De esta forma, la geociencia y la tecnología digital convergen para ofrecer herramientas robustas, escalables y precisas.