Uso de Inteligencia Artificial
y Big Data en Geotermia
Diplomado GEOTERMIA EN ACCIÓN
Instituto de Ingeniería — UNAM
Ing. David Alejandro Rocha Ruiz
Ingeniero Geólogo · Project Manager · Big Data Analytics
1 de julio de 2026
"El flujo térmico interno de la Tierra (~47 TW)
supera el doble del consumo energético global."
(Davies & Davies, 2010; IEA, 2024)
¿Cómo la aprovechamos inteligentemente?
Sobre el presentador
Formación
Ing. Geólogo — UNAM · Postgrado en Big Data Analytics — Lambton College, Canadá
Stack tecnológico
PythonSQLScikit-learnPyTorchPySparkPower BIAWS
Experiencia
+10 años en proyectos geotérmicos · +10 años en proyectos geotérmicos · PM en XENERCO, CFE, SENER
Hoy desde
Desde Canadá 🇨🇦 — conectando dos mundos: energía + datos
Agenda — 3 horas
Bloque 1 — Fundamentos de geotermia 35 min
Bloque 2 — Big Data & AI: conceptos clave 40 min
Bloque 3 — Aplicaciones: generación eléctrica 35 min
Bloque 4 — Ground Source Heat Pumps + AI 25 min
Bloque 5 — 💻 Hands-on: Google Colab en vivo 30 min
Bloque 6 — Herramientas y futuro 15 min
Bloque 7 — Cierre, reflexión y Q&A 10 min
☕ Dos coffee breaks de 10 min · 📁 Materiales en carpeta de Google Drive compartida
Antes de empezar
Lo que necesitas
- Una cuenta de Google (Gmail)
- Navegador web actualizado
- Acceso a Google Colab (gratuito)
- Conexión a internet estable
Lo que NO necesitas
- Instalar Python ni Anaconda
- Experiencia previa en programación
- Conocimiento previo de geotermia
- Descargar archivos pesados
📁 Link a materiales: https://drive.google.com/drive/folders/1F_kEn7CLJtF9XRHdvaleAkbGQV3oS8To
1
Bloque 1. Fundamentos de geotermia
para ingenieros
Nivelar conocimiento antes de aplicar IA
¿Qué es la energía geotérmica?
El calor almacenado en el interior de la Tierra, de dos fuentes:
Calor remanente
Residual de la formación del planeta hace ~4,500 M años
Calor radiogénico
Desintegración de isótopos (U²³⁸, Th²³², K⁴⁰) en corteza y manto
Gradiente geotérmico promedio
~25-30°C
por kilómetro de profundidad
En zonas volcánicas el gradiente puede superar los 100°C/km
Tipos de sistemas geotérmicos
>150°C
Alta entalpía
Generación eléctrica · Flash / Dry steam
Cerro Prieto, Los Azufres
100–150°C
Media entalpía
Ciclo binario (ORC)
Enhanced Geothermal Systems
<100°C
Baja entalpía
Usos directos: calefacción
Ground Source Heat Pumps
México: 7° lugar mundial en capacidad instalada (~976 MW) — Cerro Prieto (BCN), Los Azufres (Mich.), Los Humeros (Pue.)
(ThinkGeoEnergy, 2024)
Ciclo de vida de un proyecto geotérmico
¿Dónde entra AI/Big Data en cada fase?
| Fase | Actividades clave | Oportunidad AI/Big Data |
|---|
| 1. Exploración | Geología, geoquímica, geofísica, SIG | ML clusteringComputer Vision |
| 2. Perforación | Diseño de pozo, MWD/LWD, lodo | Predicción ROPReal-time |
| 3. Pruebas de pozo | Presión, trazadores, logging | Modelos yacimiento |
| 4. Construcción | Planta, tuberías, conexión a red | SchedulingCost est. |
| 5. Operación | Monitoreo 24/7, mantenimiento | Predictive maint.IoT |
| 6. Optimización | Gestión de yacimiento, reinyección | Digital TwinsRL |
El problema del dato en geotermia
Heterogeneidad
Datos geofísicos, geoquímicos, de perforación y producción en formatos incompatibles
Silos de información
Cada departamento maneja sus datos por separado
Escasez relativa
Muchos menos pozos y datasets públicos que petróleo/gas
Las 4V del Big Data geotérmico
Volumen
TB de datos sísmicos, logs, telemetría
Velocidad
Sensores en tiempo real desde el pozo
Variedad
Imágenes, series, texto, mapas
Veracidad
Calidad variable, formatos legacy
Recursos y estándares de datos
Geothermal Data Repository (GDR)
Repositorio del DOE con cientos de datasets abiertos.
gdr.openei.org
Drilling Data Standard
Estándar abierto para normalizar datos de perforación.
gdr.openei.org/drilling_data_standard
OpenEI
Plataforma abierta de datos energéticos del NREL
🔗 openei.org
AskGDR
Asistente con IA (RAG + LLM) para buscar datasets en lenguaje natural (Weers et al., 2025)
144 proveedores · 1,401 datasets · 39M+ descargas
GAIA
Sistema agéntico de IA para desarrollo de campos (Harsuko et al., 2025)
⏸️ Pausa rápida
¿Preguntas sobre los fundamentos?
Escriban en el chat · 3 minutos
☕ Coffee Break
10 minutos
Aprovechen para abrir la carpeta de Drive y verificar acceso a los notebooks
2
Bloque 2. Big Data & AI:
conceptos clave aplicados a energía
El puente entre datos e inteligencia
El ecosistema de datos moderno
Del dato crudo al insight accionable
1. Ingesta
Sensores, logs, APIs
→
2. Almacenamiento
Data lake, SQL/NoSQL
→
3. Procesamiento
ETL, Spark
→
4. Análisis
ML, estadística
→
5. Visualización
Dashboards, BI
Herramientas relevantes en energía:
PythonSQLApache SparkPower BI / TableauAWS / Azure
Machine Learning aplicado a geociencias
Supervisado
Aprende de datos etiquetados (con respuesta conocida)
Geotermia: predecir temperatura de fondo de pozo a partir de profundidad y litología
No supervisado
Encuentra patrones sin respuestas previas
Geotermia: agrupar (clustering) zonas con firma geoquímica similar
Refuerzo
Aprende por prueba y error maximizando una recompensa
Geotermia: optimizar reinyección de fluido en el yacimiento
💡 Idea clave: el ML no "entiende" geología — encuentra correlaciones estadísticas en los datos. La interpretación física sigue siendo responsabilidad del ingeniero.
De ML a Deep Learning a LLMs
Regresión
líneas y curvas
→
Árboles
de decisión
reglas if/then
→
Redes
neuronales
inspiradas en el cerebro
→
Transformers
atención al contexto
→
LLMs
GPT, Claude, Llama
¿Qué hace diferente a un LLM?
Comprende y genera lenguaje natural. Razona sobre texto, resume documentos, responde preguntas complejas combinando conocimiento.
Ejemplo geotérmico
"Pregúntale a un modelo sobre tus reportes de pozo": un LLM puede leer cientos de informes técnicos y responder en segundos.
LLMs especializados en geotermia
El estado del arte en 2025
AskGDR (NREL/DOE, 2025)
Primer asistente con IA del GDR. Usa RAG (Retrieval-Augmented Generation) sobre metadatos para buscar datasets en lenguaje natural (Weers et al., 2025)
GAIA (Harsuko et al., 2025)
Sistema agéntico que integra Digital Twin, simulación y chat para el desarrollo completo de un campo geotérmico
¿Qué es RAG?
1. Pregunta del usuario
↓
2. Busca en base de datos geotérmica
↓
3. LLM responde con datos reales
🔗 Repositorios de referencia: gdr.openei.org · github.com/SmartTensors/GeoThermalCloud.jl (ML en Julia para geotermia)
Postura crítica: lo que la IA no puede hacer (todavía)
Alucinaciones
Los LLMs pueden inventar datos con total confianza. Sin RAG o validación, es peligroso en ingeniería.
Datos escasos
"Garbage in, garbage out": un modelo es tan bueno como los datos que lo entrenan.
Física compleja
Procesos como fracturamiento o interacción fluido-roca aún requieren modelos físicos, no solo estadística.
Caja negra
Modelos complejos son difíciles de interpretar — un reto para decisiones de inversión millonarias.
📊 Lecciones aprendidas: los reportes del DOE (OSTI 2524000, 3011807) destacan que el mayor cuello de botella no es el algoritmo, sino la calidad y disponibilidad de los datos (Weers et al., 2025).
3
Bloque 3. Aplicaciones AI + Big Data:
generación eléctrica geotérmica
Casos reales y herramientas concretas
Exploración y caracterización de recursos
La exploración es la fase de mayor incertidumbre y riesgo. La IA ayuda a reducirlo:
Clustering de anomalías
ML no supervisado agrupa zonas con firma geoquímica/geofísica similar para priorizar prospectos
Computer Vision
Análisis automático de imágenes satelitales y mapas geológicos para detectar manifestaciones termales
Caso real: GeoThermalCloud.jl
Framework open-source (SmartTensors, Los Alamos) que usa factorización no-negativa de tensores + ML para descubrir firmas geotérmicas ocultas en datos multivariados
📍 Aplicado en Great Basin (EE.UU.) para mapear recursos ocultos (blind systems) sin manifestaciones superficiales
Optimización de perforación
La perforación representa hasta el 50% del costo de un proyecto geotérmico
Predicción de ROP
Rate of Penetration: modelos de regresión predicen la velocidad de perforación según parámetros operativos y litología
Detección de eventos
Clasificadores identifican en tiempo real pérdidas de circulación, atrapamientos o kicks antes de que escalen
Datos clave (MWD/LWD)
Measurement / Logging While Drilling: sensores en el fondo del pozo transmiten datos en tiempo real → streaming analytics
📚 El Drilling Data Standard del GDR busca estandarizar estos datos para entrenar mejores modelos (OSTI 2476298)
Gestión de yacimiento y producción
Pronóstico de producción
Modelos de series de tiempo (SARIMAX, LSTM) predicen la declinación de presión y flujo del yacimiento
Digital Twins
Réplica virtual del yacimiento que simula escenarios de explotación sin riesgo (ej. GAIA, Harsuko et al., 2025)
Optimización bayesiana
Encuentra la configuración óptima de operación (caudal, reinyección) con el menor número de pruebas costosas
🏢 Capgemini (2025): reporta uso de Gen AI + optimización para mejorar la eficiencia de campos geotérmicos en operación
Monitoreo y mantenimiento predictivo
De mantenimiento reactivo a predictivo:
IoT + Streaming
Sensores en turbinas, bombas y tuberías → Apache Kafka procesa millones de lecturas en tiempo real
Detección de anomalías
ML identifica patrones anómalos (vibración, temperatura) que anuncian una falla antes de que ocurra
Impacto en negocio
↓
Downtime no planeado
↑
Vida útil de equipos
↓
Costos de operación
💼 Experiencia propia: desarrollé dashboards en Python y Power BI para monitoreo de proyectos energéticos, reduciendo desviaciones de presupuesto ~15%
Geotermia + Data Centers: la convergencia
El boom de la IA dispara la demanda energética de los centros de datos. La geotermia ofrece energía limpia y constante 24/7.
Energía base (baseload)
A diferencia de solar y eólica, la geotermia produce sin interrupción — ideal para data centers que operan todo el día
Geothermal cooling
El subsuelo también sirve para enfriar servidores de forma eficiente
El círculo virtuoso
La IA consume energía
↕
La geotermia alimenta la IA
🔗 DOE (2025): Geothermal and Data Centers
energy.gov/hgeo
⏸️ Pausa rápida
¿Preguntas sobre generación eléctrica?
Escriban en el chat · 3 minutos
☕ Coffee Break 2
10 minutos
Al regresar entramos a las bombas de calor geotérmicas (GSHP)
y luego al ejercicio práctico en Google Colab
4
Bloque 4. Ground Source Heat Pumps (GSHP)
usos directos + AI
La geotermia que funciona en cualquier lugar
¿Qué es un GSHP y por qué importa?
Un Ground Source Heat Pump (bomba de calor geotérmica) aprovecha la temperatura estable del subsuelo (~10-15°C todo el año) para climatizar edificios.
En invierno
Extrae calor del suelo y lo transfiere al edificio (calefacción)
En verano
Extrae calor del edificio y lo deposita en el suelo (enfriamiento)
Componentes clave
🔁 Loop subterráneo: tubería de polietileno (intercambiador de calor)
⚙️ Bomba de calor: el corazón del sistema (ciclo de refrigeración)
🏠 Distribución: ductos o radiadores en el edificio
Eficiencia (COP) típica: 3 a 5 — por cada 1 kWh eléctrico, entrega 3-5 kWh de calor
Casos reales de éxito
| Proyecto | Fort Polk 🇺🇸 | Park Chase 🇺🇸 | NGWA 🇺🇸 |
|---|
| Ubicación / año | Louisiana, 1996 | Tulsa OK, 1993 | Ohio, 2023 |
| Tipo | Vivienda militar | Apartamentos HUD | Edificio oficinas |
| Escala | 4,003 unidades | 348 unidades | Retrofit, 9 unidades |
| Capacidad | ~6,600 ton | 543 ton | 20 boreholes |
| Ahorro | $3.3M/año | $60.8k/año | Créditos IRA 2022 |
Los tres demuestran la viabilidad del GSHP a distintas escalas. Profundicemos en el más grande → Fort Polk (IGSHPA, s.f.; IGSHPA, 2023)
Deep-dive: Fort Polk, Louisiana
El mayor retrofit residencial de GSHP de su época — US Army (IGSHPA, s.f.)
4,003
viviendas en 1,296 edificios
8,000+
boreholes (130-325 ft)
$44M
valor presente neto (20 años)
Modelo de financiamiento
Shared Energy Savings (SES): $0 de costo inicial para el gobierno. Una ESCO (Co-Energy) financió a cambio del 77.5% de los ahorros por 20 años
Impacto ambiental
↓ 38,480 ton CO₂ · 100 ton SO₂ · 90 ton NOₓ por año · demanda pico -4 MW
📞 Llamadas de servicio en días calurosos: de 90/día → casi cero
Dimensionamiento de GSHP con Python
¿Cómo se calcula el tamaño de un sistema como el de Fort Polk? → Preview del Ejercicio 3
Variables clave de diseño
🌡️ Carga térmica del edificio (kW o toneladas)
🪨 Conductividad térmica del suelo (W/m·K)
📏 Longitud del loop, número de pozos, profundidad
🔧 Diámetro de tubería y separación entre pozos
Herramientas de referencia
GHEtool
Librería open-source en Python para dimensionar campos de pozos geotérmicos (Peere, 2024) — ghetool.eu
Estándar ASHRAE / IGSHPA
Métodos de cálculo de longitud de intercambiador basados en resistencia térmica
💻 En el Ejercicio 3 construiremos nuestra propia calculadora simplificada
AI aplicada a GSHP
Predicción de carga térmica
ML predice la demanda estacional del edificio según clima, ocupación y datos históricos → dimensionamiento óptimo
Optimización de configuración
Algoritmos genéticos / bayesianos encuentran la mejor combinación de pozos, profundidad y separación al menor costo
Monitoreo de COP en tiempo real
Sensores + ML detectan caídas de eficiencia y anticipan mantenimiento (igual que en plantas grandes)
Caso Park Chase (lección)
Hicieron 38 cálculos de carga individuales para optimizar cada loop. Hoy, el ML automatiza ese trabajo en segundos (IGSHPA, s.f.)
La IA no cambia la física del subsuelo — la hace más accesible, rápida y barata de modelar
5
💻 Bloque 5. Hands-on:
Google Colab en vivo
Aprender haciendo — ejecuten el código conmigo
Cómo acceder a los ejercicios
Pasos
1. Abre el link de Drive del chat
2. Entra a la carpeta del ejercicio
3. Doble clic en el archivo .ipynb
4. "Abrir con → Google Colab"
5. Ejecuta cada celda con Shift+Enter
Estructura de la carpeta
📁 Presentación UNAM
├── 📁 Ejercicio_1_EDA_Geotermia
├── 📁 Ejercicio_2_ML_Temperatura
├── 📁 Ejercicio_3_GSHP_Sizing
└── 📄 00_README_Instrucciones
⚠️ Si pide permiso, haz una copia en tu Drive (Archivo → Guardar copia en Drive) para poder editar
Ejercicio 1 — EDA de datos geotérmicos
PandasMatplotlibSeaborn
Objetivo: Explorar datos de temperatura de pozos geotérmicos (datos aleatorios simulados con rangos realistas)
Aprenderás a: cargar, limpiar y visualizar datos; calcular el gradiente geotérmico
Resultado esperado
📊 Perfil temperatura-profundidad por zona
🗺️ Mapa de calor del gradiente regional
📈 Matriz de correlación de variables
⏱️ ~10 minutos
Ejercicio 2 — ML: predicción de temperatura
Scikit-learnRandom Forest
Objetivo: Entrenar un modelo que prediga la temperatura de fondo sin medirla
Aprenderás a: preparar datos, entrenar, evaluar con métricas (R² = ajuste, RMSE = error promedio, MAE = error absoluto) e interpretar
Resultado esperado
🎯 Gráfica predicción-vs-real con R² (coef. de determinación)
📊 Importancia de cada variable
🆕 Predice un pozo nuevo interactivo
⏱️ ~10 minutos
Ejercicio 3 — Calculadora de GSHP
NumPyMatplotlibIngeniería
Objetivo: Dimensionar un sistema de bomba de calor geotérmica
Aprenderás a: traducir carga térmica en pozos, longitud de loop y área
Resultado esperado
🔧 Dimensionamiento completo del sistema
🗺️ Visualización del campo de pozos
🎖️ Validación contra Fort Polk
📌 Nota: versión educativa · Repo: github.com/DavidRochaR/geothermal-gshp-sizing-calculator
⏱️ ~10 minutos
¡Lo lograron! 🎉
Acaban de ejecutar análisis de datos, machine learning
y dimensionamiento de ingeniería con Python
Estos notebooks son suyos — guárdenlos y experimenten
6
Bloque 6. Herramientas, plataformas
y el futuro
¿Hacia dónde va este campo?
El ecosistema de herramientas actual
Open-source
GHEtool — dimensionamiento de pozos (Peere, 2024)
GeoThermalCloud.jl — ML en Julia (SmartTensors)
Modelica/LBL — simulación de sistemas energéticos
Institucionales
GDR / OpenEI — datos abiertos del DOE
AskGDR — asistente IA del repositorio
NREL Tools — modelos y datasets
🇲🇽 Oportunidad MX: plataforma propia con datos de CFE, CeMIEGeo y SENER/CNE
Comerciales
FEFLOW — flujo y transporte en medios porosos
TOUGH2 — simulación de yacimiento geotérmico
Plataformas BI — Power BI, Tableau
¿Qué sigue? Tendencias 2025–2030
🤖 Sistemas agénticos
LLMs + Digital Twins que toman decisiones autónomas de operación de pozo (camino de GAIA)
🪨 EGS + AI
Enhanced Geothermal Systems con fracturamiento controlado por IA — geotermia en cualquier lugar
⚡ Mercados eléctricos inteligentes
Algoritmos de despacho que integran geotermia con redes y almacenamiento
⚖️ Regulación de IA
AI Act (UE) y marcos éticos: ¿quién responde si un modelo falla en una decisión de inversión? México debe actuar ahora en regulación de IA si no quiere quedarse atrás. También hay una ventana de oportunidad para data centers geotérmicos en regiones estratégicas del país.
La convergencia geotermia + data centers + IA será uno de los espacios más dinámicos de la década (DOE, 2025)
Cómo construir tu perfil en este espacio
Portafolio
📂 GitHub: sube tus proyectos. Estos 3 notebooks ya son un inicio
💼 LinkedIn: documenta lo que aprendes
Certificaciones
☁️ Google Cloud / AWS Data Analytics
📚 Coursera / LinkedIn Learning: Big Data, ML, AI
🐍 Python for Data Science
🧠 TensorFlow Developer
Comunidades
🌋 Geothermal Rising (antes GRC)
🔧 IGSHPA — bombas de calor geotérmicas (GSHP)
🇲🇽 AGM — Asociación Geotérmica Mexicana
🌍 IGA — Int. Geothermal Association
⚡ IEEE PES — sistemas de potencia
7
Bloque 7. Cierre y reflexión
Lo que nos llevamos de hoy
El mapa completo
Geotermia
el recurso
bajo nuestros pies
+
Big Data
los datos que
lo describen
+
Inteligencia Artificial
la capacidad
de interpretarlos
↓
Decisiones más rápidas · Proyectos más rentables · Energía más limpia
Reflexión final: entusiasmo con criterio
✅ La IA es una herramienta poderosa
Amplifica nuestras capacidades de análisis, predicción y optimización a una escala sin precedentes
⚠️ No reemplaza el criterio de ingeniería
El conocimiento físico y geológico sigue siendo insustituible para validar resultados
📊 El dato es el cuello de botella
El mayor obstáculo no es el algoritmo, sino la calidad y disponibilidad de los datos (Weers et al., 2025)
⚖️ La ética del dato importa
¿Quién posee los datos del subsuelo? ¿Quién responde por las decisiones del modelo?
"La IA amplifica al ingeniero; no lo sustituye."
Preguntas y discusión
¿Qué les gustaría profundizar?
Escriban en el chat o levanten la mano 🙋
Referencias
Capgemini. (2025). Enhancing geothermal energy efficiency with Gen AI. capgemini.com
Harsuko, R., Bi, Z., & Nakata, N. (2025). GAIA: An agentic artificial intelligence system for geothermal field development. arXiv:2511.03852.
IGSHPA. (s.f.). Fort Polk: US Army saves $44 million in residential GHP retrofit. International Ground Source Heat Pump Association.
IGSHPA. (s.f.). Park Chase Apartments: GHP retrofit provides energy efficiency for HUD. IGSHPA.
IGSHPA. (2023). NGWA Building geothermal retrofit, Westerville, Ohio. IGSHPA.
Peere, W. (2024). GHEtool: An open-source tool for borefield sizing. ghetool.eu
U.S. Department of Energy. (2025). Geothermal and data centers. energy.gov/hgeo
Weers, J., Podgorny, S., & Taverna, N. (2025). Empowering geothermal research: The GDR's new AI research assistant (OSTI 2524000). NREL.
U.S. Department of Energy / OSTI. (2025). AI and big data applications in geothermal (OSTI 3011807).
SmartTensors. (s.f.). GeoThermalCloud.jl. Los Alamos National Laboratory.
Geothermal Data Repository. (s.f.). GDR & AskGDR. gdr.openei.org
¡Gracias!
La Tierra tiene la energía. Nosotros tenemos los datos.
Ing. David Alejandro Rocha Ruiz
📧 david.rochar9@gmail.com · 🔗 github.com/DavidRochaR
💼 linkedin.com/in/davidrochar
📁 Todos los materiales y notebooks en la carpeta de Drive compartida