Para inscribirte, clic aquí.
Bajo la inspiración de los impresionantes resultados obtenidos por las redes neuronales generativas de aprendizaje profundo en áreas como la generación de imágenes y videos, se inicia la investigación para construir una parametrización continua de modelos de facies y generación de las facies geológicas (capas sedimentarias del subsuelo).
Una de las técnicas más exitosas y eficientes, actualmente disponible para el problema del ajuste histórico, es la técnica de ensemble smoother (ES). Sin embargo, debido a que este método se basa en el filtro de Kalman (suposiciones gaussianas), su desempeño se degrada severamente cuando es aplicado a modelos de reservorios que describen las facies geológicas. La combinación de redes neuronales generativas de aprendizaje profundo con el algoritmo de ensemble smoother para la asimilación de datos múltiples (ES-MDA) permite alcanzar excelentes resultados.
Expositor
Smith Washington Arauco Canchumuni
Graduado en Ingeniería Mecatrónica por la Universidad Nacional de Ingeniería (Perú), y magíster en Ingeniería Mecánica y PhD en Ingeniería Eléctrica por la Pontificia Universidad Católica de Río de Janeiro (Brasil). Sus áreas de interés incluyen el aprendizaje automático, la visión computacional, la optimización y la inteligencia artificial. Actualmente, se desempeña como investigador en el Laboratorio de Inteligencia Computacional Aplicada y como docente en cursos de especialización y extensión en la Pontificia Universidad Católica de Río de Janeiro.
Público
Actividad virtual sin costo, sujeta a aforo, dirigida a la comunidad de la Universidad de Lima y al público en general.
Informes
Organiza
Facultad de Ingeniería y Arquitectura | Carrera de Ingeniería de Sistemas
