Revista Mexicana

de Ingenierı́a Quı́mica
Academia Mexicana de Investigación y Docencia en Ingenierı́a Quı́mica, A.C.

Revista Mexicana de Ingeniería Química

Volumen 12, Número 1, Abril 2013

Vol. 12,CONTENIDO
No. 1 (2013) 105-120
ISSN 1665-2738

Volumen 8, número 3, 2009 / Volume 8, number 3, 2009

EVALUACIÓN DE TÉCNICAS DE ENTRENAMIENTO DE REDES NEURONALES 1

PARA ESTUDIOS GEOTERMOMÉTRICOS DE SISTEMAS GEOTÉRMICOS

EVALUATION OF TRAINING TECHNIQUES OF ARTIFICIAL NEURAL
213 Derivation and application of the Stefan-Maxwell equations
NETWORKS FOR GEOTHERMOMETRIC STUDIES OF GEOTHERMAL SYSTEMS
(Desarrollo y aplicación de
1∗ las ecuaciones de Stefan-Maxwell)
L. Dı́az-González , C.A. Hidalgo-Dávila , E. Santoyo3 y J. Hermosillo-Valadez1
2

Stephen Whitaker
1
Departamento de Computación, Facultad de Ciencias, Universidad Autónoma de Estado de Morelos,
Av. Universidad 1001, Chamilpa, Cuernavaca, Mor., 62209, México.
2
Programa de Licenciatura en Ciencias (Área Computación), Facultad de Ciencias, Universidad Autónoma del
Biotecnología / Biotechnology
Estado de Morelos, Av. Universidad 1001, Chamilpa, Cuernavaca, Mor., 62209, México.
3
Departamento de Sistemas
245 Modelado Energéticos, Centro
de la biodegradación de Investigación
en biorreactores de lodosende
Energı́a, Universidad
hidrocarburos totalesNacional Autónoma de
del petróleo
México, Priv. Xochicalco s/n, Col. Centro, Apdo. 34, Temixco 62580, México.
intemperizados en suelos y sedimentos
Recibido 2 de Diciembre de 2011; Aceptado 12 de Diciembre de 2012
(Biodegradation modeling of sludge bioreactors of total petroleum hydrocarbons weathering in soil
Resumen and sediments)
En este trabajo se reportan los resultados de un análisis multivariado usando redes neuronales artificiales para determinar la
contribuciónS.A. Medina-Moreno,
relativa S. Huerta-Ochoa,
de la composición C.A. Lucho-Constantino,
catiónica de fluidos (Na, K, Mg, Ca y Li)L. en
Aguilera-Vázquez, A.temperatura
la estimación de la Jiménez- de fondo
de pozos geote´rmicos.
González y M.En Gutiérrez-Rojas
este estudio se utilizó una base de datos de composición de 219 muestras de fluidos geotérmicos y
mediciones de temperatura de fondo medidas
259 Crecimiento, sobrevivencia en pozosde
y adaptación productores de diversas
Bifidobacterium partes
infantis del mundo. ácidas
a condiciones Se evaluaron las arquitecturas
neuronales usando diferentes técnicas numéricas de entrenamiento, funciones de activación logı́sticas y lineales, diferentes
combinaciones de lassurvival
(Growth, entradas,and
20adaptation
neuronas como máximo en lainfantis
of Bifidobacterium capa oculta y laconditions)
to acidic temperatura como salida. Los resultados
obtenidos de este estudio mostraron que la relación log(Na/K) presentó la más alta contribución relativa (69% al 75%), mientras
L. Mayorga-Reyes, P. Bustamante-Camilo, A. Gutiérrez-Nava, E. Barranco-Florido y A. Azaola-
que las variables log(Mg/Na2 ) y log(Ca/Na2 ) mostraron una menor contribución (3-13% y 12-22%, respectivamente). Las
Espinosa log(Li/ √ Mg) y Li obtuvieron un 3%. Detalles de la metodologı́a y los resultados de validación son
variables log(Na/Li),
reportados
265en este trabajo.
Statistical approach to optimization of ethanol fermentation by Saccharomyces cerevisiae in the
Palabras clave:
presencegeotermómetros,
of Valfor® zeoliteenergı́a
NaA geotérmica, Levenberg-Marquardt, inteligencia artificial, equilibrio
quı́mico y termodinámico.
Abstract (Optimización estadística de la fermentación etanólica de Saccharomyces cerevisiae en presencia de
A multivariate analysis
zeolita using
Valfor® artificial
zeolite NaA)neural networks for determining the relative contribution of the cationic composition
of fluids (Na, K, Mg, Ca and Li) for the estimation of downhole temperatures of geothermal wells is here reported. Neural
G. Inei-Shizukawa, H. A. Velasco-Bedrán, G. F. Gutiérrez-López and H. Hernández-Sánchez
architectures were evaluated using different numerical techniques of training, activation function logistic and linear, several
combinations of inputs, at most 20 neurons in the hidden layer and the measured temperatures as the targets. The obtained results
in this paper showsdethat
Ingeniería the relation
procesos log(Na/k)
/ Process obtained the highest relative contribution (69% al 75%), whereas other variables
engineering √
such as, log(Mg/Na2 ) and log(Ca/Na2 ), showed a less contribution (3-13% and 12-22%, respectively). log(Na/Li), log(Li/ Mg)
271 Localización de una planta industrial: Revisión crítica y adecuación de los criterios empleados en
and Li obtained 3% variables had a relative contribution = 3%. The details of the methodology and the validation results are
estapaper.
reported in this decisión

Keywords: (Plant site selection: Critical

geothermometers, review and
geothermal adequation
energy, criteria used in this decision)
Levenberg-Marquardt, artificial intelligence, chemical and
thermodynamic equilibrium.
J.R. Medina, R.L. Romero y G.A. Pérez

∗ Autora para la correspondencia. E-mail: [email protected]

Tel. (01-777) 3297000 ext. 3682

Publicado por la Academia Mexicana de Investigación y Docencia en Ingenierı́a Quı́mica A.C. 105
 Dı́az-Gonzálezyyycol./
Dı́az-González
Dı́az-González col./Revista
col./ RevistaMexicana
Revista Mexicanade
Mexicana deIngenierı́a
de Ingenierı́aQuı́mica
Ingenierı́a Quı́micaVol.
Quı́mica Vol.12,
Vol. 12,No.
12, No.111(2013)
No. (2013)XXX-XXX
(2013) 105-120
XXX-XXX

39
39
1 Introducción 90
90
II,
II, 1982;
1982; Nieva
Nieva yy Nieva,
Nieva, 1987;
1987; Giggenbach,
Giggenbach, 1988;
1988;
91
91
Arnórsson,
Arnórsson, 2000;
2000; Bayram,
Bayram, 2001;
2001; Can,
Can, 2002)
2002) basados
basados
40
40
El
El consumo
consumo crecientecreciente de de energı́a
energı́a eléctrica
eléctrica aa nivel nivel 92
92
en
en los
los elementos
elementos (y (y relaciones
relaciones de de ellos):
ellos): Na/K,
Na/K, K-Mg,
K-Mg,
41
41
mundial
mundial ha ha impulsado
impulsado el el desarrollo
desarrollo de de fuentes
fuentes alternas
alternas 93
93
Li-Mg,
Li-Mg, Na-Li,
Na-Li, Na/K-Ca,
Na/K-Ca, Na/K,Na/K, Mg,
Mg, Na/K-Ca-Mg
Na/K-Ca-Mg yy
42
42
de
de energı́a,
energı́a, entre entre las las cuales
cuales destaca
destaca la la energı́a
energı́a 94
94
SSiOiO22.. Dentro
Dentro de de la
la gama
gama de de geotermómetros
geotermómetros de de Na/K
Na/K
43
43
geotérmica.
geotérmica. La La principal
principal limitante
limitante de de lala geotermia,
geotermia, 95
95
se
se reportan al menos cinco trabajos (Bayram, 2001;
reportan al menos cinco trabajos (Bayram, 2001;
44
44
es
es elel alto
alto costo
costo que que representan
representan los los estudios
estudios de de 96
96
Can,
Can, 2002;
2002; Dı́az-González
Dı́az-González yy col.,
col., 2008;
2008; Serpen
Serpen yy col.,
col.,
45
45
exploración
exploración yy la la infraestructura
infraestructura tecnológica,
tecnológica, para para 97
97
2009,
2009, Santoyo y Dı́az-González., 2010) que usaron
Santoyo y Dı́az-González., 2010) que usaron lala
46
46
garantizar
garantizar una una explotación
explotación segura,
segura, óptima
óptima yy rentable
rentable 98
98
técnica
técnica computacional
computacional basada basada enen Redes
Redes Neuronales
Neuronales
47
47
de
de sus
sus recursos
recursos (Santoyo
(Santoyo yy Barragán,
Barragán, 2010).
2010). 99
99
Artificiales
Artificiales (RNA).
(RNA). Las Las RNARNA hanhan demostrado
demostrado ser ser
48
48
La
La estimación
estimación de de temperaturas
temperaturas de de fondofondo de de 100
100
efectivas:
efectivas: (i) para encontrar la solución de
(i) para encontrar la solución de problemas
problemas
49
49
pozos
pozos son son invaluables
invaluables en en la
la perforación,
perforación, construcción
construcción 101
101
numéricos
numéricos complejos
complejos desdedesde elel punto
punto de de vista
vista fı́sico
fı́sico
50
50
yy explotación
explotación de de sistemas
sistemas geoenergéticos
geoenergéticos (p.ej., (p.ej., 102
102
conceptual y matemático; y (ii)
conceptual y matemático; y (ii) para reemplazarpara reemplazar
51
51
Martı́nez-Méndez
Martı́nez-Méndez yy col., col., 2005;
2005; Álvarez
Álvarez del del 103
103
trabajos
trabajos experimentales
experimentales que que suelen
suelen ser
ser muy
muy difı́ciles
difı́ciles
52
52
Castillo
Castillo yy col.,col., 2010).
2010). Estas Estas temperaturas
temperaturas también también 104
104
de llevar a cabo, tanto técnica como económicamente
de llevar a cabo, tanto técnica como económicamente
53
53
permiten
permiten conocerconocer la la mejor
mejor aproximación
aproximación posible posible 105
105
(Dı́az-González
(Dı́az-González yy Santoyo,
Santoyo, 2008;
2008; Dı́az-González
Dı́az-González yy
54
54
de
de lala temperatura
temperatura estáticaestática de de formación
formación oo tambiéntambién 106
106
col.,
col., 2008). En estos trabajos previos, los
2008). En estos trabajos previos, los autores
autores han
han
55
55
conocidas
conocidas como como temperaturas
temperaturas no-perturbadas
no-perturbadas oo 107
107
considerado
considerado únicamente como variable de entrada aa la
únicamente como variable de entrada la
56
56
estabilizadas,
estabilizadas, las las cuales
cuales sonson sujetas
sujetas aa interferencias
interferencias 108
108
relación
relación log(Na/K)
log(Na/K) en en las
las diferentes
diferentes arquitecturas
arquitecturas de de
57
57
durante
durante la la perforación
perforación de de pozos
pozos geotérmicos
geotérmicos (p.ej., (p.ej., 109
109
RNA
RNA propuestas.
propuestas.
58
58
Olea-González
Olea-González yy col., col., 2007;
2007; Espinosa-Paredes
Espinosa-Paredes yy 110
110

59
59
Espinosa-Martı́nez,
Espinosa-Martı́nez, 2009) 2009) oo pozos pozos marinos
marinos (p.ej., (p.ej., 111
111
La
La estimación
estimación de de lala temperatura
temperatura en en unun pozo
pozo
60
60
Espinosa-Paredes
Espinosa-Paredes yy col., col., 2009).
2009). 112
112
es
es una
una tarea
tarea geoquı́mica
geoquı́mica de de alta
alta relevancia
relevancia en en lala
61
61
Las
Las herramientas
herramientas más más económicas
económicas yy usadas usadas 113
113
evaluación
evaluación de de los
los proyectos
proyectos geotermoeléctricos
geotermoeléctricos yy su su
62
62
para
para estimar
estimar las las temperaturas
temperaturas de de fondo
fondo son son los los 114
114
viabilidad.
viabilidad. Si Si bien
bien loslos geotermómetros
geotermómetros quı́micos
quı́micos
63
63
geotermómetros
geotermómetros quı́micos, quı́micos, los los cuales
cuales se se pueden
pueden 115
115
basados
basados en en solutos
solutos actualmente
actualmente proporcionan
proporcionan una una
64
64
clasificar
clasificar en en tres
tres tipos
tipos principales:
principales: la la geotermometrı́a
geotermometrı́a 116
116
lectura
lectura confiable,
confiable, el el conocimiento
conocimiento de de los
los factores
factores
65
65
de
de solutos,
solutos, gases gases ee isótopos.
isótopos. En En este
este trabajo
trabajo se se 117
117
que
que afectan
afectan la la precisión
precisión en en lala estimación
estimación de de la la
66
66
aborda
aborda el el estudio
estudio de de lala geotermometrı́a
geotermometrı́a de de solutos.
solutos. 118
118
temperatura
temperatura de de fondo
fondo sigue
sigue siendo
siendo un un problema
problema
67
67
Los
Los geotermómetros
geotermómetros de de solutos
solutos estiman
estiman la la temperatura
temperatura 119
119
abierto
abierto yy un un reto
reto cientı́fico
cientı́fico por
por alcanzar
alcanzar para
para la la
68
68
de
de fondo
fondo aa partir partir de de lala composición
composición quı́micaquı́mica de de 120
120
industria
industria geotérmica
geotérmica yy su su comunidad
comunidad geocientı́fica.
geocientı́fica. Un
Un
69
69
los
los fluidos
fluidos geotérmicos
geotérmicos que que emergen
emergen en en manantiales
manantiales 121
121
conocimiento
conocimiento más más profundo
profundo de de estos
estos factores
factores podrı́a
podrı́a
70
70
hidrotermales,
hidrotermales, sin sin la la necesidad
necesidad de de perforar
perforar un un 122
122
dar
dar indicios
indicios sobre
sobre nuevas
nuevas posibilidades
posibilidades de de mejorar
mejorar la la
71
71
pozo.
pozo. En En general
general los los geotermómetros
geotermómetros son son ecuaciones
ecuaciones 123
123
precisión
precisión dede los
los instrumentos,
instrumentos, todatoda vez
vez que
que se
se podrı́an
podrı́an
72
72
empı́ricas
empı́ricas propuestas
propuestas aa partir partir de
de mediciones
mediciones in in situ
situ dede 124
124
explorar
explorar técnicas
técnicas más
más sofisticadas
sofisticadas de de procesamiento
procesamiento
73
73
fluidos
fluidos geotérmicos
geotérmicos yy temperaturas
temperaturas de de fondo.
fondo. Este Este 125
125
de
de información,
información, utilizando
utilizando herramientas
herramientas yy tecnologı́as
tecnologı́as
74
74
tipo
tipo dede temperaturas
temperaturas son son medidas
medidas en en el
el fondo
fondo del del pozo
pozo 126
126
de
de cómputo
cómputo más
más poderosas
poderosas disponibles
disponibles hoy hoy enen dı́a.
dı́a.
75
75
productor,
productor, mediante
mediante sondas sondas analógicas,
analógicas, digitales
digitales oo de de 127
127
La
La hipótesis
hipótesis del
del presente
presente trabajo
trabajo eses que
que uno
uno dede estos
estos
76
76
fibra
fibra óptica
óptica (Bassam
(Bassam yy col., col., 2010;
2010; Espinoza-Ojeda
Espinoza-Ojeda yy 128
128
factores
factores radica
radica enen lala información
información adicional
adicional contenida
contenida
77
77
col.,
col., 2011).
2011). 129
129
en
en otros elementos quı́micos, cuya contribución
otros elementos quı́micos, cuya contribución aa
78
78
Las
Las herramientas
herramientas geotermométricas
geotermométricas tienen tienen 130
130
la
la estimación
estimación de de lala temperatura
temperatura de de fondo
fondo nono sese ha
ha
79
79
fundamentos
fundamentos termodinámicos yy geoquı́micos
termodinámicos geoquı́micos basados basados 131
131
considerado hasta ahora en la literatura.
considerado hasta ahora en la literatura.
80
80
en
en loslos procesos
procesos de de interacción
interacción agua agua roca roca que que 132
132

81
81
dominan
dominan los los sistemas
sistemas geotérmicos.
geotérmicos. Estos Estos procesos
procesos 133
133
Ante
Ante este
este planteamiento,
planteamiento, elel objetivo
objetivo del
del presente
presente
82
82
dan
dan lugar
lugar aa que que algunos
algunos minerales
minerales presentes
presentes en en la la 134
134
trabajo
trabajo es
es proponer
proponer un un método
método de de solución
solución alal
83
83
roca,
roca, se se solubilicen
solubilicen hasta hasta alcanzar
alcanzar un un estado
estado de de 135
135
problema
problema de de determinar
determinar lala contribución
contribución dede algunos
algunos
84
84
equilibrio
equilibrio quı́mico,
quı́mico, dependiendo
dependiendo de de las
las condiciones
condiciones 136
136
elementos
elementos catiónicos
catiónicos quı́micos
quı́micos presentes
presentes enen los
los fluidos
fluidos
85
85
de
de temperatura
temperatura yy de de presión
presión queque prevalecen
prevalecen en en 137
137
geotérmicos
geotérmicos producidos
producidos enen manantiales
manantiales hidrotermales
hidrotermales
0
86
86
el
el yacimiento
yacimiento (Nieva (Nieva yy Nieva,Nieva, 1987;
1987; D D0Amore
Amore yy 138
138
yy reportar
reportar nuestros
nuestros hallazgos.
hallazgos. En
En este
este sentido,
sentido, nuestra
nuestra
87
87
Arnórsson,
Arnórsson, 2000). 2000). Actualmente
Actualmente existen existen reportados
reportados 139
139
propuesta
propuesta eses exploratoria,
exploratoria, por
por lo
lo que
que consideramos
consideramos
88
88
en
en la
la literatura
literatura aproximadamente
aproximadamente 39 39 geotermómetros
geotermómetros 140
140
que
que nuestros
nuestros resultados
resultados permiten
permiten sentar
sentar un
un precedente
precedente
89
89
de
de solutos
solutos (p.ej.,
(p.ej., Fournier
Fournier 1979;1979; Fournier
Fournier yy Potter Potter 141
141
importante
importante sobre
sobre la
la naturaleza
naturaleza multicomponente
multicomponente de de

106
22 www.rmiq.org
www.rmiq.org
www.rmiq.org
 Dı́az-Gonzálezy ycol./
Dı́az-González col./Revista
RevistaMexicana
MexicanadedeIngenierı́a
Ingenierı́aQuı́mica
Quı́micaVol.
Vol.12,
12,No.
No.1 1(2013)
(2013)XXX-XXX
105-120

142 los fluidos geotérmicos y sus implicaciones en el 191 metodologı́a requiere de un algoritmo de optimización
143 desarrollo de nuevas herramientas geotermométricas y 192 para minimizar el error entre la temperatura estimada
144 la estimación de temperaturas de fondo, y con ello en 193 y la medida, para ello existe una amplia gama de
145 el ámbito de la investigación en este campo. 194 técnicas numéricas de entrenamiento. Las cuales
146 195 requieren para su funcionamiento, de un conjunto de
147 En el presente trabajo se propone un análisis 196 patrones de entrenamiento constituido por los valores
148 estadı́stico multivariado basado en la metodologı́a 197 de entrada y salida de la RNA. Los geotermómetros
149 computacional RNA para determinar la contribución 198 generalmente han sido propuestos a partir de bases de
150 de otros elementos quı́micos en la estimación final 199 datos compiladas con muestras de fluidos geotérmicos
151 de la temperatura de fondo. Se usó una base de 200 y mediciones de la temperatura medida en pozos
152 datos geoquı́micos mundial con 708 muestras de 201 productores.
153 fluidos y temperaturas de fondo medidas en pozos
154 geotérmicos de diferentes partes del mundo. El 202 2.1 Geotermómetros de solutos
155 presente estudio multivariado se desarrolló usando
156 las siguientes variables tomadas de la composición 203 Los geotermómetros de solutos estiman la temperatura
157 quı́mica: Na, K, Mg, Ca y Li. Las cuales fueron 204 de fondo considerando exclusivamente la composición
158 seleccionadas debido a su alta disponibilidad en la 205 quı́mica de la fase lı́quida de las descargas del
159 base de datos y además por ser los elementos más 206 fluido geotérmico en la superficie, ya sea de
160 usados como indicadores de la temperatura en los 207 manifestaciones hidrotermales o de pozos productores
161 geotermómetros catiónicos. 208 (Giggenbach, 1988). Existen reportados en la
162 209 literatura aproximadamente 39 geotermómetros de
163 En este trabajo se evaluaron más de 60 210 solutos basados en diferentes cationes, tales como
164 arquitecturas de RNA con los siguientes elementos 211 Na-K, K-Mg, Li-Mg, Na-Li, Na-K-Ca, Na-K-Mg, Na-
165 de configuración: (i) usando diferentes técnicas de 212 K-Ca-Mg, ası́ como los correspondientes al contenido
166 entrenamiento (tales como, Levenberg-Marquardt, 213 de sı́lice (SiO2 ). En la Tabla 1 se muestran todos
167 Quasi-Newton y gradiente descendente); (ii) usando 214 estos geotermómetros, con sus respectivas ecuaciones
168 diferentes combinaciones de las variables de entrada 215 y referencias.
169 antes mencionadas; (iii) usando funciones de 216 El 44% (n=17) de estos geotermómetros
170 activación del tipo sigmoidal (logı́stica y tangente 217 corresponden a la relación log(Na/K), de los cuales
171 hiperbólica) en la capa oculta y, en la capa de 218 el 41% (n=7) fueron desarrollados usando la técnica
172 salida también se probaron las funciones sigmoidales 219 computacional de RNA (Bayram, 2001; Can, 2002;
173 (logı́stica y tangente hiperbólica) y además la función 220 Dı́az-González y col., 2008; Serpen y col., 2009;
174 lineal; y, (iv) usando entre 1 y 20 neuronas en la 221 Santoyo y Dı́az-González, 2010).
175 capa oculta. Cabe mencionar que en la literatura se 222 En este trabajo pretendemos explotar las
176 reportan diversas técnicas para diseñar arquitecturas 223 capacidades de cómputo de las RNA para determinar
177 de RNA usando algoritmos evolutivos (p.ej., Yao, 224 la contribución de otros elementos quı́micos en
178 1999; Stanley y Miikkulainen, 2002; Landassuri- 225 la estimación final de la temperatura de fondo,
179 Moreno y Bullinaria, 2009). En un trabajo futuro 226 proporcionando no sólo como entrada el log(Na/K)
180 nos proponemos emplear alguna de éstas técnicas de 227 sino también otros elementos catiónicos (tales como
181 adaptación para optimizar las arquitecturas neuronales 228 Mg, Ca y Li) presentes en la composición quı́mica
182 evaluadas en el presente trabajo. 229 de las muestras de fluido compiladas en nuestra base
230 de datos. El objetivo de este trabajo es estimar la
231 contribución relativa de cada variable de entrada de la
183 2 Antecedentes 232 RNA a la estimación final de la temperatura.

Los geotermómetros de solutos son ampliamente

184
233 2.2 Redes Neuronales Artificiales
185 usados para estimar la temperatura de fondo en la
186 etapa de exploración de yacimientos geoenergéticos, 234 Una RNA se compone de un determinado número
187 especı́ficamente en este trabajo se estudiaron los pozos 235 de neuronas artificiales interconectadas masivamente
188 geotérmicos. A la fecha existen reportados al menos 236 mediante canales de información denominados
189 cinco de estas herramientas que han sido propuestas 237 conexiones, formando una estructura paralela
190 usando la técnica computacional basada en RNA. Esta 238

www.rmiq.org 1073
 Dı́az-González
Dı́az-González y col./
y col./ Revista
Revista Mexicana
Mexicana dede Ingenierı́a
Ingenierı́a Quı́mica
Quı́mica Vol.
Vol. 12,12,
No.No. 1 (2013)
1 (2013) 105-120
XXX-XXX

Tabla 1. Geotermómetros catiónicos reportados en la literatura (Tabla modificada de Verma y col., 2008).
Geotermómetro Ecuación Referencia
Na-K 777/[log(Na/K) + 0.700]-273.15 Fournier-Truesdell (1973)
Na-K 855.6/[log(Na/K) + 0.8573]-273.15 Truesdell (1976)
Na-K 1217(± 93.9)/[log(Na/K) + 1.483)]-273.15 Fournier (1979)
Na-K 833/[log(Na/K) + 0.780]-273.15 Tonani (1980)
Na-K 933/[log(Na/K) + 0.993]-273.15 Arnórsson (1983)
Na-K 1319/[log(Na/K) + 1.699]-273.15 Arnórsson (1983)
Na-K 1178/[log([Na]/[K]) + 1.239]-273.15 Nieva-Nieva (1987)
Na-K 1390/[log(Na/K) + 1.75]- 273.15 Giggenbach (1988)
Na-K 1289(±76/[log(Na/K) + 0.615)]-273.15 Verma y Santoyo (1997)
Na-K 733.6-770.551[log([Na]/[K])] + 378.189[log([Na]/[K])]2 Arnórsson (2000)
-95.753[log([Na]/[K])]3 + 9.544[log([Na]/[K])]2
Na-K 2.0446 /( log(Na/K) + 126.01) - 273.15 Bayram (2001)
Na-K 1052 /(1+ e(1.714(log(Na/K)+ 0.252)))+ 76 Can (2001)
Na-K 883/(log(Na/K)+ 0.908)- 273.15 Dı́az-González y col. (2008)
Na-K 1273.2 (tanh(-0.4144log(Na/K)-0.5642)) +1156.9 Dı́az-González y col. (2008)
Na-K 883(±15) /(log(Na / K)+ 0.894(± 0.032))- 273.15 Dı́az-González y col. (2008)

K-Mg 4410/[14.0-log(K2 /Mg)]-273.15 Giggenbach (1988)

K-Mg 2330/[7.35-log(K2 /Mg)]-273.15 Fournier (1991)
K-Mg 1077/[4.033 + log(K2 /Mg)]-273.15 Fournier (1991)
√
Li-Mg 2200/[5.47-log(Li/( √ Mg))]-273.15 Kharaka y Mariner (1989)
Li-Mg 1910/[4.63-log(Li/( Mg))]-273.15 Kharaka y Mariner (1989)
239

Na-Li 1000(±47)/[log([Na]/[Li]) + 0.38(±0.11)]-273.15 Fouillac y Michard (1981)

Na-Li 1195(±75)/[Log([Na]/[Li])-0.19(±0.25)]-273.15 Fouillac y Michard (1981)
Na-Li 1590/[log(Na/Li) + 0.779]-273.15 Kharaka y Mariner (1989)
Na-Li 1049(±44)/[log([Na]/[Li]) + 0.44(±0.10)]-273.15 Verma y Santoyo (1997)
Na-Li 1267(±35)/[log([Na]/[Li]) + 0.07(±0.10)]-273.15 Verma y Santoyo (1997)
√
Na-K-Ca {1647/[log([Na]/[K])+β(log(( [Ca])/[Na]) Fournier-Truesdell (1973)
+2.06)+2.47]}-273.15 √
Na-K-Ca 1120/[log(Na/K)+β(log( Ca/Na)+2.06)+1.32]-273.15 Kharaka y Mariner (1989)

Na-K-Mg 11140/[6 log([Na]/[K])+log([Mg]/[Na]2 )+18.30]-273.15 Nieva-Nieva (1987)

Na-K-Ca-Mg {16000/[3 log([Na]/[K])+3 log([Ca]/[Na]2 )- Nieva-Nieva (1987)

log([Mg]/([Na])2 ) + 44.67]}-273.15
Na-K-Ca-Mg {10080/[5 log([Na]/[K])+2 log([Ca]/[Na]2 ) Nieva-Nieva (1987)
-log([Mg]/([Na])2 ) + 16.65]}-273.15

Sı́lice [1309/(5.19-log (S)]-273.15 Fournier (1977)

Sı́lice [1522/(5.75-log (S)]-273.15 Fournier (1977)
Sı́lice -42.198(±1.345) + 0.28831(±0.01337)S-3.6686 x10−4 Fournier y Potter (1982)
(±3.152 x10−5 )S2 + 3.1665 x10−7 (±2.421 x10−7 )S3
+ 77.034(±1.216)log S
Sı́lice - 44.119(±0.438) + 0.24469(±0.00573)S-{1.7414 x10−4 Verma y Santoyo (1997)
(±1.365 x10−5 )}S2 + 79.305(±0.427)log S
Sı́lice [140.82(±0.00)] + [0.23517(±0.00179)]S Verma y Santoyo (1997)

4108 www.rmiq.org
www.rmiq.org
 Dı́az-González y col./
Dı́az-González Revista
y col./ Mexicana
Revista de Ingenierı́a
Mexicana Quı́mica
de Ingenierı́a Vol. 12,12,
Quı́mica No. 1 (2013) 105-120
Dı́az-González y col./ Revista Mexicana de Ingenierı́a Quı́mica Vol.Vol.
12, No.No. 1 (2013)
1 (2013) XXX-XXX
XXX-XXX
−4 2 −7 3
Sı́lice-55.3
Sı́lice -55.3 + 0.3659S-5.3954
+ 0.3659S-5.3954 x10x10
−4 2 S + 5.5132 x10
S + 5.5132 x10−7 S3 S ArnórssonArnórsson (2000)
(2000)
+ 74.360
+ 74.360 log S log S
Sı́lice[1175.7(±31.7)]/[4.88(±0.08)-log
Sı́lice [1175.7(±31.7)]/[4.88(±0.08)-log S]-273.15
S]-273.15 Verma
Verma (2000)
(2000)
∗
∗
Las unidades de concentración de Na y K citadas entre paréntesis deben estarestar
Las unidades de concentración de Na y K citadas entre paréntesis deben en mg/kg
en mg/kg (ppm)
(ppm)
240 y aquellas entre corchetes en unidades molares. En el caso del
y aquellas entre corchetes en unidades molares. En el caso del geotermómetro geotermómetro de Na-K-Ca:
de Na-K-Ca:
240
240
β , 4/3 √ √Ca/Na)<
β , 4/3 parapara
t < t100;
< 100; β , 1/3
β , 1/3 parapara
t > t100;
> 100; β , 1/3
β , 1/3 parapara
t < t100
< 100 y log(
y log( Ca/Na)< 0 0
En elEncaso
el caso
del del geotermómetro
geotermómetro de Sı́lice:
de Sı́lice: S esSlaesconcentración
la concentración de óxido
de óxido de sı́lice,
de sı́lice, SiOSiO 2.
2.
Consultar el trabajo de Verma y col. (2008) para más detalles sobre las
Consultar el trabajo de Verma y col. (2008) para más detalles sobre las condiciones de condiciones de
aplicabilidad
aplicabilidad de geotermométros.
de los los geotermométros.

241
y distribuida
y distribuida
241
concon el objetivo
el objetivo de solucionar
de solucionar unauna tareatarea
241

242
242 computacional especı́fica. En términos generales, unauna
242 computacional especı́fica. En términos generales,
243 RNA
243 RNA es básicamente
es básicamente unauna herramienta
herramienta computacional
computacional
243

244
que permite, a través de un
que permite, a través de un número finito de ciclos
244 número finito de ciclosde de
244

245
aprendizaje, asociar variables
aprendizaje, asociar variables de entrada con variables
245 de entrada con variables
245

246
246 de de
246 salida,
salida, por por lo quelo que se entiende
se entiende queque unauna RNA RNA
247
es un aproximador de
es un aproximador de funciones. El aprendizaje
247 funciones. El aprendizaje a)
a)
247

248 puede
248 puedeser ser esencialmente
esencialmente de dos de dos tipos: tipos: supervisado
supervisado y y
248

249
no supervisado. Esta caracterı́stica
no supervisado. Esta caracterı́stica de correlacionar
249 de correlacionar
249

250
250 variables
variables le otorga
le otorga también
también la capacidad
la capacidad de clasificar
de clasificar
250

251
datos de entrada, y es precisamente
datos de entrada, y es precisamente esta funcionalidad
251 esta funcionalidad
251

252
252 la que
la que buscamos
buscamos explotar
explotar en nuestro
en nuestro trabajo.
trabajo.
252

253
253 McCulloch y Pitts (1943)
McCulloch y Pitts (1943) desarrollaron el primer desarrollaron el primer
253

254
modelo de una neurona artificial.
modelo de una neurona artificial. En la Fig. 1a se
254 En la Fig. 1a se
254

255
muestra esquemáticamente este
muestra esquemáticamente este modelo, el cual consta
255 modelo, el cual consta
255

256
256 de: de:
256
(i) un(i) conjunto
un conjunto de entradas
de entradas xi ; (ii)
xi ; (ii) cadacada entrada
entrada b)
257
está asociada a un valor
está asociada a un valor ajustable wi denominado
257 ajustable w i denominado b)
257

pesopeso sináptico;
(iii)(iii) la neurona tienetiene un peso sináptico283 283
258
258
258
sináptico; la neurona un peso sináptico 283 Fig.1 a) Modelo de una neurona artificial propuesto por McCoulloch y Pitts (1943); b) Esquema general de
259
259
denominado umbral
denominado umbral θ que se interpreta como
259 θ que se interpreta como el el284
284 Fig.Fig.
Fig.1
284 a)
Fig.1
1. a)1.Modelo
a) Modelo
a) Modelo
Modelo de
deuna
de una de una
una
una neurona
una red
neurona
red neuronal
neurona
neurona artificial
artificial propuesto
propuesto
neuronal artificial.
porartificial
McCoulloch
artificial propuesto
yy Pitts
propuesto
por neuronal
una red McCoulloch Pitts (1943);
artificial. (1943); b)
b) Esquema
Esquema general
general de
de

por McCoulloch y Pitts (1943); b) Esquema general de de

por McCoulloch y Pitts (1943); b) Esquema general
artificial.

260 valor
260 valor mı́nimo
mı́nimo queque debedebe superar superar la neurona
la neurona paraparasu su285
285
285
260

261
261
activación;
activación;
261
(iv) (iv) la neurona
la neurona tienetieneunauna salida salida
y, que y, que
estáestá286
286 unauna
286
red red neuronal
neuronal artificial.
artificial.
en función
en función de los de pesos
los pesos (w1 ,(w w12,, w...,2 ,w..., wn ), de los valores
n ), de los valores
262
262
262
de las entradas (x1 ,(x x2 ,x...,),xdel
n ), del umbralθ y θdey una de una Dichas RNA poseen
de las entradas x21,,..., umbral las las siguientes caracterı́sticas:
263
263
263 n 287
287 Dichas
287
RNA poseen siguientes caracterı́sticas:
función de activación (que limita la amplitud de la
tienen conexiones hacia adelante, tiene unauna
tienen conexiones hacia adelante, tiene solasola
capacapa
264
264 φ
función de activación φ (que limita la amplitud de la 288
264 288
288
salida neuronal.
salida neuronal. oculta en donde se usan funciones sigmoigdales y y
oculta en donde se usan funciones sigmoigdales
265 289
265
265 289
289

266
266
LasLas neuronas
neuronas se organizan
se organizan en capasen capas de entrada,290
de entrada, tienen
tienen
290
unauna
capacapa de salida
de salida concon funciones
funciones de activación
de activación
266 290

267
ocultas
ocultas
267
y dey salida
de salida parapara formar formar unauna RNA RNA (ver(ver Fig.Fig.291 lineal.
lineal.
291
Chandra y Singh (2004) reportan queque
Chandra y Singh (2004) reportan
267 291

268 1b).1b).
268
Cada Cada neurona
neurona se conecta
se conecta concon otraotra neurona
neurona a a292 puede
puede existir
292 existir
unauna función
función de de activación
activación preferente
preferente
268 292

269
269
través
través
269
de de conexiones.UnaUna
conexiones. conexión
conexión se establece293
se establece 293 dependiendo de la tarea a resolver y de los los
293 dependiendo de la tarea a resolver y de datosdatos
270
270 entre
270 entre
dos dos neuronas
neuronas cuando cuando la salida
la salida de unade una neurona294
neurona 294 especı́ficos de entrenamiento. Lo cual sugiere que los los
294 especı́ficos de entrenamiento. Lo cual sugiere que
271
se convierte
se convierte
271
en la enentrada
la entrada de otra.
de otra. Dependiendo
Dependiendo del del295 algoritmos
algoritmos
295 de entrenamiento
de entrenamiento se adaptan
se adaptan a laafunción
la función
271 295

272
272 tipotipo
272 de conexión,
de conexión, las RNA
las RNA pueden pueden clasificarse
clasificarse en dosen dos296
296 de activación para conducir a un entrenamiento másmás
296 de activación para conducir a un entrenamiento
273
tipos:
tipos:
273 (i) con
(i) con conexiones
conexiones hacia hacia adelante
adelante (feedforward);297
(feedforward); 297 rápido.
rápido.
273 297

274
274
y, (ii)
y, (ii)
274
concon conexiones
conexiones hacia haciaatrasatras (feedback),
(feedback), también298
también 298
298
En En el presente
el presente trabajo,
trabajo, usamos
usamos las las funciones
funciones de de
275
275
conocidas
conocidas
275
como como redes redes recurrentes.
recurrentes. 299
299 activación logı́stica y tangente hiperbólica en la capacapa
299 activación logı́stica y tangente hiperbólica en la
oculta.
En En tanto
queque encapa
la capa de salida probamos
LasLas funciones de activación másmás usadas son sonlas las300 oculta. tanto en la de salida probamos
300
276
276
276
funciones de activación usadas 300
funciones del tipo sigmoidal (entre las cuales destacan con la función logı́stica, tangente hiperbólica
con la función logı́stica, tangente hiperbólica y lineal.
301 y lineal.
277
277 funciones del tipo sigmoidal (entre las cuales destacan 301
277
301

278
la función
la función
278 logı́stica
logı́stica y layfunción
la función tangente
tangente hiperbólica)
hiperbólica)
278

279
y la función lineal (Dı́az-González
y la función lineal (Dı́az-González y col, 2008). En la
279 y col, 2008). En la
279

280
280 literatura se reporta (p.ej., Singh y Chandra, 2003) queque
280 literatura se reporta (p.ej., Singh y Chandra, 2003)
281
ciertas
ciertas
281
RNA RNA son son consideradas
consideradas como como aproximadores
aproximadores
281

282
universales de funciones
universales de funciones continuas.
282 continuas.
282

www.rmiq.org
www.rmiq.org 109 5
www.rmiq.org 5
 Dı́az-González
Dı́az-Gonzálezyyycol./
Dı́az-González col./ Revista
col./Revista Mexicana
RevistaMexicana de
Mexicanade Ingenierı́a
deIngenierı́a Quı́mica
Ingenierı́aQuı́mica Vol.
Quı́micaVol. 12,
Vol.12, No.
No.111(2013)
12,No. (2013) XXX-XXX
(2013)XXX-XXX
105-120

Dı́az-González y col./ Revista Mexicana Y de Ingenierı́a Quı́mica

El Vol.de
algoritmo 12,entrenamiento
No. 1 (2013) XXX-XXXmás reconocido
reconocido como como
Patrones de
Patrones de
entrenamiento
Y d
d
vector
vector
de salidas
322
322 El algoritmo de entrenamiento más
entrenamiento Función a aproximar
Función a aproximar yy
y
1
dedeseadas
salidas
1
deseadas
2
323
323
un método efectivo para el entrenamiento
un método efectivo para el entrenamiento de RNA de RNA
y
Patrones de f ( x , x , ..., x )
f ( x , x , ..., x )
1 2
Y…
…y
n
2
d vector 322
324
324
El
es algoritmo
el de entrenamiento
backpropagation. No más
es el backpropagation. No obstante, también se reconocido
obstante, como
también se
entrenamiento 1 2 n n
de salidas
325 un método
reporta en efectivo
la para
literatura el
que entrenamiento
este algoritmo de RNA
presenta
Función a aproximar y 1n
RNA
RNA y 2
deseadas 323
325 reporta en la literatura que este algoritmo presenta
f ( x , x , ..., x ) 326 es el backpropagation.
dificultades con loslos mı́nimos
mı́nimosNolocales,
obstante,
locales, también
es decir,
decir, se
puede
…
X
X 1 2 n
y n Y
Y salida
salida
d
deseada
324
326 dificultades con es puede
1
x
xx 1
2
RNA y
d deseada
325
327
327
reporta
quedar en la literatura
“atrapado” en que
una este algoritmo
solución
quedar “atrapado” en una solución no óptima. Por no presenta
óptima. Por
x… y ∑
328 dificultades
lo tanto,
tanto, nonocon los mı́nimos
converge en un unlocales,
número esrazonable
decir, puede
razonable de
2
∑ salida
X
… x n
salida de
salida de
Y d deseada
e
326
328 lo converge en número de
x
1n
xvector
2
la RNA
la RNA
y
e 327
329
329
quedar “atrapado”
iteraciones a un en una
mı́nimo solución
global (Wang
iteraciones a un mı́nimo global (Wang y col, 2004). no óptima.
y col, Por
2004).
devector ∑
330 lo tanto,
Este no converge
algoritmo en un número
de entrenamiento
entrenamiento ajustarazonablepesos de
los pesos de
…entradas
de entradas
x
n
salida de
e
328
330 Este algoritmo de ajusta los de
331 iteraciones
acuerdo a a
la un mı́nimo
siguiente global
ecuación: (Wang y col, 2004).
Ajuste de la RNA
vector Ajuste de
los pesos
329
331 acuerdo a la siguiente ecuación:
de entradas los pesos
330 Este algoritmo de entrenamiento ajusta los pesos de
acuerdo a la siguiente ww(t+1) ==ww(t)(t)++∆w
ecuación: ∆w(t) (1)
Ajuste de
Algoritmo de
Algoritmolos
aprendizaje
depesos
aprendizaje
331 (t+1)
(t) (1)
señal
señal
de error
de error
332 donde∆w
donde ∆w(t)es eslalaw corrección hecha
(t+1) = w(t)hecha
corrección alos
+ ∆wa(t) lospesos
pesosactuales
actuales
(1)
302 Algoritmo de aprendizaje 332 (t)
302
señal 333 w . Existen diferentes algoritmos que
w(t) . Existen diferentes algoritmos que son utilizados
(t) son utilizados
303 Fig. 2.2. Diagrama
Fig. Diagrama representativo
representativo del del entrenamiento
entrenamiento
de error 333
303 Fig.2 Diagrama representativo del entrenamiento supervisado de una red neuronal. donde
para ∆w(t) es∆w
para calcular
calcular la
∆wcorrección
(t) , algunos hecha a los
de los pesos
más actuales
importantes
(t) , algunos de los más importantes
332
334
302
304 supervisado de una red neuronal.
Fig.2 Diagrama representativo del entrenamiento supervisado de una red neuronal.
supervisado de una red neuronal.
334
304
333
335 wson . Existen
listados diferentes
en
son listados en la Tabla 2.
(t) la Tabla algoritmos
2. que son utilizados
303 Fig. 2. Diagrama representativo del entrenamiento 335
Fig.2 Diagrama representativo del entrenamiento supervisado de una red neuronal. 334
336 paraEn Encalcular ∆w(t) , algunos
elel presente
presente trabajo se
trabajo de los más importantes
se evaluaron
evaluaron diferentes
diferentes
304 supervisado de una red neuronal. 336
335
337
337
son listados
técnicas en la
numéricas Tabla de2. entrenamiento,
técnicas numéricas de entrenamiento, tales como: tales como:
305
305
2.2.1 Técnicas
2.2.1 Técnicas numéricas
numéricas para para elel entrenamiento
entrenamiento 336 338
338
En el presente
Levenberg-Marquardt, trabajo
BFGS
Levenberg-Marquardt, BFGS Quasi-Newton, Batch se evaluaron
Quasi-Newton, diferentes
Batch
306
306
supervisado
supervisado 337
339
339
técnicas
Gradient
Gradient Descent,numéricas
Descent, de entrenamiento,
Fletcher-Powell tales como:
Conjugate
Fletcher-Powell Conjugate
305 2.2.1 Técnicas numéricas para el entrenamiento 338 340 Levenberg-Marquardt,
Gradient, Variable
Gradient, Variable Learning BFGS Rate
Learning Quasi-Newton,
Rate Batch
Backpropagation,
Backpropagation,
307 En este
En este trabajo
supervisado trabajo usamos
usamos elel entrenamiento
entrenamiento supervisado
supervisado 339 340
Gradient
Resilient Descent,
Backpropagation, Fletcher-Powell
Scaled Conjugate
Conjugate
307
306
(verFig.
Fig.2)2)usando
usandoelelmódulo
móduloNeural
NeuralNetwoks
NetwoksToolbox Toolbox 340
341
341 Resilient Backpropagation, Scaled Conjugate
308
308 (ver 342 Gradient,
Gradient yyVariable
Gradient Automated
Automated Learning Rate Backpropagation,
Regularization.
Regularization. Dado que
Dado que unun
307
309 En
deleste
del trabajo
software
software usamos elMATLAB.
matemático
matemático entrenamiento
MATLAB. Un supervisado
Un algoritmo
algoritmo de 341
de
342
Resilient
algoritmo Backpropagation,
de entrenamiento Scaled
supervisado Conjugate
requiere de
309
(ver Fig. 2) usando
entrenamiento el móduloes
supervisado Neural
es Netwoks
una técnica Toolbox 342
técnica numérica
numérica
343
343 algoritmo de entrenamiento supervisado requiere de
308
310
310 entrenamiento supervisado una 344 Gradient
un conjuntoy Automated
de patrones Regularization.
de entrada
un conjunto de patrones de entrada y salida, se usó y Dado
salida,que
se un
usó
del software
de optimización matemático
optimización que se MATLAB.
se aplica
aplica Un
para ajustaralgoritmo
ajustar los pesos de 343
pesos 344
algoritmo
unaamplia ampliade entrenamiento
base dedatos supervisado
datoslalacual
cual fuecompiladarequiere
compilada de
de que para los aapartir
partir
309
311
311
entrenamiento
sinápticosde delalasupervisado
RNAen es una
enfunción
función técnica
dela
ladiferencia numérica
diferencia entre 344
345
345 una base de fue
310
312
312 sinápticos RNA de entre 346 un conjunto
artı́culos de patrones
publicados de
en entrada
de artı́culos publicados en revistas internacionales yy
de revistas y salida, se
internacionales usó
311
313 de optimización
lala salida deseadaque
salida deseada sesalida
yy lala aplicacalculada
salida para ajustar
calculada porlos
por pesos
lala RNA.
RNA. 345 346
una amplia base de datos la cual fue compilada a partir
arbitradas.
313
sinápticos
Este proceso de larequiere
proceso RNA en un
requiere función
un conjunto de la de
conjunto diferencia
de patrones
patrones entrede 346
347
347 arbitradas.
312
314
314 Este de de artı́culos publicados en revistas internacionales y
313
315
315
la salida deseada
entrenamiento,
entrenamiento, losycuales
los la salida
cuales soncalculada
son propagados
propagados pordedelamanera
RNA. 347
manera arbitradas.
314
316
316
Este
aleatoria y durante un tiempo también aleatorio,deaa 348
proceso
aleatoria
entrenamiento,
través de
y
la RNA
requiere
durante
los
un
cuales
para
un
son
conjunto
tiempo
generar propagados
una
de
también
salida.
patrones
aleatorio,
de La manera
salida
348
33 Metodologı́a
Metodologı́a de de desarrollo
desarrollo
315
317
317 través de la RNA para generar una salida. La salida
aleatoria
deseada se y durante
se comparaun tiempo
con también
de lalaaleatorio, a 348 349 3 Metodologı́a de desarrollo
316
318
318 deseada compara con lala salida
salida de RNA para
RNA para 349
La Fig.
La Fig. 33 muestra
muestra en en forma
forma esquemática
esquemática lala
317
319
319
través
calcular de la
una RNA
señal para
de generar
error, una
la salida.
cual es La
minimizadasalida metodologı́a
calcular una señal de error, la cual es minimizada 350 metodologı́a de desarrollo del presente estudio,
350 de desarrollo del presente estudio,lalacual
cual
318
320
320
deseada
por el se compara
algoritmo de con la
aprendizaje salida de
mediante la RNA
el ajuste para
de 351 La se Fig.
compone 3
por el algoritmo de aprendizaje mediante el ajuste de 351 se compone de 9 pasos. A continuación se explica
349 muestra
de 9 pasos.en Aforma esquemática
continuación se la
explica
319
321
321
calcular
los pesos una señal
sinápticos de error,
durante unla cual
tiempo es
de minimizada
simulación.
los pesos sinápticos durante un tiempo de simulación. 352 detalladamente cada paso: 352 metodologı́a
350 detalladamente de desarrollo
cada paso: del presente estudio, la cual
320 por el algoritmo de aprendizaje mediante el ajuste de 351 se compone de 9 pasos. A continuación se explica
321 los pesos sinápticos durante un tiempo de simulación. 352 detalladamente cada paso:
Tabla2.2. Variantes
Tabla Variantesdel delalgoritmo
algoritmode deentrenamiento
entrenamientobackpropagation.
backpropagation.
Algoritmo
Algoritmo ∆w
∆w(t)(t) Comentarios
Comentarios
Tabla 2.
Gradientedescendiente Variantes
descendiente ==−ηg del algoritmo (t)==−ηde entrenamiento
dE backpropagation.
Gradiente −ηg(t) −ηdE dw
dwitit ggeseselelvector
vectorde
degradiente,
gradiente,
Algoritmo ∆w(t) Comentarios
η es el factor de convergencia.
dE η es el factor de convergencia.
Gradiente descendiente = −ηg (t) = −η dw it
g es el vector de gradiente,
−1
353
353 Métodode
Método deNewton
Newton ==−H −H−1 g(t)
g(t) ηHHes esellalafactor
es matrizdede
matriz convergencia.
de Hessian.
Hessian.
 d2 E−1−1 
 dE 
−− dw
2
353 Método de Newton ==−H
=
d−1 E2
dw2g(t)
dE
dwit H es la matriz de Hessian.
 it −1  dwit 
it

d2 E dE
Gradienteconjugado
conjugado ==−ηp(t),dw2it donde dwit
Gradiente = ηp(t), donde
p(t 1) −g(t
p(t + 1) = −g(t ++1)
+ = 1)++βp(t)
βp(t)
Gradiente conjugado = ηp(t), donde
p(t + 1) = −g(t + 1) + βp(t)

66
110 www.rmiq.org
www.rmiq.org
www.rmiq.org
6 www.rmiq.org
 Dı́az-González y col./ Revista Mexicana de Ingenierı́a Quı́mica Vol. 12, No. 1 (2013) 105-120

354

Fig.
Fig.3.3.Diagrama
Diagramadedeflujo dedelalametodologı́a
flujoFig.3 metodologı́adel presente trabajo.
355
Diagrama de flujodel
de presente trabajo.
la metodología del presente trabajo.

www.rmiq.org 7

www.rmiq.org 111
 Dı́az-González
Dı́az-González y col./
Dı́az-González
y col./ Revista
y col./
Revista Mexicana
Revista
Mexicana de Ingenierı́a
Mexicana Quı́mica
de Ingenierı́a
de Ingenierı́a Quı́mica Vol.Vol.
Quı́mica 12,
12,Vol. No.
No.12, 1 (2013)
No.
1 (2013) XXX-XXX
1 (2013) 105-120
XXX-XXX

356
356 i. Compilación
i. Compilación de ladebase
la base de datos
de datos 406
406 empleadas
empleadas comocomo indicadores
indicadores de temperatura
de la la temperatura
357
357 La base de datos geoquı́micos mundial
La base de datos geoquı́micos mundial (BDGM) 407 (BDGM) 407
porpor diversos
diversos autores,
autores, tales
tales como:
como:
358 contiene
contiene 708708 muestras
muestras de de fluidos
fluidos geotérmicos
geotérmicos • Kharaka y Mariner (1989): √ √ Mg)
log(Li/
358 408
• Kharaka y Mariner (1989): log(Li/ Mg)
359
359
y temperaturas de fondo medidas en en
y temperaturas de fondo medidas pozos408
pozos
geotérmicos • Fouillac
• Fouillac y Michard
y Michard (1981),
(1981), Kharaka
Kharaka y y
de de diferentes partesdel del mundo.409 409
360
360
geotérmicos diferentes partes mundo.
La BDGM fue diseñada en un formato 410 Mariner
Mariner (1989),
(1989), Verma
Verma y Santoyo
y Santoyo (1997):
(1997):
361
361
La BDGM fue diseñada en un formato 410
matricialde de96 96columnascolumnasquequecontienen
contienen411 411 log(Na/Li)
log(Na/Li)
362
362
matricial
la composición quı́mica de los
la composición quı́mica de los principales 412 principales • Fournier
• Fournier y Truesdell
y Truesdell √(1973), Kharaka
y y
√(1973), Kharaka
363 412
363

364
364 componentes
componentes (aniones
(aniones y cationes)
y cationes) presentes413
presentes 413 Mariner
Mariner (1989):
(1989): Ca/Na)
log(log(Ca/Na)
365
365 en los fluidos (en mg/kg
en los fluidos (en mg/kg o mg/l, unidadeso mg/l, unidades • Nieva y Nieva (1987):log(Mg/Na 2 2) y
log(Mg/Na
414
• Nieva y Nieva (1987): ) y
comúnmente usadas, ver Nicholson, 1993). LasLas415
comúnmente usadas, ver Nicholson, 1993). 414
366 2
366 415 log(Ca/Na
log(Ca/Na 2
) )
367
367 muestras
muestras compiladas
compiladas enBDGM
en la la BDGM corresponden
corresponden
368
368 a pozos productores
a pozos productores para los cuales para los cualesse se416 416
LasLasRNA RNAfueronfueronentrenadas
entrenadasusandousando7 7
369
369 disponı́a la temperatura de
disponı́a la temperatura de fondo medida fondo medida y y417 417 combinaciones
combinaciones diferentes
diferentes de de entradas,
entradas, cada
cada
370
370 la composición quı́mica
la composición quı́mica de fluidos. de fluidos. LasLas418 418 combinaciónse secompone
combinación componede deun unnúmero
número
371
371 muestras de manifestaciones
muestras de manifestaciones hidrotermales 419 hidrotermales 419 determinado
determinado de entradas.
de entradas. UnaUna
solasola combinación
combinación
372
372 fueron
fueron descartadas
descartadas porpor estar
estar sujetas
sujetas a problemas420
a problemas 420 de entradas
de entradas sirve
sirve parapara entrenar
entrenar unauna o más
o más RNA.
RNA.
373
373 de mezcla de fluidos, dilución y contaminación.
de mezcla de fluidos, dilución y contaminación. 421 421
En En la Tabla
la Tabla 3 se3 presentan
se presentan
las las 7 combinaciones
7 combinaciones
422 de entradas
de entradas queque usamos.
usamos.
374
374 ii. Determinación
ii. Determinación de las
de las variables
variables de entrada
de entrada
422

423
En Engeneral,
general,las lasRNA RNApuedenpuedenpresentar
presentar
En En el el presente trabajose se seleccionaron las las
423
375
presente trabajo seleccionaron problemas de de saturación
en en el entrenamiento
375
siguientes 6 variables:
424
problemas saturación el entrenamiento
376
siguientes 6 variables: Na,Na, K, K, Mg,Mg, Ca Ca y Li,424
y Li, relacionado directamente conconlas las magnitudes
376
425
relacionado directamente magnitudes
377
las las cuales
cuales fueron
fueron seleccionadas
seleccionadas debido
debido a: la
a: (i) (i) la425
relativasde de diferentes entradas y salidas.
377
disponibilidad enBDGM;
la BDGM;
426
relativas diferentes entradas y salidas.
378
disponibilidad en la (ii) (ii) al uso
al uso de estos426
de estos
ConCon la finalidad de de evitar
esteeste problema de de
378
cationes endesarrollo
el desarrollo de los geotermómetros427
427
la finalidad evitar problema
379
cationes en el de los geotermómetros
saturación, la mayorı́a de las entradas de las las
saturación, la mayorı́a de las entradas de
379
428
380
380
de de solutos
solutos existentes. PorPor
existentes. otrootro lado,lado,se se428
RNAestánestánnormalizadas
normalizadasgeoquı́micamente
geoquı́micamente
determinó
429
RNA
usarusar como variable de de entrada a a
429
381
determinó como variable entrada usando el elemento quı́mico mayoritario y y
381
la transformada
430
usando el elemento quı́mico mayoritario
log log
de de la relación Na/K en en
430
382
la transformada la relación Na/K
calculando la transformada logarı́tmica de de
calculando la transformada logarı́tmica
382
431
383
383
vezvezde de dosdos variables
variables separadas,
separadas, debido
debido a que431
a que estas relaciones catiónicas. Además,
Además,la la
432
estas relaciones catiónicas.
384
estáestá ampliamente
ampliamente reportado
reportado queque estaesta variable432
variable
transformación logarı́tmica aplicada a ala la
transformación logarı́tmica aplicada
384
433
385 compuesta
compuesta presenta
presenta unauna
altaalta correlación
correlación conconel el
433
385
434 relaciónde delas lascomposiciones
relación composicionescatiónicas
catiónicas
386 inverso
inverso de de la temperatura
la temperatura absoluta
absoluta (1/T (1/T
K) K en) en
434
386
435 obedece a recomendaciones previas
obedece a recomendaciones previas de expertos de expertos
387 Kelvin.
Kelvin. En Enesteeste estudio
estudio se usaron
se usaron 219219 registros,435
registros,
387
436 (p. ej., Aitchison, 1986)
(p. ej., Aitchison, 1986) para manejar para manejar
388 a pesar
a pesar demagnitud
de la la magnitud deBDGM;
de la la BDGM; únicamente436
únicamente
correctamente -hablando estadı́sticamente- los los
correctamente -hablando estadı́sticamente-
388
437
389 estos
estos registros
registros contenı́an
contenı́an la composición
la composición de las437
de las
389
438 datos
datos composicionales.
composicionales.
390
390 variables
variables seleccionadas.
seleccionadas.
438
439
439

iii. iii. Combinación

Combinación de las
de las variables
variables seleccionadas
seleccionadas Asimismo, como salidade de
las las RNA, usamos
391
391
440
440
Asimismo, como salida RNA, usamos
392
392
En Enesteestetrabajo trabajoprobamos
probamosunaunaamplia amplia441 441
el inverso de la temperatura absoluta en en
el inverso de la temperatura absoluta
393
393 combinación
combinación de de las las variables
variables seleccionadas442
seleccionadas 442 grados
grados Kelvin
Kelvin (1/T(1/T
K ), K
), dado
dado queque la composición
la composición
394
394
(Na, K, Mg, Ca y Li) para entrenar las las
(Na, K, Mg, Ca y Li) para entrenar RNA.443
RNA. 443
quı́mica de los fluidos se correlaciona concon
quı́mica de los fluidos se correlaciona estaesta
395
395 La literatura reporta (p.ej.,
La literatura reporta (p.ej., Fournier 1979; Fournier 1979;444 444 variable. Dicha correlación
variable. Dicha correlación se fundamenta se fundamenta
396
396
Giggenbach 1988; Arnórsson 2000) que el el445
Giggenbach 1988; Arnórsson 2000) que 445 teóricamente
teóricamente en enlos los procesos
procesos geoquı́micos
geoquı́micos y y
397
397 fundamento
fundamento termodinámico
termodinámico y geoquı́mico
y geoquı́mico de de446 446 termodinámicos que dominan
termodinámicos que dominan en los sistemas en los sistemas
398
398
los geotermómetros de solutos está basado en en447
los geotermómetros de solutos está basado 447 geotérmicos.
geotérmicos. CabeCabe destacar
destacar queque al calcular
al calcular el el
399
399
los los procesos
procesos de de interacción
interacción de de agua-roca
agua-roca queque448 448 inverso de la temperatura absoluta
inverso de la temperatura absoluta obtenemos obtenemos
400
400
dominan los sistemas geotérmicos. Es por elloello449
dominan los sistemas geotérmicos. Es por 449 valores
valores pequeños
pequeños de de la temperatura,
la temperatura, en en
esteeste
401
401
quequese se realizó
realizó unauna revisión
revisión bibliográfica
bibliográfica de de450 450 caso, nuestros valores se
caso, nuestros valores se encuentran entre encuentran entre
402
402 los artı́culos que reportan los geotermómetros
los artı́culos que reportan los geotermómetros 451 451 0.0029 y 0.0100. Generalmente,
0.0029 y 0.0100. Generalmente, la temperatura la temperatura
403
403 catiónicos
catiónicos másmás conocidos
conocidos y ay partir
a partirde de
esteeste452 452
es es reportada
reportada en en grados
grados Celsius,
Celsius, nuestra
nuestra basebase
◦ ◦C y
404
404
estudio se determinó usar las transformadas log log453
estudio se determinó usar las transformadas 453 de datos contiene temperaturas
de datos contiene temperaturas entre 100 C y entre 100
de algunas relaciones de elementos ◦ ◦ C.
405
405
de algunas relaciones de elementos queque
hanhan
sidosido454 454
350350C.

8 8 112 www.rmiq.org
www.rmiq.org
www.rmiq.org
 Dı́az-González
Dı́az-González
Dı́az-González
Dı́az-González y ycol./
y ycol./
col./ Revista
col./
Revista
Revista Mexicana
Revista Mexicana
Mexicana
Mexicana dedeIngenierı́a
dedeIngenierı́a
Ingenierı́a Quı́mica
Ingenierı́a Quı́mica
Quı́mica
Quı́mica Vol.
Vol.12,
Vol. 12, 12,
Vol.
No.
No. 1No.
12, 1 1(2013)
No.
1(2013)
(2013) 105-120
(2013) XXX-XXX
XXX-XXX
XXX-XXX

TablaTabla
Tabla 3.3.Lista
Lista
3. dede77combinaciones
Lista combinaciones
de 7 combinacionesdedevariables
variables dedeentrada
de variablesentrada usadasusadas
de entrada
usadas paraelelpara el
para
entrenamiento dedelas
entrenamiento
entrenamiento lasredes
deredes neuronales.
lasneuronales.
redes neuronales.
Combinación
Combinación
Combinación Entrada:
Entrada:
Entrada:
[1] [1] [2]
[1] [2] [2] [3] [3] [3] [4] [4]
[4]
Na Ca MgMg Mg
11 1 log(Na
log( )
Klog(
K ) Nalog(
log(
K ) Na
Ca
)
log(
2 2
Na
) Calog(
log(
Na2 Na
) )
) Na2log(
2
Na2
)
√√ √
CaCa
22 2 log(Na
log( Na) )
log( Ca
Na )
√√ √
CaCa Na
33 3 log(Na
log( Na) ) log(
log( Calog(Na ) ) Na )
Na ) K K log(
455
455 455
K
Na Mg
Mg
44 4 log(Na
log( K) ) Na
Klog(
log(
log( 2)
) NaNa 2)
log( Mg
2)
K Na
Na Ca Mg
55 5 log(Na
log( K) ) Na
Klog(
log(CaNa
log( 2)
log(Mg
2 ) Ca
log( 2)2 ) Mg LiLi
K ) Nalog( Na2 ) Nalog( Na2 ) Li
Na

Na Ca Mg
Mg Na
66 6
log(Na
log( K) ) Na
Klog(
log(Na
log( Ca
) Na 2 ) Ca
2)
log(
log(Na
log( )2 ) Mg )
) Na2log(
log(Na
log( )
LiLi)log( Na )
K Na2 Na2 Li
Na Ca Mg
77 log(Na
log( K) ) Nalog(Na
log( Ca
2 ) Ca
2) log( Mg
log(Na 2)2 ) Mg log(√Li√LiMg) ) Li
log(
7 Klog(
K ) log(
Na
Na 2 ) log(
Na
Na2
) Mg log( √ Mg )

456
456 Finalmente, cabe
Finalmente, cabemencionar
mencionarque queusamos
usamosuna una 486486 capaoculta
capa ocultayycon conconexiones
conexioneshacia haciaadelante;
adelante;
456 Finalmente,de cabe
combinación mencionar
entradas que usamos una
(la combinación
combinación 486 capa oculta
(ii)entrenar
entrenar lasRNA
RNAy con conexiones
usando hacia adelante;
las77diferentes
diferentes
457
457 combinación de entradas (la 487487 (ii) las usando las
458
458
457
No. combinación
No. 5;5; ver Tablade
ver Tabla 3),entradas
3), que incluye
que
(la el
incluye combinación
Litio 488488
el Litio
487 (ii) entrenar
combinacionesdedeentradas
combinaciones
las RNA
entradasantes usando
antesmencionadas;las
mencionadas; 7 diferentes
458 No.
sinnormalizar
normalizar 5; ver Tabla 3), que incluye
geoquı́micamente. Decidimos el Litio 488 combinaciones
(iii) usar
usar comocomo máximo de
máximo 20 entradas
20 neuronas antes mencionadas;
neuronas enen lala
459
459 sin geoquı́micamente. Decidimos 489489 (iii)
459 sin
usar esta normalizar
esta entrada
entrada dadogeoquı́micamente.
dado que que esteeste elementoDecidimos
elemento 490490 489 (iii)
capaoculta,
oculta, usar comoa que
debido máximo
algunos 20 algoritmos
neuronas en la
460
460 usar capa debido a que algunos algoritmos
461
461
460 usar
sese encuentra
encuentra esta reportado
entrada dado
reportado que este elemento
enen concentraciones
concentraciones 491491
490 capa
dedeentrenamiento oculta,
entrenamientocomo debido a que
comoLevenberg-Marquardt algunos
Levenberg-Marquardt algoritmos
462
462
461 se
pequeñas, encuentra
pequeñas, por reportado
por lolo tantotanto esta en concentraciones
esta variable
variable nono 492492 491 de
presentan un
presentan entrenamiento
un bajobajo desempeño como
desempeño enen RNALevenberg-Marquardt
RNA muy muy
463
463
462 pequeñas,
contribuye
contribuye a auna por
unaposible
posible losaturación
tanto esta
saturación dedelas
lasvariable
RNA. 493493
RNA. no 492
grandes;
grandes; presentan(iv) usar
(iv) un bajo
usar desempeño
funciones
funciones en RNA muy
dede activación
activación
463 contribuye a una posible saturación de las RNA. 494
493 grandes;
sigmoidales
sigmoidales (tales (iv)
(tales como:
como: usarlogı́stica
funciones
logı́stica de activación
yytangente
tangente
464
464 EsEsimportante
importantedestacar destacarque quedesde
desdeelelpuntopuntodede 494 sigmoidales (tales como: logı́stica yusar
tangente
Es importante destacar que desde
494 hiperbólica) en la capa
hiperbólica) en la capa oculta; y, (v) usar oculta; y, (v)
Dashel punto
Lui 495de
495
465
465
464 vistacomputacional,
vista computacional,autores autorescomo comoDash yyLui hiperbólica) en la capa oculta; y, (v) usar
vista computacional, autores
495 funciones sigmoidales (logı́stica
funciones sigmoidales (logı́stica y tangente y tangente
(2005),como Dash y 496 Lui496
466
466
465 (1997),
(1997), Whiteson
Whiteson yycol.
col. (2005), Landassuri-
Landassuri- funciones sigmoidales (logı́stica y tangente
(1997), Whiteson(2009) y col. reportan
(2005), que Landassuri- 497 496 hiperbólica) y lineales en la capa
hiperbólica) y lineales en la capa de salida; (v) de salida; (v)
467 466 Moreno
Moreno yy Bullinaria
Bullinaria (2009) reportan que lala 497
467
497 usarcomo
usar hiperbólica)
como salidadede
salida y las
lineales
lasRNARNAen alalla capa de
inverso
inverso dedesalida;
lala (v)
468 467 Moreno
selección
selección dedeyvariables
Bullinariadede(2009)
variables entrada
entrada reportan
eses unauna que 498la
498
468
498 usar como
temperatura
temperatura salida
absoluta,
absoluta, 1/T
1/T de. .las RNA al inverso de la
tareaselección de variables demetodologı́as
entrada es 499 una K
499
469 468 tarea quepuede
que puederealizarse
realizarse usando
usando metodologı́as K
469
499 temperatura absoluta, 1/T K .
470
470 469 tarea que de
especializadas
especializadas puede realizarse usando
deoptimización.
optimización. Sin metodologı́as
Sinembargo,
embargo, 500500 Entrenamientode
v.v.Entrenamiento delas lasRNA
RNA
471 470 desde
desde especializadas
elelpunto
puntodedevista de geoquı́mico,
vista optimización.
geoquı́mico,decidimosSin embargo,
decidimos Entrenamiento
v.entrenamiento de RNA
las RNArealizó en el
El entrenamiento de las RNA seserealizó
El de las
471 500
501501 en el
472 471 usardesde
usar este elconjunto
este conjuntopunto de vista geoquı́mico,
variables
variables que han
que decidimos
han sidosido
472
502502 501 módulo
módulo ElNeural
entrenamiento
Neural Netwoksde
Netwoks las RNA
TToolbox
oolbox sesoftware
realizó en el
delsoftware
del
473 472 usadas
usadas usar
conconesteéxitoconjunto
éxito variablesdede
enengeotermometrı́a
geotermometrı́a que han sido
solutos.
solutos. matemático MATLAB usandoT el el 85%85%
473
503503 502 móduloMATLAB
matemático Neural Netwoks usando oolbox deldede
software
474 473 Las usadas
Las variables
variables con de de entrada
éxito entrada que propusimos
en geotermometrı́a
que propusimos
de solutos.
474
504504 503 lospatrones
los patrones
matemático dedeentrenamiento
entrenamiento
MATLAB (n=186) (n=186)yelylas
usando las
85% de
475 hanmostrado
han mostrado
Las variablesunafuerte
una fuerte
de entradacorrelación
correlación entre
queentre lala 505
propusimos
475 474
505 504 siguientes
siguientes técnicas numéricas
los patrones
técnicas denuméricas
entrenamiento disponibles
disponibles (n=186)enen y las
476 composición
han mostrado
composición quı́mica
quı́mica dedelos
una losfluidos
fluidos
fuerte geotérmicos
correlación
geotérmicos entre 506la
476 475
506 505 MATLAB:
MATLAB: siguientes trainlm
trainlmtécnicas (Levenberg-Marquardt),
numéricas disponibles en
(Levenberg-Marquardt),
477 yylalatemperatura
temperaturadede
composición fondo. de los fluidos geotérmicos
quı́mica
fondo. trainbfMATLAB:
gf g (BFGS
(BFGS trainlm Quasi-Newton), traingd
477 476
507507 506 trainb Quasi-Newton), (Levenberg-Marquardt),
traingd
477 y la temperatura de fondo. (Batchtrainb
(Batch Gradient
Gradient Descent), traincgf f(Fletcher-
(Fletcher-traingd
478
478 Diseño
iv.iv.Dise ñodedelaslasRNARNA 508508 507 f g Descent),
(BFGS traincg Quasi-Newton),
509509 508 Powell(Batch
Powell Conjugate
Conjugate GradientGradient),
Gradient), trainrp
trainrp
Descent), (Resilient
(Resilient
traincg f (Fletcher-
478
Unaiv. Dise
Una vezñoque
vez de las
que RNA
determinamos
determinamos las diferentes
las diferentes 510510 Backpropagation), traingdx (Variable Learning
479
479
509 Backpropagation),
Powell Conjugate traingdx (Variable
Gradient), Learning
trainrp (Resilient
480
480 479
combinaciones
combinaciones
Una vez que dede determinamos
variables dede las
variables entrada,
entrada,
diferentes
511511
510
Rate Backpropagation),
Rate Backpropagation),traingdx
Backpropagation), trainscg
trainscg (Scaled
(Scaled
(Variable Learning
481
481 480
establecimos
establecimos ciertos
ciertos criterios
criterios
combinaciones de variables de dede diseño
diseño dedelas
las 512512
entrada, 511
Conjugate
Conjugate Gradient)
Rate Gradient) yy trainbr
Backpropagation), trainbr (Automated
(Automated(Scaled
trainscg
482
482 481
RNA,
RNA, a afin
findedeque
establecimos quecada
cadauna
ciertos unacriterios
presentara
presentara diferente
dediferente
diseño de513las 513
512
Regularization).
Regularization).
Conjugate Gradient) y trainbr (Automated
483 configuración.
configuración. A A continuación
continuación sese presentan
presentan
RNA, a fin de que cada una presentara diferente los
los
483 482 Regularization).
Pre-validación
vi.Pre-validación
513
vi. dedelaslasRNARNA
484
484
483
criterios
criterios queestablecimos
que
configuración. establecimos paraeleldiseño:
para
A continuación diseño: (i)(i) 514los
se presentan
514

485
485
484
evaluar
evaluar arquitecturas
arquitecturas
criterios tipoperceptrón
tipo
que establecimos perceptrón
para conelcon una 515515
una
diseño: (i) 514 ElElvi.
15%
15% dedelalaBDGM
BDGMde
Pre-validación (n=33)
(n=33) fueusado
las RNA
fue usadopara
para
485 evaluar arquitecturas tipo perceptrón con una 515 El 15% de la BDGM (n=33) fue usado para
www.rmiq.org
www.rmiq.org 99
www.rmiq.org
www.rmiq.org 113 9
 Dı́az-González
Dı́az-González
Dı́az-González yycol./
col./
y col./ Revista
Revista
Revista Mexicana
Mexicana
Mexicana de
dede Ingenierı́a
Ingenierı́a
Ingenierı́a Quı́mica
Quı́mica
Quı́mica Vol.
Vol.
Vol. 12,
12,12,
No.No.
No. 11(2013)
(2013)
1 (2013) 105-120
XXX-XXX
XXX-XXX

516516 simular
simularcada cadaRNA,
RNA,cabe cabemencionar
mencionarque queel el 566566 cada
cadavariable
variable
dede
entrada
entradafuefue
calculada
calculada
mediante
mediante
517517 proceso
procesodedesimulación
simulacióndedeunaunaRNARNAconsiste
consiste 567567 el elalgoritmo
algoritmodedeGarson
Garson(1991)
(1991)descrito
descritoenenla la
518518 enenaplicar
aplicarla laecuación
ecuacióngeneral
generaldedela laRNA,RNA, 568568 siguiente
siguienteecuación:
ecuación:
519519 usando
usandocomo comocoeficientes
coeficientesloslosvalores
valoresdedeloslos
pesos
pesosentrenados
entrenadospara
paracalcular
calcularla lasalida
salidadedela la XnX n
520520 | w| jp
w jp|| v|| j v| j |
521521 RNA,
RNA, la la
temperatura
temperaturaestimada.
estimada. X IX I
j=1j=1
522522 ElElalgoritmo
algoritmodedeRegresión
RegresiónLineal
LinealOrdinaria
Ordinaria | w| jkw jk| |
523523 (RLO;
(RLO;Bevington
Bevingtony yRobinson,
Robinson,2003)
2003)fuefueusado
usado CR
CRp =
p =I I n n
k=1k=1
(2)(2)
524524 como
comoununcriterio
criterioestadı́stico
estadı́sticopara
paracomparar
compararloslos X X X X | w| jp
w jp|| v|| j v| j |
525525 resultados
resultadosiniciales.
iniciales. LaLaRLO RLOproporciona
proporciona3 3 X I XI
i=1i=1j=1j=1
526526 parámetros
parámetrosdederegresión:
regresión: coeficientes
coeficientesa ay yb b | w| jkw jk| |
527527 (en(eneste
estetrabajo
trabajodefinidos
definidoscomocomopendiente
pendientee e k=1k=1
528528 intercepto,
intercepto,respectivamente)
respectivamente)y yel elparámetro
parámetrodede
569569 enen donde:
donde:
529529 regresión
regresión
lineal
lineal
r. r.
570570 p pesesla laentrada
entradadedela lacualcualdesea
deseaconocer
conocersusu
530530 UnaUnavez vezobtenida
obtenidala latemperatura
temperaturaestimada
estimadasese 571571 contribución
contribución relativa,
relativa,
531531 comparó
comparócon conla latemperatura
temperaturamedida medidaa através
través 572572 n esn esel el
número
número dedelaslas
neuronas
neuronas ocultas,
ocultas,
532532 deldelalgoritmo
algoritmodedeRLO, RLO,usando
usandocomo comovariables,
variables, 573573 j es j es
la la
j-ésima
j-ésimaneurona
neurona oculta,
oculta,
533533 dependiente
dependientey, y,a ala latemperatura
temperaturaestimada estimadae e 574574 I esI esel el
número
número dedeentradas
entradas dede
la la
RNA,
RNA,
534534 independiente
independiente x, x,
a laa la
temperatura
temperatura medida.
medida.Cada Cada 575575 w jpw jppesopesosináptico
sinápticodedela laentrada
entradap phacia haciala la
535535 RNARNAfuefuepre-validada
pre-validadausando usandoloslosparámetros
parámetros 576576 neurona
neuronaj, j,
536536 dederegresión
regresiónobtenidos.
obtenidos. EnEnesta estaevaluación,
evaluación, 577577 v j vpeso
j peso sináptico
sinápticodedela la
neurona
neuronaj hacia
j hacia
la la
salida,
salida,
537537 teóricamente
teóricamentesi sila lapendiente
pendienteseseaproxima
aproximaa 1a 1y y 578578 w jkw jkpeso
pesosináptico
sinápticodedela laentrada
entradak khacia haciala la
538538 el elintercepto
interceptoseseaproxima
aproximaa a0, 0,y yel elcoeficiente
coeficiente 579579 neurona
neuronaj. j.
539539 dedecorrelación
correlaciónr es
r escercano
cercanoa a1, 1,significa
significaque que 580580
540540 la latemperatura
temperaturaestimada
estimadapor porla laRNA
RNAseseacerca
acerca
541541 a ala latemperatura
temperaturamedida.medida. DeDeesta viii.Validación
forma, 581581 viii.
estaforma, Validación dede laslas
RNA
RNA
542542 entre
entremás
máscercanos
cercanos sean
sean estos
estosvalores,
valores, mejor
mejor eses 582582 LaLa validación
validación consistió
consistió enen comparar
comparar laslas
543543 la lapredicción
prediccióndedela laRNA.RNA.Establecimos
Establecimoscomo como 583583 estimaciones
estimacionesdedelaslas5 5RNA RNAseleccionadas,
seleccionadas,
544544 criterio
criterioprincipal
principaldedeselección,
selección,el elcoeficiente
coeficiente dede 584584 usando
usandoel el15% 15%dedela laBDGM.BDGM.Este Esteestudio
estudio
545545 correlación
correlaciónlineal
linealr r>=0.8,
>=0.8,seleccionando
seleccionandoası́ası́5 5 585585 comparativo
comparativo sesebasa
basa
enen
el el
cálculo
cálculo
deldel
porcentaje
porcentaje
546546 RNA.
RNA. 586586 dededesviación
desviación(%DEV),
(%DEV),que queexiste
existeentre
entreloslos
547547 Cabe
Cabe mencionar
mencionar quequeeste
estecriterio
criteriofuefue
establecido
establecido 587587 valores
valores de de temperatura
temperatura medidas
medidas (t m m )y ylaslas
(t
)
548548 dedeacuerdo
acuerdoa aBevington
Bevingtony yRobinson Robinson(2003),(2003), 588588 temperaturas
temperaturas estimadas
estimadas (t (t
)
g g )mediante
mediante laslas5 5
549549 quienes
quienesestablecen
establecenque quela laprobabilidad
probabilidaddedenono 589589 herramientas
herramientas geotermométricas
geotermométricas desarrolladas
desarrolladas
550550 correlación
correlaciónPc(r;
Pc(r;n)n) está
está
dada
dadapor por
el el
coeficiente
coeficiente 590590 enen
este
este
trabajo.
trabajo.ElEl parámetro
parámetro %DEV
%DEVsese calcula
calcula
551551 dedecorrelación
correlaciónr ry yel elnúmeronúmerodededatos datosa a 591591 mediante
mediante la la
siguiente
siguienteecuación:
ecuación:
552552 correlacionar
correlacionarn. n. EnEneste estecaso,
caso,tenemos
tenemosn n= =
%DEV
%DEV= =
[(t[(t
g− tmt)/t
g− m )/t
m ]m∗] 100
∗ 100 (3)(3)
553553 3333datos
datosdedevalidación
validacióny yconsiderando
considerandounun
554554 coeficiente
coeficientededecorrelación
correlaciónr r= =0.8,
0.8,obtenemos
obtenemos
−8−8 592592 ElEl%DEV
%DEVfuefueusado usadocomocomoparámetro
parámetroparapara
555555 unaunaprobabilidad
probabilidad dedenono
correlación
correlacióndede2.3×10
2.3×10 , ,
593593 evaluar
evaluarel elgrado
gradodedeexactitud
exactituddedela latemperatura
temperatura
556556 la lacual
cualesessumamente
sumamentebaja. baja.PorPorlolotanto,
tanto,una
una
594594 estimada
estimadapor porlaslasRNA,
RNA,suponiendo
suponiendoque quela la
557557 correlación
correlación lineal
lineal
deder=r=0.80.8
sese
puede
puede considerar
considerar
595595 temperatura
temperaturaque quehahasido
sidomedida
medidacon consensores
sensores
558558 estadı́sticamente
estadı́sticamente válida.
válida.
596596 analógicos
analógicosy ydigitales,
digitales,esesla latemperatura
temperaturaque que
559559 vii.Cálculo
vii. Cálculodedelalacontribución
contribuciónrelativa
relativadedelaslas 597597 más
másseseaproxima
aproximaa ala latemperatura
temperaturaestable
establedede
560560 variables
variablesdede
entrada
entrada 598598 fondo
fondodedeunun pozo
pozo geotérmico.
geotérmico.
561561 SeSecalculó
calculóla lacontribución
contribuciónrelativa
relativa(CR)
(CR)dedelaslas
562562 5 5RNA
RNAseleccionadas.
seleccionadas.LaLaCR porcentaje 599599 4 4 Resultados
CResesel elporcentaje Resultadosy ydiscusión
discusión
563563 dedeaportación
aportacióndedecadacadaentrada
entradaa la
a lasalida
salidadedela la
564564 RNA.
RNA.PorPorlolotanto,
tanto,esesununvalor
valorque calcula 600600 EnEn
quesesecalcula este
este
trabajo
trabajo
sese
entrenaron
entrenaron
al al
menos
menos
6060
arquitecturas
arquitecturas
565565 para
paracada
cadaentrada
entradaenenparticular.
particular. LaLaCR CRdede 601601 dedeRNA,
RNA,usando
usandocomocomovariables
variablesdedeentrada
entrada7 7

114
1010 www.rmiq.org
www.rmiq.org
www.rmiq.org
 Dı́az-González
Dı́az-Gonzálezyyycol./
Dı́az-González col./ Revista
col./Revista Mexicana
RevistaMexicana de
Mexicanade Ingenierı́a
deIngenierı́a Quı́mica
Ingenierı́aQuı́mica Vol.
Quı́micaVol. 12,
Vol.12, No.
No.111(2013)
12,No. (2013) XXX-XXX
(2013)XXX-XXX
105-120

602
602
diferentes combinaciones
diferentes combinaciones (ver (ver TablaTabla 3). 3). En En la la 636
636 aprendizaje. Asimismo,
aprendizaje. Asimismo, las las 55 RNARNA fueronfueron diseñadas
diseñadas
603
603
Tabla 4 se Dı́az-González
presenta la y col./ Revista
configuración Mexicana
de las 5de Ingenierı́a
con Quı́mica
funciones
Tabla 4 se presenta la configuración de las 5 637 con funciones de activación tangente hiperbólica en
637 Vol.
de 12,
activaciónNo. 1 (2013)
tangente XXX-XXX
hiperbólica en la la
604
604
mejores arquitecturas neuronales, las cuales fueron capa
mejores arquitecturas neuronales, las cuales fueron 638 capa oculta y lineal en la capa de salida.
638 oculta y lineal en la capa de salida.
605 seleccionadas
605 602seleccionadas
de acuerdo
de
diferentes combinaciones acuerdo al al (ver
criterio
criterioTabla rr >=0.8
>=0.8 En
3). de la639
de 639
636 aprendizaje. Asimismo, las 5 RNA fueron diseñadas
606 coeficiente
606 603coeficiente
de
de correlación
correlación lineal,
lineal,
Tabla 4 se presenta la configuración de las 5640 obtenido
obtenido entre
entre la
la 640 637 Asimismo,
con funcionesse
Asimismo, se puede apreciar
de puede
activación apreciar
tangente que
que las RNA4
hiperbólica
las RNA4 en la
607 temperatura
607 604temperatura
estimada
estimada por
por las
las RNA
RNA yy la
la temperatura
temperatura
mejores arquitecturas neuronales, las cuales fueron641 638y capa 641 y RNA5
RNA5 oculta (ver
(very linealTabla
Tablaen 4) 4)
la capapresentan
de salida.
presentan los mismos
los mismos
medida.
608 605medida.
608 De estas
De
seleccionadas estasde55 RNA RNA finales,
acuerdo finales, 44 de
al criterio de ellas
ellas
r >=0.8fueron de642
fueron 642 639parámetros de regresión lineal: pendiente (a=0.82),
parámetros de regresión lineal: pendiente (a=0.82),
609 diseñadas
609 606diseñadas
con
con una
una neurona
neurona en
en la
la capa
capa
coeficiente de correlación lineal, obtenido entre la643 oculta
oculta y
y una
una 643 intercepto
640interceptoAsimismo, (b=0.001)
(b=0.001) y coeficiente
se ypuede coeficiente
apreciarde deque correlación
correlación
las RNA4
610 RNA
610 607RNA
con
con cinco
cinco neuronas.
neuronas.
temperatura estimada por las RNA y la temperatura644 641lineal 644 lineal
y RNA5(r=0.815).
(r=0.815). Mientras
(ver Mientras
Tabla 4) tanto,
tanto, las RNA1,
las RNA1,
presentan RNA2
los RNA2mismos
611
611 608 medida. De estas 5 RNA finales, 4 de ellas fueron645 642y RNA3 645 y RNA3
parámetros presentaron
presentaron
de regresión diferentes
diferentes valores
lineal: valores
pendiente para
para los
los
(a=0.82),
612
612 609
Las
Las 5
5 RNA
RNA seleccionadas
seleccionadas fueron
fueron entrenadas
entrenadas
diseñadas con una neurona en la capa oculta y una646 643parámetros con
con 646 parámetros a
interceptoa (0.82, (0.82,
(b=0.001) 1.2 y 0.95),
1.2 y y0.95), b (0.00097,
b (0.00097,
coeficiente 0.00048
0.00048
de correlación
613 las siguientes
siguientes
613 610las RNA con cincocombinaciones
combinaciones
neuronas. de de entradas:
entradas: (i) (i) 22 RNA
RNA 647 647 y 0.00046)
644y 0.00046)
lineal yy rr (0.81,
(r=0.815).(0.81, 0.800.80 yy 0.82).
Mientras 0.82).
tanto, Teóricamente
Teóricamente
las RNA1, siRNA2
si la
la
614 con la combinación 1, log(Na/K), log(Ca/Na22 ) y 648
614 611con la combinación 1, log(Na/K), log(Ca/Na ) y 648 pendiente
645pendiente
y RNA3 se aproxima
se aproxima
presentaron a 1, el intercepto
a 1, diferentes
el intercepto se aproxima
se aproxima
valores para los
2
log(Mg/Na
615 612log(Mg/Na
615
Las 52 ););RNA (ii) seleccionadas
(ii) 11 RNA
RNA con con fueron
la combinación
la combinación
entrenadas5, 5,con649
649 a 0,
646a 0, yy el el coeficiente
parámetros coeficiente
a (0.82,de de correlación
1.2correlación
y 0.95), b es es cercano0.00048
cercano
(0.00097, aa 1,1,
que incluye
616 613quelas
616 incluye las 33combinaciones
las
siguientes entradas de
entradas de la ladecombinación
entradas: (i)11 2yy RNA
combinación el 650
el 650 significa
647significa
y 0.00046) que la temperatura
que lay temperatura
r (0.81, 0.80 estimadaestimada por la RNA
por la RNA sesi la
y 0.82). Teóricamente se
Litio;
617 614Litio;
617 (iii)
con(iii) 1 RNA
RNA con
la 1combinación con la la1,combinación
combinación
log(Na/K),6, 6,log(Ca/Na
que incluye
que incluye 2
) y651
651 acerca
648acerca aa la
pendiente la temperatura
temperatura
se aproxima medida.
medida.
a 1, el intercepto se aproxima
la log(Mg/Na
combinación
618 615la combinación
618
); 1 (ii)
2 1 yy elel1 log(Na/Li);
log(Na/Li);
RNA con lay, y, combinación
(iv) 11 RNA
(iv) RNA 5, 649 a 0, y el coeficiente de correlación es cercano a 1,
619 con la
619 616conque
la incluye
combinación
combinación√las 3 7,
7, que
que
entradas incluye
incluye
de la la
la combinación
combinación
combinación 1 y el 650 significa que la temperatura estimada por la RNA se
√
1 y elel log(Li/
620 6171 yLitio;
log(Li/
(iii) 1 RNA Mg)).conComo
Mg)). Como podemos apreciar,
podemos
la combinación apreciar, las 652 6514.1acerca
las
6, que incluye Contribución relativa de laslas entradas
entradas
620
652 4.1 Contribucióna la temperatura relativa
medida. de
3 entradas
621 6183 entradas
621 de la
de
la combinación la combinación
combinación
1 y el log(Na/Li); 11 están
están presentes
presentes
y, (iv) 1 en en
RNA
todas
622 619todas
622 las
conlas RNA
laRNA finales, lo
finales,
combinación lo7,cual
cual puede
quepuede sugerir
sugerir
incluye que estas
que estas 653
la combinación 653 En la
En la Tabla
Tabla 55 se se presenta
presenta la la contribución
contribución relativarelativa
√
variables
623 620variables
tienen
1 y el tienen cierta
log(Li/cierta Mg)). relevancia
relevancia
Como en en la estimación
la
podemos estimación
apreciar, delas654
de de las
de las entradas
entradas de de las
las 55 RNA RNA seleccionadas.
seleccionadas. Cada Cada
623 654
652 4.1 Contribución relativa de las entradas
la temperatura
624 621la temperatura
624
3 entradas de de fondo.
fondo.
la combinación 1 están presentes en655 655 entrada presenta
entrada presenta el el siguiente
siguiente intervalo
intervalo de de valores:
valores: (i) (i)
el En
log(Na/K) del5 69%
69% al 75%;
75%;la(ii) (ii) el log(Ca/Na
log(Ca/Na 22 )
todas las RNA finales, lo cual puede sugerir que estas656 653el log(Na/K)
la Tabladel al
se presenta el
contribución )
relativa
625 656
625 622
2
626
626 623
Evaluamos
Evaluamos
variables tienenlas las siguientes
cierta siguientes
relevancia entécnicas técnicas
la estimación de de657
de 657 del 3%
654delde
3%las al 13%;
al 13%; (iii)
entradas (iii)deel las
el log(Mg/Na
log(Mg/Na 2 )√del
)√ del 12%
5 RNA seleccionadas. 12% al al 22%;
22%; Cada
entrenamiento:
627 624entrenamiento:
627 Levenberg-Marquardt,
la temperaturaLevenberg-Marquardt,
de fondo. BFGS Quasi-
BFGS Quasi- 658 658 (iv) el
el Li,
Li, el
655(iv)entrada
elpresenta
log(Na/Li)
log(Na/Li) yy el
el log(Li/
el siguiente log(Li/ intervaloMg) presentaron
Mg) presentaron
de valores: (i)
628 Newton, Batch Gradient Descent, (Fletcher-Powell 659
628 625Newton, Batch Gradient Descent, (Fletcher-Powell
659 el el
3%.
656el 3%.
Cabe destacar
Cabe
log(Na/K) destacar
del 69% que
que al lala contribución
contribución
75%; relativa 2 )
relativa
(ii) el log(Ca/Na
629 Conjugate
629 626ConjugateEvaluamosGradient),
Gradient), Resilient
las Resilient
siguientes Backpropagation,
Backpropagation,
técnicas de660
660 de lala variable
657de del
variable
3% al 13%; Litio(iii)
Litio noelpresenta
no presenta
log(Mg/Na diferencias
2
diferencias
) del 12% respecto
respecto
√al 22%;
Variable LearningLevenberg-Marquardt,
Rate Backpropagation,
Backpropagation, Scaled a las transformadas log: log(Na/Li)
log(Na/Li) √ √
630 627Variable
630
Learning
entrenamiento: Rate BFGS Scaled
Quasi-661
661
658a las
(iv)transformadas
el Li, el log(Na/Li) log: y el log(Li/yy log(Li/log(Li/ Mg).
Mg).
Mg) presentaron
631 Conjugate
631 628Conjugate
Gradient
Newton,Gradient
Batch Gradientyy Automated
Automated Regularization.
Regularization.
Descent, (Fletcher-Powell De 662
De 662 Asimismo,
659Asimismo,
el 3%. los los
Cabe resultados
resultados obtenidos
destacar obtenidos en este
en
que la contribución este trabajo,
trabajo,
relativa
632 todas
632 629todas
estas técnicas
estas
Conjugate técnicas
Gradient), de entrenamiento,
de entrenamiento, el algoritmo
el
Resilient Backpropagation, algoritmo 663 663 muestran
660muestran
que el
que
de la variable el log
log
Litio de no
de la relación
la relación
presentaNa/K Na/K presenta
presenta
diferencias de
de
respecto
de Levenberg
Levenberg Marquardt
− Marquardt es el el que
que presentó
presentóScaledel 664 manera sistemática la la más
más alta contribución en todas√
todas
633 630de Variable Learning
− es
Rate Backpropagation, el 661manera
a las sistemática
transformadas log: alta contribución
log(Na/Li) en
y log(Li/ Mg).
633 664

634 mejor
634 631mejor
desempeño
desempeño
Conjugate Gradient en el
en el aprendizaje.
aprendizaje.
y Automated Las 55 RNA
Las
Regularization. RNADe665 665 las arquitecturas
arquitecturas
662las Asimismo,
neuronales.
losneuronales.
resultadosEn En la Fig.
la Fig. 44en
obtenidos se presentan
se presentan
este trabajo,
635 seleccionadas
635 632seleccionadas
todas estas fueronfueron entrenadas
técnicasentrenadas con esta
con
de entrenamiento, esta técnica
técnica de 666
de
el algoritmo 666 estos
663estos
resultados
resultados
muestran quede de manera
el manera
log de la gráfica.
gráfica.
relación Na/K presenta de
633 de Levenberg − Marquardt es el que presentó el 664 manera sistemática la más alta contribución en todas
Tabla 4.4. Configuración
Configuración de de las arquitecturas
arquitecturas neuronales seleccionadas.
seleccionadas.
634 mejor desempeño Tabla
en el aprendizaje. Las las5 RNA 665 lasneuronales arquitecturas neuronales. En la Fig. 4 se presentan
RNA
RNA CONF.
CONF. Entrada:
Entrada: Parametros RLO
RLO
635 seleccionadas fueron entrenadas con esta técnica de 666 estos resultados deParametros manera gráfica.
[1]
[1] [2]
[2] [3]
[3] [4]
[4] a
a bb rr
Na Ca Mg
RNA1 3-1-1
RNA1 3-1-1 log(
Tabla
log( Na
K ) Configuración
4.
) log( Na
log( Ca 2 )) log(
log(de Mg
las
Na 2 ))arquitecturas neuronales 0.82 seleccionadas.
0.82 0.00097 0.81
0.00097 0.81
K Na 2 Na 2
RNA CONF. Entrada: Parametros RLO
Na Ca Mg
RNA2 3-5-1
RNA2 3-5-1 log(Na
log( [1]
K )) log(
log( Na
Ca 2 ))
[2] log(
log( Mg
Na 2 ))
[3] [4] 1.2
1.2a 0.00048
b
0.00048 0.80
0.80r
K Na2 Na2 Mg
667 RNA1 3-1-1 log( Na K ) log( Na
Ca
2 ) log( 2 ) 0.82 0.00097 0.81
MgNa
667
Na Ca
RNA3 4-1-1
RNA3 4-1-1 log(Na
log( )) log(
log( Ca
)) log(
log( Mg
)) Li
Li 0.95
0.95 0.00046
0.00046 0.82
0.82
KK Na2 2 Na2 2
Na Na Mg
RNA2 3-5-1 log( Na K ) log( Na Ca
2) log( Na 2) 1.2 0.00048 0.80
Na Ca Mg Na
667
RNA4
RNA4 4-1-14-1-1 log( Na ) log(
log( KK ) log( Na Ca2 )
Na2 )
log(
log( NaMg )
Na2 )
2 log( Na
log( LiLi ) ) 0.82 0.001
0.82 0.001 0.815
0.815
Na Ca Mg
RNA3 4-1-1 log( K ) log( Na2 ) log( Na2 ) Li 0.95 0.00046 0.82
Na Ca Mg
RNA5 4-1-1
RNA5 4-1-1 log(Na
log( K )) log(
log( Na
Ca 2 )) log( Mg
log( Na 2 )) log( √√LiLiMg))
log( 0.82 0.001
0.82 0.001 0.815
0.815
K Na 2 2
Na Mg Mg
Na Ca Na
RNA4
Todas
Todas 4-1-1 log(neuronales
estas arquitecturas
estas arquitecturas K ) log(fueron
neuronales fueron
Na2
) entrenadas
log( Na2 ) con
entrenadas log(el
con )
elLialgoritmo
algoritmo 0.82 0.001 0.815
lm (Levenberg-Marquardt)
lm (Levenberg-Marquardt)
Mg
RNA5 4-1-1 log( Na
K )
Ca
log( Na 2) log( Na 2) log( √LiMg ) 0.82 0.001 0.815
Todas estas arquitecturas neuronales fueron entrenadas con el algoritmo lm (Levenberg-Marquardt)

www.rmiq.org
www.rmiq.org
www.rmiq.org 11
115
11

www.rmiq.org 11
 Dı́az-González y col./ Revista Mexicana de Ingenierı́a Quı́mica Vol. 12, No. 1 (2013) 105-120

b)
a) log(Ca/Na2) log(Ca/Na2)
12% 13%

log(Mg/Na2)
log(Mg/Na2) 12%
17%

log(Na/K) log(Na/K)
71% 75%

RNA1 RNA2

Li
d) log(Na/Li)
c) log(Ca/Na2) 3% 3%
3% log(Ca/Na2)
11%

log(Mg/Na2)
22%
log(Mg/Na2)
17%
log(Na/K)
log(Na/K)
69%
72%

RNA3 RNA4

e) log(Li/Mg0.5)

log(Ca/Na )2 3%
12%

log(Mg/Na2)
15%

log(Na/K)
70%

RNA5

668

669 Fig. 4. Gráficas de la contribución relativa de cada entrada de las redes neuronales.

Fig.4 Gráficas de la contribución relativa de cada entrada de las redes neuronales.

12 www.rmiq.org

116 www.rmiq.org
 Dı́az-González yy col./
Dı́az-González col./ Revista
Revista Mexicana
Mexicana de
de Ingenierı́a
Ingenierı́a Quı́mica
Quı́mica Vol.
Vol. 12,
12, No.
No. 1 (2013)
(2013) XXX-XXX
105-120
Dı́az-González y col./ Revista Mexicana de Ingenierı́a Quı́mica Vol. 12, No. 11(2013) XXX-XXX

Tabla5.5. Contribución
Tabla Contribuciónrelativa
relativade
decada
cadaentrada
entrada 691
691 Conclusiones
Conclusiones
delas
de las55mejores
mejoresredes
redesneuronales.
neuronales.
RNA
RNA Contribuciónrelativa
Contribución relativa 692
692 En elel presente
En presente estudio
estudio se se realizó
realizó unun análisis
análisis
delas
de lasentradas
entradas 693
693 multivariado usando la técnica computacional
multivariado usando la técnica computacional de RNA de RNA
[1]
[1] [2]
[2] [3] [4]
[3] [4] 694
694 y una amplia base de datos geoquı́micos
y una amplia base de datos geoquı́micos (n=219), (n=219),
670
670
RNA1 71%
RNA1 71% 12%12% 17% 17% 695
695 con lala finalidad
con finalidad dede conocer
conocer lala contribución
contribución relativa
relativa
RNA2 75%
RNA2 75% 13%13% 12% 12% 696
696 de ciertos cationes en la estimación de la temperatura
de ciertos cationes en la estimación de la temperatura
RNA3 72%
RNA3 72% 3% 3% 22% 22% 3% 3% 697
697 de fondo
de fondo enen pozos
pozos geotérmicos.
geotérmicos. ComoComo entradas
entradas dede
RNA4 69%
RNA4 69% 11%11% 17% 17% 3% 3% 698
698 las RNA,
las RNA, usamos
usamos laslas transformadas
transformadas logarı́tmicas
logarı́tmicas de de
RNA5 70%
RNA5 70% 12%12% 15% 15% 3% 3% 699
699 diversas relaciones
diversas relaciones dede los
los elementos
elementos Na,
Na,K, K,Mg,
Mg,Ca Ca yy
700
700 Li,yycomo
Li, comosalida
salidausamos
usamoselelinverso
inversodedelalatemperatura
temperatura
80
701
701 absoluta. Decidimos
absoluta. Decidimos usar usar este
este conjunto
conjunto variables,
variables,
80
RNA1
RNA1 RNA4
RNA4
702
702 desde un
desde un punto
punto de
de vista
vista geoquı́mico,
geoquı́mico, dado
dado queque han
han
60
60 RNA2
RNA2
RNA3
RNA3
RNA5
RNA5 703
703 sidousadas
sido usadasconconéxito
éxitoenengeotermometrı́a
geotermometrı́apara paraestimar
estimar
40
40
704
704 lalatemperatura
temperaturade defondo.
fondo.
705
705
20
20
706
706 Las55mejores
Las mejoresRNARNAseleccionadas
seleccionadaspresentaron
presentaronlaslas
%DEV
%DEV

00 707
707 siguientes caracterı́sticas de diseño: (i) 4
siguientes caracterı́sticas de diseño: (i) 4 de ellas con de ellas con
-20
708
708 una sola
una sola neurona
neurona en en lala capa
capa oculta
oculta yy una
una RNA
RNA concon 55
-20
709
709 neuronas en dicha capa; (ii) las 5 RNA
neuronas en dicha capa; (ii) las 5 RNA seleccionadas seleccionadas
-40
-40 710
710 usaronlalafunción
usaron funciónde
deactivación
activacióntangente
tangentehiperbólica
hiperbólicaenen
-60
-60
711
711 la capa oculta y la función lineal en la capa
la capa oculta y la función lineal en la capa de salida; de salida;
712
712 y,y, (iii)
(iii) las
las 55 RNA
RNA seleccionadas
seleccionadas se se entrenaron
entrenaron concon elel
-80
-80
120
120 150
150 180
180 210
210 240
240 270
270 300
300 713
713 algoritmo Levenberg − Marquardt.
algoritmo Levenberg − Marquardt. Estos resultados Estos resultados
671
671
Temperaturamedida
Temperatura medidatmtm(ºC)
(ºC)
714
714 sobreeleldiseño
sobre diseñodedelas
lasRNA,
RNA,nos nosayudarán
ayudaránen enun
unfuturo
futuro
715
715 a implementar una metodologı́a evolutiva
a implementar una metodologı́a evolutiva para obtener para obtener
672 Fig. 5.5. Gráfica
Fig. Gráfica del
Gráficadel porcentaje
porcentaje dede desviación
desviación de las
de las unaRNA RNAóptima.
óptima.
672 Fig.5Gráfica
Fig.5 delporcentaje
del porcentaje dedesviación
de desviaciónde
de lasredes
las redes neuronales.
neuronales. 716
716 una
673
673 redes neuronales.
redes neuronales. 717
717

718
718 Después de
Después de probar
probar un un número
número significativo
significativo
719
719 de técnicas de entrenamiento, concluimos
de técnicas de entrenamiento, concluimos que que elel
674
674 4.2 Validación
4.2 Validaciónde
delas
lasRNA
RNA 720
720 algoritmo de optimización Levenberg − Marquardt
algoritmo de optimización Levenberg − Marquardt es es
721
721 el algoritmo más rápido, dado que converge
el algoritmo más rápido, dado que converge con menoscon menos
675
675 En lala Fig.
En Fig. 55 sese presentan
presentan los los resultados
resultados del
del %DEV
%DEV 722
722 iteraciones que
iteraciones que cualquier
cualquier otro
otro algoritmo
algoritmo probado.
probado.
676
676 (verecuación
(ver ecuación3) 3)de
delaslas55RNA
RNAfinales.
finales. Este
Esteparámetro
parámetro 723
723 Asimismo, podemos destacar que nuestros
Asimismo, podemos destacar que nuestros resultados resultados
677
677 estadı́sticofue
estadı́stico fueusado
usadocomocomoun uncriterio
criteriodedevalidación
validaciónaa 724
724 de entrenamiento
de entrenamiento fueron
fueron más
más consistentes
consistentes usando
usando
678
678 fin de
fin de cuantificar
cuantificar elel grado
grado de de exactitud
exactitud presente
presente enen lala 725
725 este algoritmo que usando otros algoritmos,
este algoritmo que usando otros algoritmos, con los con los
679
679 estimación de temperaturas realizada por
estimación de temperaturas realizada por cada una de cada una de 726
726 cuales observamos que los parámetros de pesos yy
cuales observamos que los parámetros de pesos
680
680 las RNA finales. Cabe destacar que
las RNA finales. Cabe destacar que en este proceso en este proceso 727
727 bias presentaban
bias presentaban cierta
cierta oscilación.
oscilación. Por
Por otro
otro lado,
lado, lala
681
681 de validación
de validación usamos
usamos un un conjunto
conjunto de de 33
33 muestras
muestras 728
728 literatura reporta que este algoritmo de optimización
literatura reporta que este algoritmo de optimización
682
682 seleccionadas aleatoriamente de la
seleccionadas aleatoriamente de la base de datos, base de datos, 729
729 es ineficiente
es ineficiente para
para entrenar
entrenar grandes
grandes RNA,RNA, debido
debido aa
683
683 mismas que no participaron en el entrenamiento
mismas que no participaron en el entrenamiento de delas
las 730
730 su alto costo computacional. Ası́ que, consideramos
su alto costo computacional. Ası́ que, consideramos
684
684 RNA, para evitar un sesgo estadı́stico.
RNA, para evitar un sesgo estadı́stico. El 0%DEV, El 0%DEV, 731
731 queeste
que estealgoritmo
algoritmopresentó
presentóelelmejor
mejordesempeño,
desempeño,dadodado
685
685 representado como
representado como una una lı́nea
lı́nea punteada
punteada enen lala Fig.
Fig. 5,5, 732
732 que nuestras RNA finales tienen pocas
que nuestras RNA finales tienen pocas entradas (3 entradas (3
686
686 denota a los valores reales de temperatura
denota a los valores reales de temperatura medida; por medida; por 733
733 y 4) y pocas neuronas en la capa
y 4) y pocas neuronas en la capa oculta, con lo oculta, con lo
687
687 tanto, la herramienta geotermométrica más
tanto, la herramienta geotermométrica más realista en realista en 734
734 cual se obtiene un número mediano
cual se obtiene un número mediano de parámetrosde parámetros
688
688 sus predicciones es aquella que obtiene
sus predicciones es aquella que obtiene valores más valores más 735
735 ajustables; por
ajustables; por ejemplo,
ejemplo, lala RNA
RNA final
final más
más robusta
robusta
689
689 cercanos aa esta
cercanos esta lı́nea.
lı́nea. LasLas RNARNA exhibieron
exhibieron en en susu 736
736 tiene 26 parámetros considerando pesos
tiene 26 parámetros considerando pesos y bias. y bias.
690
690 mayorı́a un %DEV del
mayorı́a un %DEV del −30 al 30.−30 al 30. 737
737

738
738 Finalmente, consideramos
Finalmente, consideramos que
que los
los resultados
resultados
739
739 obtenidos en el presente estudio multivariado podrı́an
obtenidos en el presente estudio multivariado podrı́an
740
740 ser de utilidad para el desarrollo futuro
ser de utilidad para el desarrollo futuro de de una
una
741
741 herramienta geotermométrica multicomponente
herramienta geotermométrica multicomponente más más

www.rmiq.org
www.rmiq.org 117
13
www.rmiq.org 13
 Dı́az-González
Dı́az-Gonzálezyyycol./
col./ Revista
col./Revista Mexicana
RevistaMexicana de
Mexicanade Ingenierı́a
deIngenierı́a Quı́mica
Ingenierı́aQuı́mica Vol.
Quı́micaVol. 12,
Vol.12, No.
No.111(2013)
12,No. (2013) XXX-XXX
(2013)XXX-XXX
105-120
Dı́az-González

742
742
exacta, dado que obtuvimos la contribución relativa
exacta, dado que obtuvimos la contribución relativa
772
772
Referencias
Referencias
743 de cada entrada de las RNA finales. Con ello,
743 de cada entrada de las RNA finales. Con ello,
744 podemos concluir que la entrada del Litio, no 773 Álvarez del Castillo A., Santoyo E., Garcı́a-
744 podemos concluir que la entrada del Litio, no 773 Álvarez del Castillo A., Santoyo E., Garcı́a-
745 presenta diferencias respecto a las entradas basadas 774 Valladares O., Sánchez-Upton P. (2010).
745 presenta diferencias respecto a las entradas basadas 774 Valladares O., Sánchez-Upton P. (2010).
746 en las √transformadas logarı́tmicas: log(Na/Li) y 775 Evaluación estadı́stica de correlaciones de
746 en las √ transformadas logarı́tmicas: log(Na/Li) y 775 Evaluación estadı́stica de correlaciones de
747 log(Li/ Mg). Asimismo, se concluye que el log de 776 fracción volumétrica de vapor para la
747 log(Li/ Mg). Asimismo, se concluye que el log de 776 fracción volumétrica de vapor para la
748 la relación Na/K presenta la más alta contribución 777 modelación numérica de flujo bifásico en pozos
748 la relación Na/K presenta la más alta contribución 777 modelación numérica de flujo bifásico en pozos
749 en todas las arquitecturas neuronales. Con ello se 778 geotérmicos. Revista Mexicana de Ingenierı́a
749 en todas las arquitecturas neuronales. Con ello se 778 geotérmicos. Revista Mexicana de Ingenierı́a
750 demuestra que la variable log(Na/K) es el indicador 779 Quı́mica 9, 285-311.
750 demuestra que la variable log(Na/K) es el indicador 779 Quı́mica 9, 285-311.
751 más importantes de la geotermometrı́a de solutos.
751 más importantes de la geotermometrı́a de solutos.
En tanto que, el log(Mg/Na2 ) y el log(Ca/Na2 ) 780 Aitchison, J. (1986). The Statistical Analysis of
752
752 En tanto que, el log(Mg/Na2 ) y el log(Ca/Na2 ) 780 Aitchison, J. (1986). The Statistical Analysis of
es el segundo y tercer indicador en importancia, 781 Compositional Data. London, Chapman and
753
753 es el segundo y tercer indicador en importancia, 781 Compositional Data. London, Chapman and
respectivamente. Por último, se destaca que el Litio 782 Hall.
754
754 respectivamente. Por último, se destaca que el Litio 782 Hall.
755 es el indicador con menos relevancia en la estimación
755 es el indicador con menos relevancia en la estimación Arnórsson, S. (1983). Chemical equilibria in
756 de la temperatura de fondo. 783
Arnórsson, S. (1983). Chemical equilibria in
756 de la temperatura de fondo. 783
784 Icelandic geothermal systems-Implications
757
784 Icelandic geothermal systems-Implications
757
785 for chemical geothermometry investigations.
785 for chemical geothermometry investigations.
786 Geothermics 12, 119-128.
Agradecimientos 786 Geothermics 12, 119-128.
758
758 Agradecimientos
787 Arnórsson, S. (Ed.). (2000). Isotopic and Chemical
759 El primer autor agradece al proyecto PROMEP 787 Arnórsson, S. (Ed.). (2000). Isotopic and Chemical
759 El primer autor agradece al proyecto PROMEP 788 Techniques in Geothermal Exploration,
760 Estadı́stica Computacional para el tratamiento de 788 Techniques in Geothermal Exploration,
760 Estadı́stica Computacional para el tratamiento de 789 Development and Use: Sampling Methods,
761 datos experimentales (PROMEP/103-5/10/7332). El 789 Development and Use: Sampling Methods,
761 datos experimentales (PROMEP/103-5/10/7332). El 790 Data Handling, Interpretation. International
762 segundo autor agradece a dicho proyecto PROMEP 790 Data Handling, Interpretation. International
762 segundo autor agradece a dicho proyecto PROMEP 791 Atomic Energy Agency 351, Vienna, Austria,
763 la beca para realizar su tesis de licenciatura. El 791 Atomic Energy Agency 351, Vienna, Austria,
763 la beca para realizar su tesis de licenciatura. El 792 351.
764 tercer autor agradece también el apoyo del proyecto 792 351.
764 tercer autor agradece también el apoyo del proyecto
765 DGAPA-PAPIIT IN 116511. Asimismo, se agradecen Bassam, A., Santoyo, E., Andaverde, J., Hernández,
765 DGAPA-PAPIIT IN 116511. Asimismo, se agradecen 793
Bassam, A., Santoyo, E., Andaverde, J., Hernández,
766 los valiosos comentarios sugeridos por el Dr. Gilberto 793
J.A. y Espinoza-Ojeda, O.M. (2010) Estimation
766 los valiosos comentarios sugeridos por el Dr. Gilberto 794
J.A. y Espinoza-Ojeda, O.M. (2010) Estimation
767 Espinosa-Paredes y por los 4 árbitros anónimos, que 794
of static formation temperatures in geothermal
767 Espinosa-Paredes y por los 4 árbitros anónimos, que 795
of static formation temperatures in geothermal
768 amablemente contribuyeron a mejorar el presente 795
wells by using an artificial neural network
768 amablemente contribuyeron a mejorar el presente 796
wells by using an artificial neural network
769 trabajo. 796
approach. Computers & Geosciences 36, 1191-
769 trabajo. 797
797 approach. Computers & Geosciences 36, 1191-
798 1199.
798 1199.
770 Nomenclatura
Nomenclatura
770 799 Bayram, A.F. (2001). Application of an
φ(u) función de activación de una red neuronal 799 Bayram, A.F. (2001). Application of an
φ(u) función de activación de una red neuronal 800 artificial neural network model to a Na-K
w(t) peso sináptico en el instante de tiempo t 800 artificial neural network model to a Na-K
w(t) peso sináptico en el instante de tiempo t 801 geothermometer. Journal of Volcanology and
Variación del peso sináptico en el instante 801 geothermometer. Journal of Volcanology and
∆w(t)
Variación del peso sináptico en el instante 802 Geothermal Research 12, 75-81.
∆w(t)
de tiempo t 802 Geothermal Research 12, 75-81.
de tiempo t
CR Contribución relativa de la entrada p de una Bevington, P.R. y Robinson, D.K. (2003). Data
CR pp Contribución relativa de la entrada p de una 803
803 Bevington, P.R. y Robinson, D.K. (2003). Data
red neuronal Reduction and Error Analysis for the Physical
red neuronal 804
804 Reduction and Error Analysis for the Physical
p p-esima entrada de la red neuronal Sciences. McGraw-Hill, Boston, MA, USA.
p p-esima entrada de la red neuronal 805
805 Sciences. McGraw-Hill, Boston, MA, USA.
n número de las neuronas ocultas
n número de las neuronas ocultas
j j-ésima neurona oculta 806 Can, I. (2002). A new improved Na/K
j j-ésima neurona oculta 806 Can, I. (2002). A new improved Na/K
771 I número de entradas de la red neuronal 807 geothermometer by artificial neural Networks.
771 I número de entradas de la red neuronal 807 geothermometer by artificial neural Networks.
w peso sináptico de la entrada p hacia la Geothermics 31, 751-760.
w jpjp
808
peso sináptico de la entrada p hacia la 808 Geothermics 31, 751-760.
neurona j
neurona j
v peso sináptico de la neurona j hacia la 809 D’Amore, F. y Arnórsson, S. (2000).
v jj peso sináptico de la neurona j hacia la 809 D’Amore, F. y Arnórsson, S. (2000).
salida 810 Geothermometry. En: Isotopic and
salida 810 Geothermometry. En: Isotopic and
w peso sináptico de la entrada k hacia la 811 ChemicalTechniques in Geothermal Exploration,
w jkjk peso sináptico de la entrada k hacia la 811 ChemicalTechniques in Geothermal Exploration,
neurona j 812 Development and Use: Sampling Methods,
neurona j 812 Development and Use: Sampling Methods,
%DEV porcentaje de desviación entre tg y tm 813 Data Handling, Interpretation, (S., Arnórsson,
%DEV porcentaje de desviación entre tg y tm 813 Data Handling, Interpretation, (S., Arnórsson,
tg es la temperatura estimada por la RNA 814 ed.), Pp. 152-199. International Atomic Energy
tg es la temperatura estimada por la RNA 814 ed.), Pp. 152-199. International Atomic Energy
t es la temperatura medida 815 Agency, Vienna, Austria.
tmm es la temperatura medida 815 Agency, Vienna, Austria.

14
118 www.rmiq.org
www.rmiq.org
14 www.rmiq.org
 Dı́az-González
Dı́az-González yy col./
Dı́az-González col./ Revista
y col./
Revista Mexicana
Revista
Mexicana de
Mexicana Ingenierı́a
dede Quı́mica
Ingenierı́a
Ingenierı́a Vol.
Quı́mica
Quı́mica 12,
Vol.
Vol. No.
12,12,
No. 11 (2013)
No. XXX-XXX
1 (2013)
(2013) 105-120
XXX-XXX

816
816
Dı́az-González
Dı́az-González L.,
L., Santoyo
Santoyo E.
E. yy Reyes
Reyes J.
J. (2008).
(2008). 863
863
Fournier,
Fournier, R.O.
R.O. yy Potter
Potter II,
II, R.W.
R.W. (1982).
(1982). A A revised
revised
817
817
Tres
Tres nuevos geotermómetros mejorados de
nuevos geotermómetros mejorados de 864
864
and expanded silica (quartz) geothermometer.
and expanded silica (quartz) geothermometer.
818
818
Na/K
Na/K usando
usando herramientas
herramientas computacionales
computacionales yy 865
865
Geotherm.
Geotherm. Res.
Res. Coun.
Coun. Bull.
Bull. 11,
11, 3-12.
3-12.
819 geoquimiométricas:
geoquimiométricas: aplicación
aplicación aa la
la predicción
predicción
819
866 Fournier,
Fournier, R.O.
R.O. yy Truesdell,
Truesdell, A.H.,
A.H., (1973).
(1973). An An
820 de
de temperaturas
temperaturas dede sistemas
sistemas geotérmicos.
geotérmicos.
866
820
867 empirical
empirical Na-K-Ca geothermometer for
Na-K-Ca geothermometer for natural
natural
821 Revista
Revista Mexicana
Mexicana de
de Ciencias
Ciencias Geológicas
Geológicas 25,
25,
867
821
868 waters.
waters. Geochim.
Geochim. Cosmochim.
Cosmochim. Acta
Acta 37,
37, 1255-
1255-
822 465-482.
465-482.
868
822
869
869
1275.
1275.
823 Dı́az-González
Dı́az-González L.
L. yy Santoyo
Santoyo E.E. (2008).
(2008). A A new
new Garson
823
precise
870
Garson G.D.
G.D. (1991).
(1991). Interpreting
Interpreting neural-network
neural-network
precise calibration
calibration of
of the
the Na/K
Na/K geothermometer
870
824
824 geothermometer 871 connection
connection weights. AI
weights. AI Expert
Expert 6,
6, 47-51.
47-51.
825
825
using
using aa world
world database
database of
of geothermal
geothermal fluids
fluids
871

826
826
and
and improved
improved geochemometric
geochemometric techniques.
techniques. 872
872
Giggenbach,
Giggenbach, W.F.
W.F. (1988).
(1988). Geothermal
Geothermal solute
solute
827
827
Presentación
Presentación Julio.
Julio. Vancouver,
Vancouver, Canada:
Canada: 873
873
equilibria.
equilibria. Derivation
Derivation of
of Na-K-Mg-Ca
Na-K-Mg-Ca
828
828
18th
18th Annual
Annual V.M.
V.M. Goldschmidt
Goldschmidt Conference,
Conference, 874
874
geoindicators.
geoindicators. Geochim.
Geochim. Cosmochim.
Cosmochim. Acta
Acta
829
829
Geochimica
Geochimica etet Cosmochi
Cosmochi Acta
Acta 72
72 Supplement
Supplement 1,
1, 875
875
52,
52, 2749-2765.
2749-2765.
830 A215.
A215.
830
876
876
Kharaka,
Kharaka, Y.K.
Y.K. yy Mariner,
Mariner, R.H.
R.H. (1989).
(1989). Chemical
Chemical
Espinoza-Ojeda, geothermometers
geothermometers and their application
and their application to
Espinoza-Ojeda, O.M.,
O.M., Santoyo
Santoyo E.E. yy Andaverde,
Andaverde, J. to
877
831
831 J. 877

(2011). formation
formation waters
waters from
from sedimentary
sedimentary basins.
basins. En:
(2011). A
A new
new look
look at
at the
the statistical
statistical assessment En:
878
832
832 assessment 878

of Thermal
Thermal History
History of
of Sedimentary
Sedimentary Basins,
Basins, (( N.D.
of approximate
approximate and
and rigorous
rigorous methods
methods forfor the N.D.
879
833
833 the 879

estimation Naeser
Naeser y T.H., McCulloh, eds), Pp.
y T.H., McCulloh, eds), Pp. 99-117.
estimation of
of stabilized
stabilized formation
formation temperatures 99-117.
880
834
834 temperatures 880

in Springer-Verlag,
Springer-Verlag, New
New York,
York, NY,
NY, USA.
in geothermal
geothermal and
and petroleum
petroleum wells.
wells. Journal
Journal of USA.
881
835
835 of 881

Geophysics
Geophysics and
and Engineering
Engineering 8,8, 233-258.
233-258. Landassuri-Moreno,
Landassuri-Moreno, V.
V. yy Bullinaria,
Bullinaria, J.
J. A.
A. (2009)
836
836 882
882 (2009)
Espinosa-Paredes, Neural
Neural Network
Network Ensembles
Ensembles for
for Time
Time Series
Series
Espinosa-Paredes, G.
G. yy Espinosa-Martı́nez,
Espinosa-Martı́nez, E.G.
883
837
837 E.G. 883

(2009). Forecasting.
Forecasting. July.
July. Montreal,
Montreal, QC,
QC, Canada:
Canada:
(2009). A
A feedback
feedback based
based inverse
inverse head
head transfer
884
838
838 transfer 884

method Conference.
Conference. GECCO
GECCO ’09 ’09 Genetic
Genetic and
and
method to
to estimate
estimate unperturbed
unperturbed temperatures
temperatures in
885
839
839 in 885

wellbores. Evolutionary Computation Conference.

Evolutionary Computation Conference.
wellbores. Energy
Energy Conversion
Conversion and
and Management
886
840
840 Management 886

841
841
50,
50, 140-148.
140-148. 887
887
Martı́nez-Méndez
Martı́nez-Méndez E.J.,
E.J., Vázquez-Rodrı́guez
Vázquez-Rodrı́guez R.,R.,
888 Torijano-Cabrera
Torijano-Cabrera E., Hernández-Escoto
E., Hernández-Escoto H. H.
842 Espinosa-Paredes,
Espinosa-Paredes, G., G., Morales-Diaz
Morales-Diaz A., A., Ulea-
Ulea-
888
842
889 (2005).
(2005). Análisis
Análisis en
en pequeña
pequeña escala
escala longitudinal
longitudinal
843 González,
González, U., Ambriz-Garcı́a, J.J. (2009).
U., Ambriz-Garcı́a, J.J. (2009).
889
843
890 del
del proceso
proceso de
de transporte
transporte de
de calor
calor en
en una
una región
región
844 Application
Application ofof aa proportional
proportional integral
integral control
control for
for
890
844
891 semiporosa
semiporosa de un pozo geotérmico. Revista
de un pozo geotérmico. Revista
845 the estimation of static formation temperatures
the estimation of static formation temperatures
891
845
892 Mexicana
Mexicana dede Ingenierı́a
Ingenierı́a Quı́mica,
Quı́mica, 5,
5, 59-70.
59-70.
846
846
in
in oil
oil wells.
wells. Marine
Marine andand Petrology
Petrology Geology
Geology 26,
26,
892

847
847
259-268.
259-268. 893
893
Mcculloc,
Mcculloc, W.
W. yy Pitts,
Pitts, W.
W. (1943).
(1943). A
A Logical
Logical Calculus
Calculus
894 of
of the
the Ideas
Ideas Immanent
Immanent inin Nervous
Nervous Activity.
Activity.
848 Fouillac,
Fouillac, C.
C. yy Michard,
Michard, G.
G. (1981).
(1981). Sodium/lithium
Sodium/lithium
894
Bulletin
848
ratio
895
Bulletin ofof Mathematical
Mathematical Biophysics
Biophysics 5,
5, 115-
115-
ratio in water applied to
in water applied to geothermometry
geothermometry of
895
849
849 of 896 133.
133.
850
850
geothermal
geothermal reservoirs.
reservoirs. Geothermics
Geothermics 10,
10, 55-70.
55-70.
896

897
897
Nicholson,
Nicholson, K.
K. (1993).
(1993). Geothermal
Geothermal Fluids:
Fluids:
Fournier,
Fournier, R.O.
R.O. (1977).
(1977). Chemical
Chemical geothermometers
geothermometers Chemistry
Chemistry and Exploration Techniques.
and Exploration
851
851 898
898 Techniques.
and
and mixing models for
mixing models for geothermal
geothermal systems.
systems. Springer-Verlag,
Springer-Verlag, New
New York,
York, NY,
NY, USA.
852
852 899
899 USA.
853
853
Geothermics
Geothermics 5,
5, 41-50.
41-50.
900
900
Nieva,
Nieva, D.
D. yy Nieva,
Nieva, R.
R. (1987).
(1987). Developments
Developments in in
854
854
Fournier,
Fournier, R.O.
R.O. (1979).
(1979). A
A revised
revised equation
equation for
for the
the 901
901
geothermal
geothermal energy
energy in
in Mexico.
Mexico. Part
Part twelve:
twelve:
855
855
Na/K
Na/K geothermometer. Geotherm. Res. Coun.
geothermometer. Geotherm. Res. Coun. 902
902
aa cationic
cationic geothermometer
geothermometer for
for prospecting
prospecting of
of
856
856
Trans.
Trans. 3,
3, 221-224.
221-224. 903
903
geothermal
geothermal resources.
resources. Heat
Heat Recov.
Recov. Syst.
Syst. 7,
7, 243-
243-
904 258.
258.
857
857
Fournier,
Fournier, R.O.
R.O. (1991).
(1991). Water
Water geothermometers
geothermometers
904

858
858
applied
applied to geothermal energy. En:
to geothermal energy. En: Applications
Applications 905
905
Olea-González
Olea-González U.,
U., Vázquez-Rodrı́guez
Vázquez-Rodrı́guez A.,
A., Garcı́a-
Garcı́a-
859
859
of
of Geochemistry in Geothermal Reservoir
Geochemistry in Geothermal Reservoir 906
906
Gutiérrez
Gutiérrez A., Anguiano-Rojas P.
A., Anguiano-Rojas P. (2007).
(2007).
860
860
Development,
Development, (F.
(F. D’Amore,
D’Amore, ed.),
ed.), Pp.
Pp. 37-37- 907
907
Estimación
Estimación dede temperaturas
temperaturas dede formación
formación
861
861
69.
69. UNITAR/UNDP
UNITAR/UNDP Centre
Centre on
on Small
Small Energy
Energy 908
908
en
en yacimientos:
yacimientos: Método
Método inverso.
inverso. Revista
Revista
862
862
Resources,
Resources, Rome,
Rome, Italy.
Italy. 909
909
Mexicana
Mexicana de Ingenierı́a Quı́mica 6,
de Ingenierı́a Quı́mica 6, 65-74.
65-74.

www.rmiq.org
www.rmiq.org
www.rmiq.org 15
119
15
 Dı́az-González y col./
Dı́az-González Revista
y col./ Mexicana
Revista de de
Mexicana Ingenierı́a Quı́mica
Ingenierı́a Vol.
Quı́mica 12,12,
Vol. No.No.
1 (2013) XXX-XXX
1 (2013) 105-120

910
910 Santoyo E. y Barragán-Reyes R.M. (2010). Energı́a 934
934 Tonani, F. (1980). Some remarks on the application
911
911 geotérmica. Revista de la Academia Mexicana 935
935 of geochemical techniques in geothermal
912
912 de Ciencias 61, 40-51. 936
936 exploration. Strasbourg, France: Proceedings
937
937 of 2nd Symposium Advances in European
913
913 Santoyo E. y Dı́az-González L. (2010). A new 938
938 Geothermal Research.
914
914 improved proposal of the Na/K geothermometer
915
915 to estimate deep equilibrium temperatures and
939
939 Verma, M.P. (2000). Revised quartz solubility
916
916 their uncertainties in geothermal systems. April.
940
940 temperature dependence equation along the
917
917 Bali, Indonesia: Proceedings of the World
941
941 water-vapor saturation curve. Kyushu, Tohoku,
942
942 Japan: Proceedings of the 2000 World
918
918 Geothermal Congress.
943
943 Geothermal Congress.
919
919 Serpen G., Palabiyik Y. y Serpen U. (2009). 944
944 Verma, S.P. y Santoyo, E. (1997). New
920
920 An artificial neural network model for 945
945 improved equations for Na/K, Na/Li and
921
921 Na/K geothermometer. February. Stanford 946
946 SiO2 geothermometers by outlier detection
922
922 University, Stanford, CA, USA: Proceedings 947
947 and rejection. Journal of Volcanology and
923
923 of the Thirty-fourth Workshop on Geothermal 948
948 Geothermal Research 79, 9-24.
924
924 Reservoir Engineering.
949
949 Verma, S.P., Pandarinath, K. y Santoyo, E. (2008).
925
925 Stanley, K. O. y Miikkulainen R. (2002) 950
950 SolGeo: A new computer program for solute
926
926 Evolving Neural Networks through Augmenting 951
951 geothermometers and its application to Mexican
927
927 Topologies. Evolutionary Computation 10, 99- 952
952 geothermal fields. Geothermics 37, 597-621.
928
928 127. 953
953 Wang, X., Tang, Z., Tamura, H., Ishii, M. y
954
954 Sun, W. (2004). An improved backpropagation
929
929 Truesdell, A.H. (1976). GEOTHERM, a 955
955 algorithm to avoid the local minima problem.
930
930 geothermometric computer program for hot 956
956 Neurocomputing 56, 455-460.
931
931 spring systems. San Francisco, CA, USA:
932
932 Symposium on the Development and Use of 957
957 Yao, X. (1999) Evolving Artificial Neural Networks.
933
933 Geothermal Resources 1975. 958
958 Proceeding of the IEEE 87, 1423-1447.

16
120 www.rmiq.org
www.rmiq.org