Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Bejarano Wallens, AristóbuloEraso Lasso, Henry SebastiánCarreño Marín, Dawer Stikc2022-09-142022-09-142022-09-072022-09-07https://noesis.uis.edu.co/handle/20.500.14071/11398Se propone un modelo para estimar las gargantas porales con base en las curvas de presión capilar generadas por el método de Thomeer, la caracterización del yacimiento y la implementación de aprendizaje automático. Los datos de entrada definidos para el modelado de las curvas de presión capilar fueron: Permeabilidad al aire, porosidad, saturación de agua irreducible (Swirr). Sin embargo, la estimación de Swirr es posible realizarla con la ecuación empírica (Bejarano), con lo que se consiguió crear la propuesta del modelo a partir de permeabilidad y porosidad efectiva para la caracterización de la roca en unidades hidráulicas y posterior la resolución de las curvas de presión capilar de Thomeer. Se diseña y prueba una aplicación web; PAWER, que permite interactuar de manera dinámica con tres algoritmos principales de aprendizaje no supervisado: K Means, Aglomerativo y Gaussian Mixture, y conocer a profundidad la distribución del tamaño de garganta de poro en el yacimiento. Se demostró la escalabilidad del software gracias a la implementación de los datos de Clerke et al. (2008).application/pdfspainfo:eu-repo/semantics/openAccessPresión capilarradio de garganta poralporosidadpermeabilidadFZIThomeer hipérbolasJ-Leverettaprendizaje automáticoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coCapillary pressurepore throat radiusporositypermeabilityFZIThomeer hyperbolasJ-Leverettmachine learninghttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)