Presentamos un flujo de trabajo de edición de registros que utiliza la detección de valores anómalos para corregir problemas con registros de pozos. Este flujo de trabajo incluye análisis de datos, detección de valores anómalos para identificar datos de baja o mala calidad, generación de curvas sintéticas y reconstrucción de las curvas corregidas. El conjunto de datos contiene ocho pozos del Campo Amberjack, ubicado costa fuera en el Golfo de México. Los principales intervalos anómalos se identifican en los registros de densidad y sónico de onda compresional P en varios pozos. El objetivo de este trabajo es mejorar la calidad de los registros de pozos. La detección de valores anómalos se realiza utilizando algoritmos de aprendizaje automático no supervisados que genera una curva indicadora de valores anómalos donde se detectan desviaciones de la norma. Para corregir los registros, generamos curvas sintéticas para reemplazar muestras identificadas como valores anómalos. Para la generación de curvas sintéticas, el conjunto de datos de entrenamiento son los registros de seis pozos del modelo, seleccionando curvas que excluyen datos anómalos. Elegimos construir el modelo entrenando un regresor multi-lineal con los datos de los registros seleccionados. El modelo se utiliza para generar densidad y registros sónicos sintéticos en los pozos que requieren corrección. La reconstrucción de las curvas corregidas se realiza sustituyendo únicamente los valores catalogados como no confiables por las muestras correspondientes delregistro sintético. Finalmente, analizamos los efectos del uso de registros medidos o sin modificar en los cálculos de Impedancia P y porosidad, para luego comparar los resultados de los cálculos con las curvas corregidas. Los resultados muestran cómo los cálculos con valores anómalos introducen errores en la interpretación y el impacto de este flujo de trabajo para producir resultados más precisos.