Hemos desarrollado un marco de aprendizaje automático generalizable para la predicción de la calidad de reservorios en sistemas clásticos profundamente enterrados. Aplicado a las areniscas deltaicas del Jurásico Inferior de la Formación Tilje (Terraza Halten, Mar del Norte), el enfoque integra la modelización de facies sedimentológicas con la predicción mineralógica y petrofísica en un único flujo de trabajo. Utilizando modelos de Extreme Gradient Boosting (XGBoost) supervisados, clasificamos las facies de reservorio, predecimos la permeabilidad directamente a partir de parámetros estándar de registros de cable y estimamos la abundancia de clorita que preserva la porosidad (rayos gamma, porosidad de neutrones, calibrador, efecto fotoeléctrico, densidad aparente, sónica de compresión y de corte, y resistividad profunda). El desarrollo y evaluación del modelo emplearon validación cruzada estratificada K-fold para preservar las proporciones de facies y la variabilidad mineralógica a través de los pliegues, apoyando una evaluación de rendimiento robusta y probando la generalizabilidad a través de un conjunto de datos geológicamente heterogéneo. Se utilizaron descripciones de núcleos, conteo de puntos en petrographía y análisis de tapones de núcleo para la verificación de la verdad. Los modelos distinguen facies asociadas a clorita con hasta un 80% de precisión y estiman la permeabilidad con un error absoluto medio de 0.782 log(mD), mejorando sustancialmente los enfoques convencionales basados en regresión. Los modelos también permiten la predicción, por primera vez utilizando registros de cable, de la abundancia de clorita que recubre granos con un error absoluto medio del 1.79% (rango 0-16%). El marco aprovecha las respuestas petrofísicas diagnósticas asociadas con la clorita y alta porosidad, produciendo resultados geológicamente consistentes e interpretables. Aborda desafíos persistentes en la caracterización de intervalos delgados y heterogéneos más allá de la resolución de métodos tradicionales y es transferible a otros reservorios clásticos, incluidos aquellos considerados para almacenamiento de carbono y aplicaciones geotérmicas. El flujo de trabajo apoya una caracterización del subsuelo rentable y de alta confianza y contribuye con una metodología flexible para futuros trabajos en la interfaz de la geociencia y el aprendizaje automático.