Académique Documents
Professionnel Documents
Culture Documents
=
V u
i
i
u k
N
k
Donde ) ( k es la permeabilidad promedio de los N valores de permeabilidad k(u
i
),i=1,,N, en las
ubicaciones u
i
dentro del volumen de inters V. La potencia () vara entre -1 y 1 correspondiente a los
promedios armnicos y aritmticos de la permeabilidad (Anexo E).
Una vez que el volumen promedio V y el tipo de promedio son conocidos se considera una funcin
objetivo como:
[ ] 4 . 6 .....
2
n realizatio welltest c
k k O =
Donde k
welltest
es la permeabilidad efectiva derivada de la prueba de pozo y k
realization
es la permeabilidad
efectiva de la realizacin candidato, ecuacin 6.3. Cuando el valor en un nodo k(u) es perturbado a k(u) la
permeabilidad efectiva se actualiza a
new
n realizatio
k desde
old
n realizatio
k por medio de:
( ) 5 . 6 ..... ) ( '
1
) (
1
1
+ = u k
N
u k
N
k k
old
n realizatio
new
n realizatio
Esta rpida actualizacin numrica remplaza una simulacin de flujo completa para llegar a una nueva
permeabilidad efectiva para cada realizacin candidato. Para implementar esta aproximacin numrica, se
deben definir el volumen promedio V y la potencia promedio . Ver apndice J.
La metodologa para incluir los datos de las pruebas en los modelos estocsticos tiene los siguientes pasos:
1. Calcular V y para ser utilizados en la ec. 6.3.
2. Perturbar las realizaciones. Utilizando como funcin objetivo la ecuacin 6.4.
3. Actualizar los valores de las realizaciones por medio de la ecuacin 6.5.
4. Una vez alcanzado el mnimo global en la funcin objetivo, validar la reproduccin de la prueba de
pozo real con el modelo obtenido.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 23 de 61
7. BENEFICIOS DE LA METODOLOGA PROPUESTA
En particular, el uso de cpulas y los datos de las pruebas de pozo en la modelacin del yacimiento tienen
las siguientes ventajas:
1. Las cpulas permiten modelar adecuadamente patrones de dependencia complejos entre las
propiedades petrofsicas (porosidad-permeabilidad). Esta es una alternativa a los mtodos
tradicionales como los de regresin, ya que no se requiere de la existencia de un modelo de
dependencia funcional entre estas propiedades.
2. Con las cpulas se reproducen con suficiente precisin los valores extremos y la variabilidad
(varianza) observada en los datos, eliminando las desventajas principales que presentan los
mtodos de regresin.
3. Con respecto al mtodo de redes neuronales artificiales, este enfoque tiene la ventaja de que no
requiere de un proceso de entrenamiento que usualmente es largo y muy dependiente de los datos.
Adems, esta metodologa podra servir como paso previo para generar muestras ms
representativas que se usaran durante la etapa de aprendizaje del mtodo de redes neuronales.
4. No existe la necesidad de realizar la transformacin logartmica de la permeabilidad, y
consecuentemente, se evita el sesgo potencial que podra introducirse debido a que se elimina el
procedimiento de transformacin hacia atrs.
5. Al incluir la distribucin emprica simulada mediante una t-cpula en la modelacin con simulated
annealing , se reproduce automticamente el histograma (la distribucin emprica) de la
permeabilidad.
6. No existe ninguna limitacin para que esta metodologa se aplique de forma restringida por facies
o clases petrofsicas en un marco de modelacin geolgica-petrofsica integrada.
7. La permeabilidad efectiva de las pruebas de presin, restringe los valores de permeabilidad por
celdas dentro del radio de influencia de la prueba.
8. Mediante el modelo estocstico se pueden obtener mltiples realizaciones que permiten evaluar la
incertidumbre inherente a los modelos de distribucin de la permeabilidad.
9. Finalmente, la metodologa propuesta resulta muy flexible, ya que permite escoger dentro de las
realizaciones estocsticas generadas por el modelo la que resulte ms apropiada para el proceso de
ajuste de la historia de produccin del yacimiento en un marco de optimizacin.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 24 de 61
8. RESULTADOS ESPERADOS Y OPORTUNIDADES DE NEGOCIO.
Los resultados que se esperan al llevar a cabo la aplicacin de la metodologa:
1. Crear modelos estocsticos restringidos a datos estticos y dinmicos.
2. Evaluacin de la incertidumbre del modelo geolgico-petrofsico para un campo en
especfico, mediante las mltiples realizaciones que se obtienen.
3. Generar modelos de yacimientos que reproduzcan los historiales de produccin cuando se
lleve a cabo la simulacin numrica, y al mismo tiempo respeten tanto la informacin
esttica como dinmica disponible.
4. Los modelos generados se pueden utilizar para predecir el desarrollo del yacimiento
mediante el conocimiento de la distribucin espacial de la porosidad-permeabilidad.
Las oportunidades de trabajo que se espera son:
1. Llevar a cabo la generacin del modelo de la permeabilidad en campos que cuenten con
relativamente poca informacin geolgica, geofsica y dinmica obtenida de los pozos en
explotacin o en desarrollo.
2. Actualizacin de modelos geolgicos en campos maduros.
3. Refinar modelos del yacimiento, que no ajusten los historiales de produccin.
4. Contribuir al rea de simulacin numrica con modelos ms confiables.
5. Evaluacin de la respuesta de un yacimiento a diferentes esquemas de recuperacin
secundaria o mejorada.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 25 de 61
9. PROGRAMA DE TRABAJO.
PROGRAMA DE TRABAJO
Ao 2007
ACTIVIDADES Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1. Recopilacin y revisin de bibliografa
2. Adquisicin de licencias del software
3. Aprendizaje del uso de Software
Ao 2007
ACTIVIDADES Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1. Aprendizaje del uso de Software
2. Programacin de la metodologa
3. Correcciones a la metodologa programada
4. Seleccin del campo de estudio
5. Recopilacin de la informacin del campo
6. Modelacin de la permeabilidad del campo
7. Correcciones de la modelacin
Ao 2008
ACTIVIDADES Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1. Anlisis de los resultados
2. Elaboracin de reporte
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 26 de 61
10. PRESUPUESTO.
A) ESTIMACIN (HORAS-HOMBRE) DEL ESFUERZO REQUERIDO PARA REALIZAR
EL PROYECTO Y PERFILES DE LOS PARTICIPANTES.
Categora del personal Horas-Hombre
Lder de proyecto 560
Coordinador del proyecto 1120
Especialista 4000
Especialista 4000
Total= 9680
B) COSTO ASOCIADO AL PROYECTO (CAPTULO 10000)
Personal Horas-Hombre Precio de venta (pesos) Monto (Pesos)
Lder de proyecto 560 860 481,600.00
Coordinador de proyecto 1120 650 728,000.00
Especialista 4000 450 1,800,000.00
Especialista 4000 450 1,800,000.00
Total= 9680 Total= 4,809,600.00
CAPITULO 20000.
No aplica.
CAPITULO 30000.
No aplica.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 27 de 61
CAPITULO 40000.
COSTOS ASOCIADOS A LA COMPRA DE SOFTWARE NECESARIO PARA EL
DESARROLLO DEL PROYECTO.
Programas Costo de renta
Mathlab
Licencia 77, 121.00
Subtotal 77,121.00
Fortran
Licencia 18, 304.00
Total= 95, 425.00
GASTOS PARA ACTIVIDADES DE CAMPO.
Concepto Gasto asociado
Transporte 14, 400.00
Hospedaje 12, 000.00
Alimentacin 26, 400.00
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 28 de 61
11. REFERENCIAS BIBLIOGRFICAS.
1. Berg R (1970) Method for determining permeability from reservoir rock properties. Transactions,
Gulf Coast Association of Geological Societies.
2. Bratvold, R. B., Holden L., Svanes T. and Tayler K.: STORM: Integrated 3D Stochastic
Reservoir Modeling Tool for Geologists and Reservoir Engineers, SPE, paper 27563, 1994.
3. Breymann W., Dias A. and Embrechts P.:Dependence Structures for Multivariate High-
Frequency Data in Finance, Quant. Finance 3, 1-14. 2003
4. Carman PC (1956) The flow of gases thorough porous media
5. C. Farmer: The Mathematical Generation of Reservoir Geology, Numerical Rocks. In J. Fayers
and P. King, editors. New York, NY, 1991.
6. Clayton V. Deutsch and Andre G. Journel: The Application of Simulated Annealing to Stochastic
Reservoir Modeling. SPE Advanced Technology Series, Vol. 2, N. 2. paper number 23565.
April 1993.
7. Clayton V. Deutsch and Perry. W. Cockerham: Geostatistical Modeling of Permeability With
Annealing Cosimulation (ACS), SPE. September 1994. Paper number 28413.
8. Clayton V. Deutsch and Perry W. Cockerham: Practical Considerations in the Application of
Simulated Annealing to Stochastic Simulation, Mathematical Geology. January 1994, Vol. 26. N
1, pp. 67-82.
9. Coates GR, Chen HC: A new approach to improved log derived permeability. SPWLA 14
th
Annual Logging Symposium, Lafayette. 1973
10. Dean S. Oliver: The Averaging Process in Permeability Estimation From Well-Test Data. SPE.
September 1990.
11. Daz-Viera, Anguiano-Rojas, Aleksander Mousatov: Stochastic Modeling of Permeability in
Double Porosity Carbonates Applying a Monte Carlo Simulation Method with t-Copulas,
SPWLA 47th Annual Logging Symposium, June 4-7, 2006.
12. Diaz-Viera, Casar-Gonzlez: Stochastic Simulation of Complex Dependency Pattern of
Petrophysical Properties Using t-Copulas, Instituto Mexicano del Petroleo, 2005.
13. Edward H. Isaaks: Applied Geostatistics. Department of Applied Earth Sciences, Stanford
University. Oxford University Press, 1989.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 29 de 61
14. F. G. Alabert: Constraining Description of Randomly Heterogeneous Reservoirs to Pressure Test
Data: A Monte Carlo Study. SPE Annual Technical Conference and Exhibition, 8-11 October
1989, San Antonio, Texas. Paper number 19600-MS.
15. Helge H. Haldorsen: Stochastic Modeling. SPE. April 1990. Paper number 20321.
16. J. F. Carrir: Copulas, Mathematical and Statistical Sciences, University of Alberta, Edmonton,
Canada
17. Jos Juan Quesada Molina: What Are Copulas?, Monografas del seminario de Matemticas.
Garca de Galdeano. 27: 499-506, (2003).
18. Kansas Geological Survey: Fracture and Karst Features Affecting Reservoir Performance in
Missisipian Reservoir, 2006.
19. Kirkpatrick, S., Gelatt, C., Jr., and Vecchi, M., Optimization by Simulated Annealing, Science,
Vol. 220, N. 4598, pp. 671-680.
20. Luca Cosentino: Integrated Reservoir Studies, Institute Franaise du ptrole publications, 2001.
21. M. Armstrong and A. Galli : Copulas. Presented at the SPE Appied Technology Workshop, Rio
de Janeiro, 2002.
22. Mansoor Al-Harthy, Steve Begg, Reidar B. Bratvold: Copulas a New Technique to Model
Dependence in Petroleum Decision Making, Journal of Petroleum science & Engineering,
October 2006.
23. Mickale Le Ravelec Dipin: Inverse Stochastic Modeling of Flow in Porous Media. Application
to Reservoir Characterization. Franaise du ptrole publications, 2005.
24. Perkins P. and Lane T.: Monte Carlo Simulation in Mathlab Using Copulas, MATHLAB News
& Notes, November 2003.
25. Roggero and Hu: "Gradual Deformation of Continuous Geostatistical Models For History
Matching", SPE-49004, Proceedings of the 1998 Annual SPE Technical Conference, p. 221-236.
26. Roger B. Nelsen: An Introduction to Copulas. Lecture Notes in Statistics. Springer 1998.
27. Stefano S. Galiani: Copula function and their application in pricing and risk managing credit
derivative products. MC Thesis. College London, 2003.
28. Tarek Ahmed: Advanced Reservoir Engineering. Elsevier, 2005.
29. Timur A: An investigation of permeability, porosity and residual water saturation relationship for
sandstones reservoirs. The log analyst 9, 4. 1968
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 30 de 61
12. ANEXOS.
A. ASPECTOS METODOLGICOS DE LA MODELACIN INTEGRAL GEOLGICA-
PETROFSICA DE YACIMIENTOS.
A1. Modelo geolgico integrado.
La definicin del modelo geolgico constituye una de las ms importantes fases del estudio de un
yacimiento debido al volumen de trabajo que involucra y por el impacto que tiene.
Consta de las siguientes etapas:
1) Modelo Estructural
2) Modelo Estratigrfico
3) Modelo Litolgico
4) Heterogeneidades del Yacimiento
Modelo Estructural
Identifica el marco geomtrico bsico de la trampa de hidrocarburos y define sus fronteras.
La construccin del modelo estructural del yacimiento consiste en:
- Definir el mapa estructural de la parte superior de la acumulacin de hidrocarburos
- Interpretar el patrn de fallas que afecta al yacimiento
Modelo Estratigrfico
Define las superficies que delimitan las principales unidades de flujo del yacimiento a partir de la
correlacin de todos los pozos. Es decir, define el marco o la estructura interna del yacimiento.
El trabajo de correlacin potencialmente involucra un considerable nmero de disciplinas tales como:
ssmica, estratigrafa de secuencias, sedimentologa, interpretacin de registros de pozos, bioestratigrafa,
geoqumica, mineraloga, estudios de afloramientos, etc.
Modelo Litolgico
Un modelo litolgico detallado del yacimiento representa una herramienta poderosa para guiar la
distribucin de propiedades petrofsicas del mismo.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 31 de 61
El modelo litolgico se construye integrando:
- Modelo sedimentolgico conceptual (representacin conceptual del yacimiento)
- Clasificacin en tipos de Facies (litotipos) o de Clases Petrofsicas.
- Distribucin de Facies (litotipos) o de Clases Petrofsicas.
Modelo sedimentolgico conceptual
El modelo sedimentolgico y depositacional suministra una evaluacin semi-cuantitativa de los
parmetros geomtricos para el proceso de modelacin estocstica (funciones de covarianzas, forma y
dimensin de las unidades del yacimiento).
Descripcin y clasificacin de litofacies: Se realiza a partir de ncleos y su objetivo es la clasificacin de
la roca del yacimiento desde el punto de vista litolgico y depositacional.
Definicin del modelo depositacional: Se usa toda la informacin obtenida en la fase anterior para
identificar el marco sedimentolgico (fluvial, deltaico, marino superficial, etc) as como el proceso
depositacional (corrientes de alta o baja energa, flujos de detritos).
Clasificacin de Facies
El concepto de facies es particularmente adecuado para estudios integrales de yacimientos ya que pueden
ser consideradas como el volumen elemental prctico del yacimiento y representan el bloque bsico para
la construccin de modelos geolgicos en 3-D. Las facies son la herramienta para transferir la informacin
geolgica a travs de las diferentes etapas de un estudio.
En estudios simples se reduce a la definicin de dos tipos de facies: la que constituye al yacimiento y la
que no. Cuando se tiene informacin de buena calidad, es decir cuando se identifican un nmero mayor de
facies, se puede intentar un enfoque ms sofisticado basado en el tratamiento estadstico multivariado de
los datos. En este caso:
Las facies se definen en los ncleos, luego se identifican en los registros, finalmente se agrupan en un
nmero reducido que se denominan litotipos. Se usan tcnicas como el anlisis de agrupamiento (cluster
analysis) y componentes principales. Cuando las propiedades petrofsicas del yacimiento no estn
directamente controladas por las facies (litotipos) se puede usar un enfoque alternativo en trminos de
clases petrofsicas (agrupamiento por propiedades petrofsicas).
Es conveniente aclarar que nuestro inters no est en cmo los tipos de facies estn definidos, sino en
cmo construir distribuciones realistas en 3-D de las facies de manera que puedan ser usadas
posteriormente en la toma de decisiones durante la modelacin del yacimiento. Las facies deben poseer
un control significativo sobre las funciones de la porosidad, la permeabilidad, o de la saturacin, de otra
manera, la modelacin de la distribucin en 3-D de las facies ser de poco beneficio ya que la
incertidumbre no se reducir y los modelos resultantes no tendrn un mayor poder predictivo.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 32 de 61
Caracterizacin de las facies
Consiste en definir los parmetros litolgicos, depositacionales y petrofsicos tpicos de cada facie.
Distribucin de Facies usando un modelo estocstico
La modelacin estocstica representa un enfoque particularmente adecuado para la descripcin del
yacimiento ya que permite la integracin de una gran variedad de informacin cuantitativa (dura) y
cualitativa (suave), y a la vez que nos brinda una medida de la incertidumbre del mismo. Esta se basa en:
- Conocimiento geolgico: Es sintetizada mediante las funciones de distribucin de varias facies
(curvas de proporcin vertical y variogramas). El modelo depositacional del yacimiento nos
provee de un medio adicional para inferir la longitud de correlacin de las facies (rango o
alcance del variograma) o las dimensiones promedio de las unidades.
- Modelo estructural: Mientras que las caractersticas estructurales como las fallas regionales son
definidas de manera determinstica usando datos ssmicos, las caractersticas de las fallas
locales y fracturas pueden ser simuladas con modelos estocsticos. Los parmetros
caractersticos de stas (densidad y orientacin) son obtenidos a nivel de ncleos y registros, y
luego extrapolados a todo el yacimiento.
- Modelo petrofsico: El modelo obtenido en la fase de interpretacin cuantitativa de los registros
se puede extender por modelacin estocstica. Se hace mediante valores promedios funciones
de distribucin de probabilidad de las propiedades petrofsicas asociadas con cada facies.
- Datos ssmicos: Dan informacin sobre la distribucin lateral de los cuerpos geolgicos. Son
usados (imgenes en tiempo, amplitud o impedancia) para el clculo de las funciones de
distribucin espacial de las facies. Se integran en el proceso de simulacin de propiedades
petrofsicas.
- Datos dinmicos: La integracin de datos dinmicos (pruebas de pozos y datos de produccin)
mediante las tcnicas estocsticas de simulacin representa un reto importante, ya que ofrecen
informacin a gran escala y relativa al flujo esencial para la construccin de modelos de
yacimientos confiables.
Modelos de simulacin estocstica para la caracterizacin de yacimientos
Actualmente los mtodos ms usados son de dos tipos:
1. Basados en Celdas (o continuos)
- Se considera a la variable a ser simulada como una realizacin de una funcin aleatoria continua
cuya distribucin (usualmente Gaussiana) es caracterizada con diferentes umbrales (valores de
corte) los cuales identifican diferentes facies o diferentes rangos de propiedades petrofsicas.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 33 de 61
2. Basados en Objetos (o booleanos)
- Generan distribuciones espaciales de cuerpos sedimentarios obtenidos mediante la superposicin
de geometras simplificadas como: lminas, discos o sinusoides.
- Los parmetros de los objetos (orientacin, sinuosidad, longitud, ancho, etc) pueden estimarse en
base al modelo sedimentolgico, los datos ssmicos, anlogos de superficie y las
interpretaciones de las pruebas de pozos.
Evaluacin de la Incertidumbre Geolgica
Al menos existen cuatro grandes fuentes de incertidumbre en un modelo geolgico tpico:
- Calidad de los datos e interpolacin
- Modelo estructural y modelo estratigrfico
- Modelo estocstico y sus parmetros
- Realizaciones igualmente probables
Heterogeneidad del Yacimiento
Son caractersticas geolgicas que van de pequea a gran escala y que pueden no ser significativas desde
el punto de vista estrictamente esttico en la caracterizacin pero que tienen un impacto significativo en
el flujo de los fluidos.
La relacin entre la heterogeneidad del yacimiento y los parmetros dinmicos del campo es uno de los
puntos claves de un estudio integral ya que esto determina el grado de detalle y la precisin que puede ser
alcanzado en la descripcin geolgica.
A2. Modelado de propiedades petrofsicas.
Los valores de las propiedades petrofsicas se asignan dentro de una facie de forma que reproduzcan las
caractersticas estadsticas representativas (histograma, variograma, correlacin con otra variable) de la
propiedad para dicha facie mediante simulaciones geoestadsticas.
Las propiedades petrofsicas como porosidad y permeabilidad son modeladas dentro de cada facies y capa
del yacimiento. Las propiedades petrofsicas dentro de la mayora de las facies deben ser asignadas de
manera que reproduzcan el histograma, el variograma y la correlacin con respecto a variables
secundarias.
La porosidad es la concentracin volumtrica de espacios de poros. Su variabilidad a diferentes escalas se
comporta en general de manera lineal. Mientras que la permeabilidad no es una propiedad intrnseca de la
roca. Depende de las condiciones de frontera fuera del volumen de la medicin. Puede variar en varios
rdenes de magnitud a diferentes escalas. Para su modelacin:
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 34 de 61
a) Los datos deben ser corregidos a las condiciones de fluido y presin del yacimiento.
b) La anisotropa horizontal respecto a la vertical es un factor importante, por lo que los componentes
direccionales principales de la permeabilidad son modelados o se modela de manera global y luego se
aplica la relacin de anisotropa vertical-horizontal obtenida en base a las facies.
La porosidad y permeabilidad se modelan dentro de cada facies y unidad del yacimiento. Las capas del
yacimiento son distintas debido a su deposicin en diferentes pocas. Las propiedades del yacimiento
dentro de la misma facies en diferentes capas pueden tener caractersticas similares. Sin embargo, deben
ser modeladas separadamente debido a que pertenecen a sistemas de coordenadas estratigrficos
diferentes. Mientras que las propiedades dentro de diferentes facies en una misma capa son
significativamente diferentes y no estn relacionadas. Las propiedades dentro de diferentes facies pueden
ser modeladas de manera independiente cuando las facies no estn relacionadas.
Las propiedades en diferentes facies pueden estar relacionadas unas con otras, es decir, existe una
correlacin en las propiedades petrofsicas a travs de la frontera de las facies.
Existen varios enfoques:
a) Ignorar la correlacin y modelar las propiedades de manera independiente en las diferentes facies.
b) Considerar una forma de Cokriging con las propiedades en diferentes facies como variables
secundarias.
c) Crear los modelos secuencialmente, es decir, construir el modelo de porosidad y permeabilidad en una
facies y luego usar el resultado para la modelacin de las otras facies.
En muchos casos existen datos secundarios que pueden ser considerados:
o la impedancia ssmica est correlacionada negativamente con la porosidad,
o la permeabilidad est correlacionada con la porosidad
o la saturacin de agua est correlacionada con la permeabilidad
o la ssmica o la inversin de datos de produccin nos ofrecen una fuente externa de informacin.
Tpicamente la modelacin se realiza de manera secuencial.
Usualmente se procede:
1. Primero se modela la porosidad usando la ssmica como variable secundaria.
2. Luego se modela la permeabilidad usando la porosidad como variable secundaria.
Una sola realizacin de porosidad y permeabilidad debe ser considerada por cada realizacin de facies. La
geometra de las facies es usualmente mucho ms importe para el flujo, por lo que no es necesario generar
demasiadas realizaciones de porosidad y permeabilidad.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 35 de 61
B. CPULAS.
En los aos 50s surgieron los primeros trabajos de la relacin entre una funcin de distribucin
multivariada y sus marginales dimensionales mas bajos (un variado o de mayores dimensiones).
La respuesta a este problema para el caso de marginales un variados fue dado por A. Sklar en 1959
creando una nueva clase de funciones a las que llamo cpulas.
Estas nuevas funciones son restricciones a [0,1]
2
de funciones de distribucin bivariadas cuyos
marginales son uniformes en [0,1]. Sklar mostr que si H es una funcin de distribucin bivariada con
marginales F(x) y G(y), entonces existe una cpula C tal que H(x,y) = C(F(x),G(y)), figura B1 y B2.
El concepto de cpula juega un papel importante en la probabilidad y estadstica, particularmente en
problemas relacionados a la dependencia, dados marginales y funciones de variables aleatorias que son
invariantes bajo transformaciones montonas.
Una cpula es una funcin la cual une o junta una funcin de distribucin multivariada (d.f) a su
funcin de distribucin marginal uno dimensional (Nelson, 1998), la cual satisface:
Para cada u,v en [0,1], C(u,0) = 0 = C(0,v), y C(u,1) = u y C(1,v) = v; de esta forma los marginales son
uniformes.
Para cada u
1
, u
2
, v
1
, v
2
en [0,1] tales que u
1
<=u
2
y v
1
<=v
2
, C(u
2
,v
2
) C(u
2
,v
1
) C(u
1
,v
2
) + C(u
1
,v
1
) >=0
para todo u
1
<=u
2
, v
1
<=v
2
Las copulas se pueden definir informalmente de la siguiente manera:
Sean X y Y variables aleatorias continuas con funciones de distribucin marginales F(x) = P(X x) y
G(y) = P(Y y) y la funcin de distribucin conjunta H(x,y) = P(X x , Y y). Entonces existe una
cpula C tal que:
H(x, y) = C(F(x),G(y))..B1
Para cada (x, y) en [0,1]
2
considerar el punto en [0,1]
3
con coordenadas (F(x),G(x), H(x,y)). Este mapeo
de [0,1]
2
a [0,1]
3
es una cpula.
Para toda x y y en . Si F y G son continuas, entonces C es nica. De otra forma, la cpula es nicamente
determinada en Ran(F)xRan(G). Por el contrario, si C es una cpula y F y G son funciones de
distribucin, entonces la funcin H definida por (1) es una funcin de distribucin conjunta con
marginales F y G.
As, las cpulas ligan las funciones de distribucin conjuntas a su marginal uno-dimensional.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 36 de 61
Fig. B1. Estructura de una cpula. M. Armstrong, 2002.
B2. Ilustracin de una cpula. M. Armstrong, 2002.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 37 de 61
Al utilizar las copulas se pueden capturar la naturaleza de la escala-invariante de la asociacin
(dependencia) entre las dos variables. Las mediciones de la escala invariante de la asociacin mas
conocidas son la de Kendall y la de Spearman. Estos rangos de correlacin miden el grado para el cual
valores pequeos o grandes de una variable aleatoria se asocian con valores pequeos o grandes de otra.
Sin embargo, a diferencia del coeficiente de correlacin lineal r, miden la asociacin solo en trminos de
rangos. Como consecuencia el rango de correlacin se preserva bajo cualquier transformacin
monotonica. En particular, el mtodo de transformacin descrito preserva el rango de correlacin. Por lo
tanto conociendo el rango de correlacin de la t-distribucin bivariada se determina exactamente el rango
de correlacin de la variable aleatoria transformada final. Mientras que r aun es necesario para
parametrizar la t-distribucin bivariada subyacente, la de Kendall o la de Spearman son mas tiles en
la descripcin de la dependencia entre variables aleatorias, debido a que son invariantes a la eleccin de
distribuciones marginales. Para la t-distribucin, hay una relacin simple entre la de Kendall o la de
Spearman y el coeficiente de correlacin linear dados por:
) ( ) / 2 ( r arcsen
K
= ) 2 / (
K
sen r = ..B2
) 2 / ( ) / 6 ( r arcsen
s
= ) 6 / ( 2
s
sen r = ..B3
t- Cpula
La t-cpula es una representacin de la estructura de dependencia implcita en una t-distribucin
multivariada. La t-cpula n-variada se puede definir como:
( ) ( ) ) ( ),..., ( ,...,
1
, 1 1
1
, 1 , 1 , , n v v v n n
t
v
u t u t t u u C
..B4
Donde:
t
n,v
t
n,v
(, ) es la t-distribucin n-variada con v grados de libertad, vector principal y una matriz de
dispersin positiva determinada .
Debido a que la cpula tiene la propiedad de permanecer invariante bajo una estandarizacin de la
distribucin marginal, la cpula de un t
n,v
(, ) es idntica a aquella distribucin t
n,v
(0, R) donde R es la
matriz correlacin implicada por la matriz dispersin . De esta forma, una t-cpula bivariada se puede
expresar por:
( ) ( ) ) ( ), ( ,
2
1
, 1 1
1
, 1 , 2 2 1 ,
u t u t t u u C
v v v
t
r v
= ..B5
Donde r es el coeficiente de correlacin lineal y es el valor del elemento fuera de la diagonal principal en
la matriz R.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 38 de 61
El algoritmo para la simulacin numrica de una distribucion bivariada con un coeficiente de correlacin r
dado y distribuciones marginales por medio de una t-copula es simple. El algoritmo (Daz- Casar 2005) es
el siguiente:
a. Generar un par aleatorio t-distribuido bivariado ) , 0 (
~
) , (
, 2 2 1
R t x x
v
(x
1
,x
2
)
b. Obtener un par distribuido uniforme ) ( y ) (
2 , 1 2 1 , 1 1
x t u x t u
v v
= =
c. Transformar 2 , 1 ), ( donde , ) ( y ) (
1
2
1
2 2 1
1
1 1
= = =
i u F u F y u F y
i i
son las funciones
cuantiles de los marginales.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 39 de 61
C. SIMULATED ANNEALING.
Es un mtodo heuristico que permite la generacin de simulaciones condicionales sujetas a restricciones
complejas. Se utiliza como un mtodo de optimizacin (Kirkpatrick, 1983) para problemas combinatorios.
La idea central detrs del simulated annealig (SA) es la analoga con la termodinmica, especficamente
con la forma en que los materiales se enfran y cristalizan (annealing). Conforme la temperatura es
disminuida lentamente las molculas se alinean en cristales, lo cual representa el estado mnimo de
energa para el sistema. La probabilidad de distribucin de Boltzman expresa la idea de que un sistema en
equilibrio trmico a una temperatura T tiene las energas de sus molculas componentes distribuidas
probabilisticamente entre todos los estados de energa E.
{ }
T k
E
b
e E P
..C1
K
b
es una constante natural que relaciona la temperatura con la energa.
Incluso a una baja temperatura hay una probabilidad de que la energa sea un poco alta, es decir, en
ocasiones un sistema presentara estados de energa mnimos globales.
Un sistema cambiar de una configuracin de energa E1 a una energa de configuracin E2 con una
probabilidad
T k
E E
b
e p
) (
1 2
= ..C2
En el SA se considera un exponencial o una distribucin de Boltzman con un parmetro de decremento.
Fig. C1. Aceptacin de las perturbaciones en el SA.
Simulated annealing
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 40 de 61
El sistema siempre cambia si E
2
es menor que E
1
(paso favorable), algunas veces son tomados cambios
desfavorables. A ello se le conoce como algoritmo de Metropolis (Metropolis 1953).
La primera aplicacin directa al fenmeno espacial fue publicada en 1954 con la restauracin de imgenes
degradadas (Geman and Geman, 1954). Farmer dio la publicacin del algoritmo de simulated annealig
para la generacin de los modelos de tipo de roca (Farmer, 1991).
La contribucin esencial del simulated annealing es la prescripcin de cuando aceptar o rechazar una
perturbacin dada.
{ }
=
contrario lo de ,
, 1
t
O O
old new
new old
e
O O si
accept P
Todas las perturbaciones favorables son aceptadas y todas las no favorables se aceptan con una
probabilidad de distribucin exponencial. El parmetro t es anlogo a la temperatura en el annealing.
Entre mas alta sea la temperatura es mas probable que la perturbacin desfavorable sea aceptada.
La temperatura t no debe ser reducida muy rpido de lo contrario se puede quedar atrapado en una
situacin sub-optima y nunca converger. El cmo reducir la temperatura se le conoce como annealing
schedule. A continuacin se presenta una alternativa prctica. La idea es iniciar con una temperatura alta
t
0
y reducirla mediante un factor siempre que se hayan aceptado suficientes perturbaciones (K
accept
) o se
hayan tratado varias K
max
.
Los parmetros para el Annealing Schedule son:
t
0
: temperatura inicial
: factor de reduccin 0<<1
K
max
: nmero mximo de perturbaciones a una temperatura (del orden de 100 veces el numero de nodos).
La temperatura se multiplica por lambda siempre que se alcance K
max
.
K
accept
: blanco de aceptacin. Despus de aceptar las perturbaciones K
accept
(un orden de 10 veces el
numero de nodos) la temperatura se multiplica por lambda.
S: nmero de paro. Si se alcanza la K
max
en S veces entonces el algoritmo se detiene (usualmente 2 o 3).
O: funcin objetivo baja que indica convergencia
La funcin objetivo se puede establecer para reproducir restricciones geoestadsticas tradicionales. Esto
es, una distribucin espacial que reproduzca un histograma dado, modelo de variograma y los valores de
los datos en sus ubicaciones.
A continuacin se muestra un diagrama del algoritmo y una descripcin detallada de la metodologa
(Deutsch, 1994).
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 41 de 61
Fig. C2. Algoritmo para simulated annealing.
Generar una imagen con la
proporcin correcta de cada tipo
de roca
Calcular la funcin objetivo:
O(anterior)
l = 0 ; c =0
Naccept=0 ; Ntry=0
Ntry=Ntry+1
Escoger i y j aleatoriamente
Cambiar i y j para formar una imagen nueva.
Calcular la funcin objetivo nueva: O(nueva)
O(nueva) < O(anterior)
Naccept=Naccept + 1
Actualizar imagen
O(anterior) = O(nueva)
O(nueva) < limite de convergencia
Escribir resultados y finalizar
l = l +1
Ntry = Kmax l > S
Naccept = K(accept)
c = Lambda c
Si
Si
Si
Si
Si
No
No
No
No
No
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 42 de 61
d. Generacin de la malla. No hay limitacin intrnseca de que los N puntos estn en una malla
regular; sin embargo, muchas de las caractersticas espaciales que entran en la funcin
objetivo, en particular muchas de las estadsticas multipunto, son ms simples de calcular
cuando los valores de z estn en una malla regular.
El sistema coordenado se establece especificando las coordenadas en el primer bloque (xmn,
ymn, zmn), nmero de nodos de la malla (nx, ny, nz) y el espaciamiento de los nodos de la
malla (xsize, ysize, zsize). En muchos casos los valores nodales se refieren al volumen entero
que rodea el nodo, es decir a un bloque centrado en la ubicacin del nodo. En la figura 6.1 se
muestran los parmetros mencionados.
El eje X es asociado a la direccin Este, el eje Y es asociado a la direccin Norte y Z es la
elevacin.
Fig. C3. Esquema de la malla regular para llevar a cabo la simulacin.
b. Lectura de parmetros. Todos los parmetros de entrada se leen de un archivo.
c. Establecer estadsticas de control. Las estadsticas de control (Anexo G) o referencia
implican covarianzas de dos puntos, covarianzas indicador multipunto, histogramas
multipunto. En principio, no hay lmite en el nmero de estadsticas que pueden entrar en la
funcin objetivo. Los valores de control de cada estadstica se pueden establecer de la siguiente
forma:
1. Los valores de control se pueden introducir explcitamente en el programa, por
ejemplo los valores de covarianza experimental o valores numricos especificados
por un modelo analtico.
2. Una segunda alternativa es utilizar un patrn de control para calcular directamente
las estadsticas de control necesarias.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 43 de 61
d. Establecer la imagen inicial. Se necesita de una imagen inicial como realizacin inicial para
cada ejercicio de simulacin. Se puede hacer de la siguiente forma:
1. Se puede generar una realizacin diferente para cada simulacin nueva cambiando
aleatoriamente cada valor nodal desde la cdf F(z) estacionaria.
2. La misma imagen de entrada leda de un archivo de entrada se puede utilizar
como punto de inicio de todas las realizaciones.
e. Calcular las estadsticas de la imagen inicial. Se necesita de un clculo inicial global antes
de llevar a cabo una actualizacin. Las estadsticas imagen iniciales pueden ser valores de
control y valores de realizacin.
f. Calcular la funcin objetivo inicial. En este punto todos los valores de control y de
realizacin para cada componente de la funcin objetivo global son conocidos. Cada
componente de la funcin objetivo global es calculada y pesada para que todos los
componentes puedas ser minimizados a cero durante la optimizacin/simulacin.
g. Es suficientemente mnima la funcin objetivo?. Cuando la funcin objetivo ha sido
minimizada lo suficiente o los intentos no han sido exitosos, se da el resultado de la realizacin
en un archivo de salida. En ese punto se comienza otra simulacin si se desea.
h. Perturbar imagen, actualizar estadsticas y funciones objetivo. Se lleva a cabo uno de los
siguientes mecanismos un numero de veces especifico.
1. Los valores de dos nodos u
i
y u
j
son cambiados.
2. El valor de un nodo u
i
se reemplaza por un valor aleatorio desde la cdf F(z)
estacionaria global.
i. La regla de decisin se aplica despus de un nmero de perturbaciones. Despus de cada
perturbacin los componentes de la funcin objetivo que se pueden actualizar localmente, se
actualizan. Luego de realizar la perturbacin se evala la funcin objetivo, en el caso de haber
mejora se acepta la perturbacin, en el caso de empeorar la funcin objetivo, sta se acepta
bajo cierta probabilidad de aceptacin, lo cual permite que el mtodo esquive mnimos locales
y funcione como un mtodo de optimizacin global.
j. Decisin de aceptar la perturbacin. Se puede aplicar el criterio de aceptacin del recocido
simulado. Con el parmetro temperatura controlado por un Annealing Schedule (Anexo C) o
uno dado por el usuario.
k. Actualizacin de la imagen. Si se acepta la perturbacin, la imagen, las estadsticas de la
imagen y la funcin objetivo imagen se actualizan.
l. Actualizar la regla de decisin. La regla de decisin se actualiza despus de cada
perturbacin (sea aceptada o no). En ciertos casos, esta actualizacin ajustar la funcin
objetivo a cero para forzar al algoritmo a no perturbar la imagen y moverse a la siguiente
simulacin.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 44 de 61
D. FUNCIN OBJETIVO.
El simulated annealing (SA), requiere una funcin de energa u objetivo que mida la cercana a los datos o
caractersticas deseadas (Deutsch, 1994). En general existen mltiples fuentes de datos que son
codificadas como funciones objetivo componentes. Estos componentes son puestos en forma conjunta en
una suma ponderada para obtener la funcin objetivo total:
=
=
c
N
i
i i
O w O
1
..D1
Donde N
c
es el nmero de componentes, w
i
, i=1,,N
c
son los pesos y O
i
, i=1,,N
c
son las funciones
objetivo componentes. A continuacin se listan algunas funciones objetivo componentes posibles y
posteriormente se discute el procedimiento para determinar los pesos.
Cada funcin objetivo componente O
i
es una expresin matemtica para hacer cumplir algunos datos o
transmitir algn carcter espacial deseado a las realizaciones. Todas las funciones objetivo componentes
son mediciones de la desigualdad entre una propiedad deseada y aquella de un modelo 3D. El ndice * en
las siguientes funciones objetivo denota la propiedad del modelo en 3D; sin ndice indica la propiedad
objetivo. Algunos ejemplos son:
Todos los modelos deben reproducir los datos de facies locales, porosidad y permeabilidad obtenidos de
ncleos y de registros de pozo. Estos datos pueden ser forzados dentro del modelo por construccin, esto
es, asignndolos a los nodos o pueden reproducirse como parte de la funcin objetivo. Funciones objetivo
para datos locales:
[ ]
= =
=
datos facies n
n
k
i
k i k u i O
1 1
2
*
; ) ; (
..D2
[ ]
=
=
datos
n
Z
Z u Z O
1
2
*
) (
..D3
Donde u
, =1,,n
datos
son las ubicaciones de los datos, i es el indicador de la facie, Z es una variable
continua como la porosidad, permeabilidad o saturacin de agua. Puede haber diferente nmero de datos
por cada variable.
Otras variables que se pueden tomar en cuenta como funciones objetivo componentes que se pueden tomar
en consideracin para mejorar un modelo de distribucin son:
Funciones de distribucin acumulativas de las variables a un cuantil en particular.
Los variogramas de la correlacin espacial.
Las distribuciones bivariadas entre la porosidad y la permeabilidad. Donde la distribucin bivariada se
discretiza en clases de porosidad y permeabilidad.
Datos ssmicos, como la impedancia acstica.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 45 de 61
Datos dinmicos como los de las pruebas de pozo.
Las funciones objetivo componentes deben ser positivas y deben disminuir a cero cuando los datos o
estadsticas espaciales son reproducidas por la realizacin.
Las unidades de cada funcin objetivo componente O
c
son diferentes. Adems, la razn a la cual decrece
cada funcin objetivo es diferente. Es necesario ponderar cada componente para asegurar que todos los
componentes i se consideran en la funcin objetivo global. Primero los pesos son determinados para
asegurar que cada componente tiene una igual importancia. Despus, podemos incrementar la importancia
de una funcin objetivo componente en particular.
El propsito detrs de las ponderaciones w
c
, c=1,,C, es que cada componente c juegue un rol igualmente
importante en la funcin objetivo global. La magnitud de la funcin objetivo solo afecta indirectamente la
decisin de aceptar o rechazar una perturbacin. Todas las reglas de decisin estn basadas en el cambio
de la funcin objetivo, es decir,
old new
O O O = ..D4
[ ]
= =
= =
C
c
C
c
c c c c c
old new
O O w O w O
1 1
..D5
Las ponderaciones w
c
, c=1,,C se establecen de tal forma que cada componente contribuya igualmente al
cambio en la funcin objetivo O. Esto es, cada ponderacin es inversamente proporcional al cambio
promedio de esa funcin objetivo componente.
C c
O
w
c
c
,..., 1 ,
1
=
= ..D6
En la prctica, el cambio promedio de cada componente
c
O no puede calcularse analticamente; sin
embargo, se puede aproximar numricamente evaluando el cambio promedio de M perturbaciones
independientes (1000):
C c O O
M
O
M
m
c
m
c c
,..., 1 ,
1
1
) (
= =
=
...D7
Donde
c
O es el cambio promedio por componente c,
) (m
c
O es el valor objetivo perturbado y O
c
es el
valor objetivo inicial.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 46 de 61
E. PROMEDIOS DE PERMEABILIDAD.
Media generalizada
La media generalizada (Alabert, 1989)es una abstraccin de los diversos tipos de media (geomtrica,
aritmtica, armnica, etc).
Se define como:
En donde el parmetro m indica el tipo de media:
Con m=1. La media aritmtica o promedio, de una cantidad finita de nmeros, es igual a la suma de
todos ellos dividida entre el nmero de sumandos.
n
x x
n
x
x
n
n
i
i
+ +
= =
=
...
1 1
..E1
Con m=0. La media geomtrica de una cantidad finita de nmeros (digamos n nmeros) es la raz n-
sima del producto de todos los nmeros.
n
n
n
n
i
i
x x x x x ... .
2 1
1
= =
=
..E2
Con m=-1. La media armnica de una cantidad finita de nmeros es igual al recproco, o inverso, de la
media aritmtica de los recprocos de dichos nmeros.
As, dados los nmeros x
1
, x
2
, ... , x
n
, la media armnica ser igual a:
|
|
\
|
+ +
= =
=
n
n
i
i x x
n
x
n
x
1
...
1
1
1
1
..E3
Obsrvese que para valores de la expresin slo tiene sentido si todos los .
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 47 de 61
F. DEFINICIONES DE GEOESTADSTICA.
Alcance (range): Para el modelo esfrico, la distancia en la que el modelo alcanza el valor mximo, o sill
(meseta). Para los modelos gausianos y exponencial, que se aproximan a la meseta asintticamente. Se usa
el trmino alcance para designar el alcance prctico o efectivo donde la porcin alcanza
aproximadamente el 95 % del mximo. El modelo Nugget tiene una meseta con un rango de cero; el
modelo lineal usa meseta/alcance simplemente para definir la pendiente.
Covarianza: Es una medida estadstica de la correlacin entre dos variables. En Geoestadstica, la
covarianza es usualmente tratada como la simple inversin del variograma, calculado como la varianza
total de la muestra menos el valor del variograma. Estos valores de covarianza, as como los valores del
variograma, se utilizan en las ecuaciones de la matriz de Kriging para una mayor eficiencia de clculo.
Funcin Aleatoria: Puede ser vista como una coleccin de variables aleatorias que dependen de la
posicin.
Intervalo (lag): Intervalos de distancia de la clase usada para calcular el variograma.
Kriging: Mtodo de interpolacin del valor medio ponderado donde los pesos asignados a las muestras
minimizan la varianza del error, la que se calcula como una funcin del modelo de variograma y
localizaciones de las muestras relacionadas unas con las otras, y del punto o bloque que est siendo
estimado.
Kriging Ordinario: Es un tipo de Kriging que asume que la media local no est necesariamente cercana a
la media de la poblacin, y que usa solamente para el estimado la muestra para la vecindad local. Es el
mtodo usado mas comnmente por su robustez.
Meseta (sill): Lmite superior de cualquier modelo de variograma acotado, al que tiende asintticamente
para grandes distancias. Para el modelo lineal, la relacin sill/rango se usa para definir la pendiente.
Semi-Variograma: Es sinnimo de variograma. No hay acuerdo en la literatura geoestadstica de cual
trmino debe usarse y se usan ambos indistintamente.
Variograma: Grfico de la semivarianza (la mitad de la diferencia media cuadrada) como una funcin de
la distancia (y de la direccin) entre pares de valores muestrales. Tpicamente, son examinadas todos los
pares de muestras y agrupadas en clases (intervalos) de distancia y direccin aproximadamente iguales.
Los variogramas aportan un significado de cuantificacin de la relacin observada comnmente de que las
muestras cercanas entre ellas tienden a tener valores ms similares que las muestras mas alejadas.
Es la herramienta central de la Geoestadstica, ya que da una descripcin adecuada de la escala y del
patrn de la variacin espacial dentro de una regin dada. Los procesos de Kriging, optimizacin del
muestreo y los clculos de probabilidades condicionadas utilizan la informacin de la variacin espacial
obtenida de los variogramas.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 48 de 61
G. CONCEPTOS BSICOS DE ESTADSTICA.
Variable Aleatoria (V.A.): Es una variable (propiedad) que puede tomar una serie de valores o
realizaciones (z
i
, i=1,...,N) con un conjunto dado de probabilidad de ocurrencia (p
i
, i=1,...,N)
Variable Aleatoria Discreta: cuando el nmero de ocurrencias es finito, se conoce como variable aleatoria
discreta. Las N probabilidades de las ocurrencias deben satisfacer las condiciones siguientes:
1.
2.
Variable Aleatoria Continua: Si el nmero de ocurrencias posibles es infinito, por ejemplo el valor de la
porosidad del medio se encuentra en el intervalo [0,100%], entonces se dice que la VA Z es continua.
Funcin de Distribucin de Probabilidad (FDP)
1. VA discreta, se conoce como histograma acumulativo
..F1
2. VA continua, se conoce como funcin de distribucin de probabilidad (acumulativa) y se define
como:
..F2
La FDP caracteriza completamente a la VA.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 49 de 61
H. REGIMENES DE FLUJO EN EL YACIMIENTO
Hay bsicamente tres tipos de rgimen de flujo que deben reconocerse (Ahmed, 2005) a fin de describir el
comportamiento de flujo del fluido y la distribucin de la presin del yacimiento como funcin del
tiempo. Estos tres tipos son:
a. flujo en estado estacionario.
b. flujo no estacionario.
c. flujo en estado pesudo estacionario.
a. Flujo estacionario.
Se identifica si la presin a cada ubicacin en el yacimiento permanece constante, es decir, no cambia con
el tiempo. Matemticamente se expresa como:
0 = |
\
|
t
p
Esta relacin establece que la razn de cambio de la presin p respecto al tiempo a cualquier ubicacin es
cero. En los yacimientos esta condicin solo puede ocurrir cuando el yacimiento es completamente
recargado por un acufero grande.
b. Flujo no estacionario.
Frecuentemente llamado transitorio, es definido como la condicin de flujo fluyendo a la cual la razn del
cambio de presin con respecto al tiempo en cualquier posicin en el yacimiento ni es cero ni es constante.
La derivada de la presin con respecto al tiempo es esencialmente funcin de la posicin y del tiempo, as:
) , ( t i f
t
p
= |
\
|
c. Flujo pseudo-estacionario.
Cuando la presin a diferentes ubicaciones en el yacimiento declina linealmente como una funcin del
tiempo, es decir, a una razn de declinacin constante, la condicin de flujo se caracteriza como flujo
pseudo-estacionario.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 50 de 61
Matemticamente esta definicin establece que la razn de cambio de la presin respecto al tiempo en
cada posicin es constante, o:
. cte
t
p
= |
\
|
Fig. H1. Regmenes de flujo.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 51 de 61
I. PRUEBAS TRANSITORIAS DE PRESIN
Los conceptos bsicos del anlisis de pruebas de variacin de presin, se basan simplemente en provocar
un estimulo al sistema yacimiento-pozo, mediante un cambio en el gasto de produccin y registrando la
respuesta del sistema, como se muestra en la figura.
Fig. I1. Concepto del anlisis de pruebas de presin.
La informacin del yacimiento es esencial, con el fin de analizar el comportamiento actual y el futuro
desarrollo del yacimiento. Una prueba transitoria se realiza creando un disturbio de presin en el
yacimiento y registrando la respuesta de presin en el pozo, es decir, la presin de fondo fluyendo p
wf
,
como una funcin del tiempo. Las pruebas transitorias de presin (Ahmed, 2005) usuales son:
Decremento de presin
Incremento de presin
Interferencia
Pulso
Abatimiento
Inyeccin
Gastos mltiples
Para fines del presente trabajo, solo se trataran las interpretaciones de las pruebas de incremento y
decremento. La informacin que se puede obtener de stas pruebas de presin incluyen:
Pruebas de decremento: Perfil de presin
Comportamiento del yacimiento
Permeabilidad
Dao
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 52 de 61
Longitud de fractura
Lmite y forma del yacimiento
Pruebas de incremento: Comportamiento del yacimiento
Permeabilidad
Dao
Longitud de fractura
Fronteras
Pruebas de decremento.
Una prueba de decremento de presin se lleva a cabo por la produccin de un pozo. Idealmente se
empieza con una presin uniforme en el yacimiento. El gasto y la presin se registran como funcin del
tiempo.
Fig. I2. Esquema de una prueba de decremento.
El comportamiento de la presin durante el periodo transitorio se describe por la siguiente ecuacin. La
cual es la aproximacin logartmica para la integral exponencial de la solucin fuente lineal.
|
|
\
|
+
|
|
\
|
= s
r c
kt
kh
q
pi t r p
t
87 . 0 23 . 3 log 6 . 162 ) , (
2
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 53 de 61
Esta relacin es esencialmente una ecuacin de una lnea recta y puede expresarse de la siguiente forma:
Y la pendiente m esta dada por:
La ecuacin sugiere que una grfica de p
wf
contra el tiempo en papel semilogaritmico mostrar una lnea
recta de pendiente m en psia/ciclo. Esta porcin de lnea recta semilogaritmica de los datos de la prueba de
decremento se muestra en la figura I3.
Fig. I3. Grfica semilogaritmica de los datos de decremento de presin.
De la ecuacin anterior se puede determinar la capacidad de flujo kh del rea drenada del pozo. Si el
espesor es conocido entonces la permeabilidad promedio esta dada por:
) log(t m a pwf + =
|
|
\
|
+
|
|
\
|
= s
r c
k
kh
qB
pi a
t
87 . 0 23 . 3 log 6 . 162
2
kh
qB
m
6 . 162 =
mh
qB
k
6 . 162 =
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 54 de 61
Pruebas de incremento de presin.
Las pruebas de incremento de presin requieren cerrar un pozo productor y registrar el incremento
resultante en la presin del pozo como una funcin del tiempo de cierre. Esta tcnica requiere que el pozo
produzca a una razn constante en un tiempo de produccin t
p
.
La presin es medida inmediatamente antes del cierre y es registrada como una funcin del tiempo durante
el periodo de cierre. La curva de incremento de presin resultante es entonces analizada para determinar
las propiedades del yacimiento y la condicin del pozo.
Fig. I4. Esquema de una prueba de incremento de presin.
La curva de incremento de presin que resulta se analiza para determinar las propiedades del yacimiento y
las condiciones del pozo. Hay dos mtodos ampliamente utilizados, Mtodo de Horner y el mtodo de
Miller-Dyes-Hutchinson. El mtodo de Horner se explica brevemente.
Mtodo de Horner.
Una prueba de incremento de presin es descrita matemticamente usando el principio de superposicin.
Antes del cierre, el pozo es puesto a producir a una razn de flujo constante q
0
STB/da por t
p
das. Al
final de este periodo, el pozo es cerrado con un cambio correspondiente en la razn de flujo anterior q
0
a
un q
nuevo.
) 0 ( ) 0 (
0 0
q q T ws i
p p p p p
+ = =
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 55 de 61
psi cierre el durante pozo del presin p
psi yacimiento del inicial presin p
donde
ws
i
,
,
:
=
=
La primera contribucin resulta del incremento de 0 a q
0
y tienen efecto sobre todo el periodo de tiempo
t
p
+ t, de esta manera:
(
(
+
|
|
\
| +
=
s
r c
t t k
kh
B q
p
w t
p
q
87 . 0 23 . 3
(
log
) 0 ( 6 . 162
2
0
0
0
La segunda contribucin resulta del decremento de q
0
a 0 en t
p
, es decir tiempo de cierre, de esta manera:
(
(
+
|
|
\
| +
=
s
r c
t t t k
kh
B q
p
w t
p p
q
87 . 0 23 . 3
(
log
) 0 ( 6 . 162
2
0
0
0
El comportamiento de la presin durante el periodo de cierre es dado por:
(
(
+
|
|
\
|
(
(
+
|
|
\
| +
=
s
r c
t k
kh
B q
s
r c
t t k
kh
B q
p p
w t
w t
p
ws i
87 . 0 23 . 3 log
) ( 6 . 162
87 . 0 23 . 3
) (
log
6 . 162
2
0
2
0
Factorizando y eliminando trminos tenemos:
(
|
|
\
|
+
=
t
t t
kh
B q
p p
p
i ws
log
6 . 162
0
horas cierre de tiempo t
dia STB cierre del antes do estabiliza flujo de razn q
horas delcierre antes flujo de tiempo t
psi cierre el durante pozo del presin p
psi yacimiento del inicial presin p
donde
p
ws
i
,
/ ,
,
,
,
:
0
=
=
=
=
=
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 56 de 61
La cual tiene la forma de la ecuacin de la lnea recta. Esta expresin sugiere que una grfica de p
ws
vs.
(t
p
+t)/ t en una escala semilogaritmica producir una lnea recta con pendiente m y con intercepcin en
p
i
.
kh
B q
m
0
2 . 162
=
mh
B q
k
0
2 . 162
=
md dad permeabili k
ciclo psi recta linea la de pendiente m
donde
,
/ ,
:
=
=
Esta grfica, comnmente referida como la grfica de Horner, se ilustra en la figura I5. Note que en esta
grafica, la escala de la razn de tiempo (t
p
+t)/ t aumenta de derecha a izquierda. La presin inicial del
yacimiento puede ser obtenida extrapolando una lnea recta para (t
p
+t)/ t=1.
Fig. I5. Grfica semilogaritmica de los datos de incremento de presin.
El tiempo correspondiente al punto de cierre t
p
, puede ser estimado de la siguiente ecuacin:
0
24
q
N
t
p
p
=
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 57 de 61
horas produccin de total tiempo t
dia STB cierre del antes do estabiliza flujo de razon q
STB cierre del antes aceite de a acumulativ produccin N
donde
p
p
,
/ ,
,
:
0
=
=
=
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 58 de 61
J. DETERMINACIN DEL VOLUMEN Y POTENCIA PROMEDIO.
Para tomar en cuenta la informacin de una prueba de presin, Alabert propuso un escalamiento de los
bloques de permeabilidad (Alabert, 1989). En la cual es necesario conocer el volumen de la permeabilidad
efectiva dada por la prueba, as como el tipo de promedio de permeabilidad dado por la potencia promedio
. A continuacin se presenta la metodologa para calcular estos dos parmetros.
Volumen promedio
Para definir el volumen promedio apropiado es necesario considerar la porcin de la respuesta de presin
utilizada para derivar la permeabilidad efectiva de la prueba de pozo k
welltest
, durante el flujo radial infinito.
Es posible definir un radio interno r
min
y un radio externo r
max
que corresponda a los limites del flujo
radial infinito ya que la respuesta de presin, en cualquier tiempo t, puede relacionarse a permeabilidades
de bloque dentro de un radio de drene dependiente del tiempo r(t). En la figura J.1 la respuesta entre 1 y
10 horas se utiliza para estimar la permeabilidad efectiva del pozo k
welltest
. Los limites interior y exterior de
la regin sombreada en el esquema del yacimiento corresponde al radio de drene a 1 y 10 horas
respectivamente.
Fig. J.1. Respuesta del yacimiento, donde la recta semilogartmica representa el flujo radial infinito.
En cualquier instante en el tiempo la derivada de presin es informada por un volumen particular centrado
al pozo. En la figura J.2 y J.3 se muestra la contribucin de los valores de permeabilidad de bloque,
graficados como una funcin de la distancia radial desde el pozo.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 59 de 61
Fig. J.2. Volumen del yacimiento que abarca la permeabilidad obtenida del flujo radial infinito.
Fig. 6.3. Esquema de la funcin de ponderacin radial para la aproximacin del promedio de potencias para la
permeabilidad efectiva de prueba de pozo
Vista de planta del yacimiento
Pozo
Volumen que abarca el periodo de
flujo radial infinito
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 60 de 61
El intervalo de tiempo en que la respuesta de presin parece un flujo radial infinito es determinado
fcilmente por tcnicas de interpretacin estndar. Evaluar el radio de drene r(t) en los tiempos limites no
es tan directo; Es por ello que es necesario calibrar el radio de drene r(t) mediante simulaciones de flujo
repetidas. Las permeabilidades de bloque que contribuyen a la respuesta de presin medida al tiempo t son
encerradas aproximadamente por un volumen circular centrado en el pozo definido por un radio
dependiente del tiempo r(t) escrito como:
t
e
c
t k
A t r
= ) ( ..J1
Donde A es una constante, k
e
es la permeabilidad del yacimiento alrededor del pozo, es la porosidad y
es la viscosidad del fluido, c
t
es la compresibilidad total. La relacin asume implcitamente que la
permeabilidad heterognea del campo es descrita por una sola permeabilidad, es decir, k
e
es independiente
del tiempo. Tambin se puede escribir en forma adimensional.
D D
t A t r = ) ( ..J2
El volumen anular V(A) se puede definir por r
min
(A) y r
max
(A) donde A se toma como A
opt
=0.010. O se
calibra mediante simulaciones de flujo repetidas.
Promedio de potencias
El tipo de promedio dentro del volumen V(A) se describe por . En muchos casos este promedio de
potencias es cercano al promedio geomtrico =0. Algunas permeabilidades efectivas obtenidas de
anlisis de pruebas de pozo clsicas convergen hacia el promedio geomtrico. Para duraciones prcticas de
prueba y para distribuciones heterogneas de permeabilidad complejas, el tipo de promedio puede diferir
significativamente del promedio geomtrico.
La constante A = 0.010 y el promedio =0.0 pueden utilizarse como primeras aproximaciones en la ec.
6.3 para calcular la permeabilidad k
realization
.
Sin embargo, en la prctica, la constante A y deben calibrarse con anticipacin con el siguiente
procedimiento:
1. Generar n
s
realizaciones mltiples (20-100) de la permeabilidad del campo con propiedades
estadsticas relevantes.
2. Simular una prueba de pozo con las condiciones ms cercanas posibles a aquellas utilizadas en el
campo para llegar a la k
welltests
en cada realizacin para obtener n
s
curvas de respuesta de presin.
INSTITUTO MEXICANO DEL PETRLEO
__________________________________________________________________________________
MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 61 de 61
3. Deducir una permeabilidad efectiva k
i
, i=1,,n
s
de cada curva de presin utilizando una tcnica de
interpretacin de pruebas de pozo.
4. Calcular permeabilidades promedio k (A,)
i
, i=1,...,n
s
para valores de A entre los limites prcticos de
0.005 y 0.035 y para valores de entre los limites de -1 y 1.
5. Elegir un par (A
opt
,
opt
) que d el acuerdo mas cercano entre el valores de la referencia k
i
,i=1,,n
s
y
los valores aproximados de k (A
opt
,
opt
)
i
, i=1,,n
s
. Alabert sugiere tomar la desviacin absoluta de la
media normalizada (mNAD) y el error medio normalizado (mNE) como criterio para seleccionar
(A
opt
,
opt
). Esto es, escoger el par (A
opt
.
opt
) que juntos minimicen:
=
=
=
s
n i
i
i
i
i
k
k A k
A mNAD
1
) , (
) , (
..J3
=
=
=
=
=
=
=
s
s s
n i
i
i
n i
i
i
n i
i
i
k
k A k
A mNE
1
1 1
) , (
) , (
..J4
La calidad de la aproximacin del promedio de potencias se puede juzgar realizando una grafica de
dispersin de los valores aproximados
s i opt opt
n i A k ,..., 1 , ) , ( = contra las permeabilidades efectivas de
referencia de pruebas de pozo . ,..., 1 ,
s
i n i k =