Inteligencia Computacional. El valor agregado se puede alcanzar en cualquier momento del ciclo de vida útil de un yacimiento integrando el modelamiento con la recolección de datos con calidad certificada y optimizando los procesos y la toma de decisiones que se deriven de análisis inteligente de estos recursos.
	Interpretación Automatizada de Facies - IAF.. Además del esquema de la etapa de preparación de datos, y el esquema general de análisis de datos, se tiene en cuenta que el desarrollo o construcción de un modelo de conocimiento para la interpretación automatizada de facies requiere contar con fuentes de datos que presenten un mínimo de incertidumbre, tales como reportes de sedimentología y reportes de pozo como el mud logging.
	Modelamiento de Porosidad y Permeabilidad. El modelo de conocimiento que permite predecir porosidad y permeabilidad a partir de registros de pozo debe ser tan sencillo como sea posible con el fin de eliminar complejidad desde todo punto de vista y por consiguiente disminuir la incertidumbre en el proceso de predicción.
	Reconstrucción de Trazas. CSI Ltda, presenta el esquema general de reconstrucción de trazas de registros de pozo, utilizando técnicas de estadística tradicional y avanzadas a través de la computación inteligente (redes neuronales, lógica difusa, y sistemas híbridos).
	Preprocesamiento de Datos. El pre-procesamiento de datos de entrada incluye técnicas de estadística básica tales como tablas de frecuencia, tablas de medias por categorías, histogramas, diagramas de dispersión y de variabilidad (Box-Whiskers) . Estas técnicas permiten observar en forma conjunta el grado de variabilidad inter y entre atributos, identificando subconjuntos de datos atípicos y la transformación más adecuada que garantice estabilización la relación entre atributos, o simplemente linealizarla.
	Herramientas de Modelamiento Para Identificar Facies. El modelo planteado por Cuddie, asemeja la función de densidad de probabilidad (ecuación 1) a la función de pertenencia de la teoría de Lógica Difusa. Cada atributo predictor, es decir las trazas de registros seleccionadas, presenta una función de distribución para cada facies. Esto permite entrenar el modelo a partir de los datos disponibles en los pozos con núcleos.
	Estructura y Ensamble de Redes Neuronales Artificiales. Se hace importante la definición de una estructura de red que garantice un aprendizaje generalizado y un método de entrenamiento que alcance un grado de convergencia alto en un tiempo mínimo.