Mexico Petroleo

INSTITUTO MEXICANO DEL PETRLEO
Direccin General de Investigacin y Posgrado

Presenta: Hugo Enrique Huerta Medina

Ttulo de Protocolo

APLICACIN DE LAS T-CPULAS A LA MODELACIN
ESTOCSTICA CONJUNTA DE POROSIDAD-PERMEABILIDAD EN
3D RESTRINGIDA POR PRUEBAS DE PRESIN

Director: Dr. Martn Alberto Daz Viera


__________________________________________________________________________________

MODELACON ESTOCSTICA DE LA PERMEABILIDAD UTILIZANDO T-CPULAS Pgina 2 de 61

CONTENIDO

RESUMEN
1. INTRODUCCIN. ................................................................................................................... 4
2. ANTECEDENTES. ................................................................................................................... 5
3. ANLISIS DEL PROBLEMA. ............................................................................................... 13
4. OBJETIVO GENERAL. ......................................................................................................... 16
5. JUSTIFICACIN PARA LA APLICACIN EN UN PROYECTO. ....................................... 17
6. METODOLOGA PROPUESTA. ................................................................................................ 18
6.1 Primera parte: Modelacin del patrn de dependencia utilizando t-cpulas.................................. 18
6.2 Segunda parte: Simulacin de la permeabilidad con simulated annealing (SA). ........................... 20
6.3 Tercera parte: Condicionamiento de los modelos o realizaciones a permeabilidades obtenidas de
pruebas de pozo. ............................................................................................................................ 21
7. BENEFICIOS DE LA METODOLOGA PROPUESTA............................................................... 23
8. RESULTADOS ESPERADOS Y OPORTUNIDADES DE NEGOCIO. ....................................... 24
9. PROGRAMA DE TRABAJO. ...................................................................................................... 25
10. PRESUPUESTO. ........................................................................................................................ 26
11. REFERENCIAS BIBLIOGRFICAS. ........................................................................................ 28
12. ANEXOS. ................................................................................................................................... 30
A. ASPECTOS METODOLGICOS DE LA MODELACIN INTEGRAL GEOLGICA-
PETROFSICA DE YACIMIENTOS............................................................................................. 30
A1. Modelo geolgico integrado. .................................................................................................... 30
A2. Modelado de propiedades petrofsicas. ..................................................................................... 33
B. CPULAS. .................................................................................................................................. 35
t- Cpula......................................................................................................................................... 37
C. SIMULATED ANNEALING. ...................................................................................................... 39
D. FUNCIN OBJETIVO. .............................................................................................................. 44
E. PROMEDIOS DE PERMEABILIDAD. ....................................................................................... 46
F. DEFINICIONES DE GEOESTADSTICA. .................................................................................. 47
G. CONCEPTOS BSICOS DE ESTADSTICA. ............................................................................ 48
H. REGIMENES DE FLUJO EN EL YACIMIENTO....................................................................... 49
I. PRUEBAS TRANSITORIAS DE PRESIN................................................................................. 51
J. DETERMINACIN DEL VOLUMEN Y POTENCIA PROMEDIO............................................. 58
Volumen promedio ......................................................................................................................... 58
Promedio de potencias .................................................................................................................... 60


__________________________________________________________________________________


RESUMEN.

Para proporcionar predicciones ms precisas de flujo de fluidos, el modelo numrico de distribucin de la
permeabilidad utilizado por simuladores de flujo debe ser consistente con todos los datos geolgicos y de
ingeniera. Estos incluyen la permeabilidad de ncleos, estadsticas relevantes de la permeabilidad
(histogramas, mediciones de la variabilidad espacial y la correlacin con variables secundarias como la
porosidad, etc.) y mediciones de la permeabilidad obtenidas de pruebas de pozo. El propsito de la
metodologa es crear modelos de distribucin de la permeabilidad en 3D que reproduzcan estos datos.

Los algoritmos de simulacin tradicionales son incapaces de respetar los patrones complejos de la
distribucin de las propiedades as como los datos provenientes de una prueba de presin. El algoritmo
propuesto en este trabajo se puede utilizar para tomar en cuenta distribuciones bivariadas complejas de la
porosidad-permeabilidad mediante el uso de las cpulas. Esto se lleva a cabo utilizando un mtodo
estocstico con una t-cpula que reproduzca los patrones de dependencia observados de la distribucin
bivariada porosidad-permeabilidad.

La permeabilidad efectiva inferida de una prueba de pozo, restringe la posible distribucin espacial de los
valores de permeabilidad por bloque cercano a los pozos. Mediante el uso del algoritmo de recosido
simulado (simulated annealing) se puede llevar a cabo la integracin de toda la informacin esttica y
dinmica disponible.


__________________________________________________________________________________


1. INTRODUCCIN.

La simulacin del flujo de fluidos es herramienta fundamental para la administracin de un campo, siendo
un medio para el entendimiento de la respuesta del yacimiento antes de implementar esquemas de
explotacin o recuperacin. Los parmetros que alimentan a la simulacin numrica del yacimiento se
obtienen a partir del modelo Geolgico-Petrofsico durante la etapa previa de caracterizacin esttica del
mismo.

Actualmente la manera internacional ms aceptada de obtener la distribucin de las propiedades
petrofsicas del yacimiento se realiza mediante la modelacin geolgica-petrofsica integrada, donde todas
las fuentes de informacin disponible (modelo geolgico conceptual, datos de ncleos, registros, ssmica,
etc.) son respetadas y contribuyen en un enfoque multidisciplinario interactivo. Este proceso de
integracin se realiza usando mayormente modelos estocsticos con un enfoque geoestadstico. Esto se
debe, principalmente a que siempre tenemos relativamente poca informacin a la escala que se desea
modelar el yacimiento y que la informacin disponible por s misma posee incertidumbre. Por lo que,
como es bien conocido, la mejor manera de manejar la incertidumbre en un modelo matemtico es
mediante el enfoque estocstico.

El parmetro ms importante y determinante en la simulacin numrica del flujo de fluidos en un
yacimiento lo constituye la permeabilidad. Por su naturaleza, la permeabilidad resulta difcil de estimar y
de modelar. Usualmente sta es modelada mediante ciertas dependencias funcionales con otras
propiedades petrofsicas, mayormente la porosidad, y se usan sobre todo modelos de regresin porosidad-
permeabilidad de tipo lineal para construir su distribucin espacial en tres dimensiones. Por lo que de esta
manera simplista no se refleja el comportamiento realista de la permeabilidad puesto que se pierde la
riqueza de su variabilidad y se subestiman sus valores extremos, adems de que de esta forma la
permeabilidad prcticamente imita el comportamiento espacial observado en la porosidad, lo cual es
completamente errneo.

En este protocolo se propone el uso de las t-cpulas para modelar el patrn de dependencia complejo
porosidad-permeabilidad que se observa en los datos de ncleos y registros del yacimiento, de manera que
se respete su variabilidad y valores extremos. Una vez escalados los datos de porosidad-permeabilidad al
tamao de celda del modelo geolgico-petrofsico y luego de realizar la distribucin de la porosidad, el
modelo bivariado obtenido con la t-cpula es usado para producir la distribucin espacial en 3D de la
permeabilidad mediante la aplicacin del mtodo de optimizacin estocstica conocido como recocido
simulado (simulated annealing, SA), en donde se trata de reproducir adems, la correlacin espacial
observada en la permeabilidad y se restringe su comportamiento en la vecindad de los pozos cuando
contamos con el valor de la permeabilidad obtenido en pruebas de presin.

La metodologa propuesta debe aplicarse en el marco de la modelacin geolgica-petrofsica integrada de
yacimientos, por lo que se modelar y distribuir la permeabilidad por unidades litoestratigrficas y dentro
de stas por litofacies o clases petrofsicas, es decir, por grupos de rocas que presenten el mismo patrn de
dependencia porosidad-permeabilidad.


__________________________________________________________________________________


2. ANTECEDENTES.

Los antecedentes se presentan divididos en dos partes: en la primera se revisan los conceptos bsicos
relacionados con el estudio. En la segunda, se presenta un nmero de tcnicas principalmente
geoestadsticas que permiten integrar la informacin disponible con el fin de construir modelos en 3D que
describan las propiedades a nivel del yacimiento.

Conceptos base.

Predecir las propiedades de la roca en ubicaciones no muestreadas y evaluar el comportamiento de flujo
futuro de sistemas geolgicos complejos es una tarea difcil. Un gran numero de conceptos y
consideraciones hacen posible el tratamiento de este difcil problema.

Facies

La facies se basan en una evaluacin de las variables geolgicas como el tamao de grano o
mineralizacin, por ejemplo, la caliza y la dolomita en un carbonato y areniscas y lutitas en un arreglo
siliciclastico. Las facies estrechan los rangos de porosidad y permeabilidad. Las propiedades del flujo de
fluidos pueden variar entre el tipo de facies.

Porosidad

La porosidad () se define como la relacin del volumen de espacio poroso y el volumen neto de la roca
del yacimiento. Es un parmetro adimensional y se puede expresar en fraccin o por ciento.

La porosidad puede ser un parmetro difcil de cuantificar, ya que el volumen poroso es a menudo una red
compleja de espacios de diferentes formas, dimensiones y origen. Como consecuencia de esta
complejidad, se pueden considerar diferentes sistemas de clasificacin.

Una clasificacin general y simple del sistema poroso se basa en el proceso gentico responsable de la
formacin de la porosidad. Desde este punto de vista, podemos distinguir 2 tipos fundamentales de
porosidad, primaria y secundaria.

La porosidad primaria es la porosidad original preservada en los sedimentos despus de la depositacin y
de la compactacin inicial. Es fuertemente dependiente de las caractersticas de los sedimentos (tamao de
grano, forma y clasificacin) y tiende a decrecer con el tiempo y profundidad del sepultamiento.

La porosidad secundaria se relaciona a los esfuerzos tectnicos que afectaron los sedimentos despus del
sepultamiento y/o la circulacin de aguas subterrneas. Los procesos de formacin tienden a generar
fracturas mientras que los ltimos son responsables de la disolucin, depositacin, recristalizacin y
procesos de dolomitizacin que afectan la roca del yacimiento despus de la depositacin.


__________________________________________________________________________________

Otra forma simple y comn de clasificar la porosidad hace uso del concepto de poros aislados, lo cual
permite la distincin entre la porosidad total y la interconectada o efectiva. La descripcin y la
cuantificacin de la porosidad es una etapa muy importante en los procesos de caracterizacin.

Medicin de la porosidad.

A. Mediciones en ncleos.
B. Interpretacin de registros.
Herramientas snicas.
Herramienta de densidad.
Herramienta de neutrones.
Resonancia magntica nuclear.

Permeabilidad.

La permeabilidad (k) de una roca se define como su conductividad a los fluidos o a la facultad que esta
posee para permitir que los fluidos se muevan a travs de los poros intercomunicados. Si los poros no
estn conectados, no existe permeabilidad; por consiguiente, es de esperar que exista una relacin entre la
permeabilidad de un medio y la porosidad efectiva.

La permeabilidad se ve afectada por la presin de sobre carga; el tamao, acomodo y forma de los
granos; la distribucin de los mismos de acuerdo con el tamao y el grado de cementacin y
consolidacin.

Existen tres tipos de permeabilidad:

Absoluta o especfica. Es la conductividad de una roca a un fluido cuando esta se encuentra saturada al
100 % de dicho fluido. La k del medio poroso debe ser la misma para cualquier lquido que no reaccione
con la roca y que la sature al 100%.

Efectiva. Es la conductividad de una roca a una fase cuando dos o mas fases se encuentran presentes,
tambin se mide en Darcys. Cuando dos o mas fases estn fluyendo simultneamente en el medio poroso
permeable, la permeabilidad efectiva de una fase dada es menor que la permeabilidad absoluta y est en
funcin de la saturacin de la fase. Conforme a lo anterior y considerando que un medio puede estar
saturado por aceite, gas y agua; k
o
, k
g
, y k
w
representan las permeabilidades efectivas del aceite, gas y
agua, respectivamente.

Permeabilidad relativa. Es la razn entre la permeabilidad efectiva y una permeabilidad base. Se pueden
utilizar diferentes bases, dependiendo de los clculos.

Una caracterstica de la permeabilidad es que es una cantidad direccional expresada mediante un tensor y
que con frecuencia muestra anisotropa, la cual se debe a la orientacin y alineacin de los granos, la
presencia de arcillas u horizontes limosos. Desde el punto de vista del concepto de integracin se requiere
de un entendimiento profundo de las implicaciones estticas y dinmicas de la permeabilidad.


__________________________________________________________________________________

Mediciones de la permeabilidad.

A. Anlisis de ncleos.
B. Registros.
C. Pruebas de pozo.
D. Correlaciones Empricas.
a. Relaciones Porosidad-Permeabilidad.
b. Regresiones Lineales Mltiples.
c. Ecuaciones empricas.
E. Redes Neuronales.

Modelo Geolgico

Descripcin de los rasgos geolgicos-estructurales del yacimiento (fallas, delimitacin de unidades
geolgicas, tipos de rocas y su distribucin, etc.). La relevancia del modelo geolgico se ha enfatizado
repetidamente, siendo ampliamente reconocido que la descripcin esttica, en trminos de geometra y de
propiedades petrofsicas, es uno de los principales factores que controlan el desarrollo de produccin del
campo.

Modelo Petrofsico

Distribucin de las propiedades petrofsicas de roca y fluidos (porosidad, permeabilidad, saturacin, etc.).
La definicin de un modelo petrofsico consistente no es una tarea fcil, especialmente cuando los datos
estn dispersos y/o son de baja calidad. En todos los casos, la correcta integracin de toda la informacin
disponible permite que este modelo sea ms confiable.

Modelo estructural

El modelo estructural en 3D representa el marco de trabajo geomtrico bsico del yacimiento. Este
modelo se completa con superficies internas correlacionables, usualmente definidas a travs de
aproximaciones cronoestratigrficas basadas en la secuencia estratigrfica. Eventualmente, el modelo es
poblado con facies y/o propiedades petrofsicas, a fin de generar lo que se conoce como modelo litolgico
del yacimiento (Anexo A).

Distribucin de las propiedades petrofsicas.

Anlisis de la variacin lateral de las propiedades petrofsicas con el propsito de poder generar sus
distribuciones en 2D y 3D a la escala de yacimiento. Es necesario tener mediciones reales (duras) a alguna
escala. Muy a menudo, estos datos duros son la porosidad, permeabilidad y asignacin de facies mediante
mediciones de ncleos. En la ausencia de mediciones directas de ncleos, los datos de registros de pozo
pueden ser datos duros. Todos los otros tipos de datos incluyendo registros y ssmica son llamados datos
suaves y se deben calibrar con los datos duros.


__________________________________________________________________________________

Geoestadstica

Actualmente, la geoestadstica es el conjunto de tcnicas utilizadas para analizar y predecir los valores de
una propiedad distribuida en espacio y tiempo. Tales valores no se consideran independientes, por el
contrario se supone que estn correlacionados unos con otros es decir, que existe una dependencia
espacial. La geoestadstica, permite un amplio nmero de modelos equiprobables (realizaciones) mediante
simulaciones estocsticas. Dentro del rea de ciencias de la tierra, el propsito de estas realizaciones
consiste en proveer al modelador alternativas plausibles que representen de manera integrada y coherente
los aspectos geolgicos, geofsicos y de ingeniera de yacimientos que son relevantes para el yacimiento.

Las tcnicas geoestadsticas estn siendo utilizadas para generar los modelos de distribucin de
propiedades petrofsicas (porosidad y permeabilidad) 3D requeridos para la simulacin del yacimiento
(Bratvold and Holden, 1994).

Mtodos comunes para generar estimaciones y distribuciones de la permeabilidad.

2.2.1 Mtodos comunes de estimacin de la permeabilidad en el yacimiento.

Correlaciones Empricas.

El modo ms comn de estimar la permeabilidad es mediante algn predictor de la permeabilidad,
tpicamente en forma de una ecuacin emprica. Esto normalmente requiere de un conjunto de datos para
la calibracin, el cual est constituido por uno o ms pozos clave donde la informacin completa en
trminos de datos de registros y ncleos est disponible. Este conjunto de calibracin es utilizado para
construir el predictor y probar la fiabilidad de los resultados.

Los tres tipos de predictores de la permeabilidad ms comunes son: las relaciones porosidad-
permeabilidad, las regresiones lineales mltiples y las ecuaciones empricas.

El objetivo de todas estas tcnicas es la estimacin de la permeabilidad absoluta en condiciones in situ ya
que los parmetros que se usan provienen de mediciones de registros de pozo.

a. Relaciones Porosidad-Permeabilidad.

El predictor de la permeabilidad ms usado es la relacin de porosidad-permeabilidad. Ha sido
ampliamente reconocido que la mayora de las rocas de los yacimientos muestran en una escala
semilogartmica una relacin razonablemente lineal entre estas dos propiedades, como se muestra en la
figura 2.1, lo cual permite la estimacin de la permeabilidad cuando est disponible el perfil de la
porosidad.

Las rocas de los yacimientos muestran un amplio espectro de relaciones de porosidad- permeabilidad. En
algunas formaciones, como por ejemplo en rocas clsticas homogneas, estas relaciones muestran muy
baja dispersin por lo que la regresin lineal puede ser utilizada razonablemente para propsitos de


__________________________________________________________________________________

prediccin Mientras que en otros casos, como es frecuente para las formaciones carbonatadas, esta
relacin es muy dispersa por lo que no es recomendable la regresin como mtodo de prediccin.

Una buena prctica en la estimacin de la permeabilidad consiste en la separacin en grupos o
categoras que muestren un comportamiento ms homogneo, este concepto tambin se aprecia en
la figura 2.1. El modo ms simple de agruparlas es por reas, estratos o unidades. Aunque mejores
resultados se obtienen cuando se agrupan por facies (litotipos) cuando esta clasificacin se ha hecho por
sus propiedades petrofsicas.

Fig. 2.1. Correlacin porosidad-permeabilidad (Geological Survey, 2006).

b. Regresiones Lineales Mltiples.

En muchos casos, incluso en yacimientos clsticos, la relacin porosidad-permeabilidad es demasiada
dispersa como para reproducirse de manera confiable por una regresin lineal simple. Esto ocurre cuando
las variables petrolgicas (cementacin, distribucin del tamao del grano, alteracin diagentica, etc.)
juegan un papel importante en la estructura de poro de la roca. En estos casos se requiere de un enfoque
ms sofisticado que pueda tomar en cuenta la influencia de otras propiedades adems de la porosidad.

El mtodo de regresin lineal mltiple es una tcnica ms compleja con respecto a la regresin lineal
simple pero usualmente permite una estimacin rpida y confiable de la permeabilidad en la mayora de
los yacimientos. La metodologa se basa en la estimacin de los coeficientes c de la ecuacin de regresin
mltiple:

k (mD)

(%)


__________________________________________________________________________________


n n
x c x c x c c LogK + + + + = ...
2 2 1 1 0
..2.1

La estimacin se realiza utilizando uno o ms pozos clave, donde existan valores de permeabilidad en
ncleos. La ecuacin resultante se puede aplicar al resto de los pozos donde las variables independientes
son conocidas. Estas deben ser seleccionadas de los parmetros que tengan un fuerte impacto en la
permeabilidad, como son: porosidad, saturacin de agua y volumen de arcilla, pero tambin profundidad y
posicin geogrfica para tomar en cuenta las tendencias verticales y laterales.

Como en el mtodo de regresin simple, se puede trabajar con grupos o subconjuntos, especialmente
agrupando por facies, y mediante la aplicacin de algn esquema ponderado a los datos usualmente a los
rangos altos y bajos de permeabilidad. Esto permite reducir el efecto de suavizado de la regresin, aunque
tiene la desventaja de producir resultados sesgados, ya que la eleccin de los pesos es subjetiva.

c. Ecuaciones empricas.

En general, estas ecuaciones hacen uso de la informacin ms disponible, como la porosidad o la
saturacin de agua para derivar un perfil de permeabilidad en las ubicaciones de los pozos.

Las ecuaciones proveen estimados de la permeabilidad en base al tamao y distribucin de los espacios
porosos. En base a esto, las correlaciones empricas propuestas se pueden clasificar de la siguiente forma:

Modelos basados en los granos (Berg, 1970)
Modelos basados en la superficie (Timur, 1968 y Coates, 1973)
Modelos basados en el tamao de poro (Kozeny-Carman, 1961)

Pruebas de pozo.

Las pruebas de pozo proveen un medio confiable de estimar la permeabilidad del yacimiento. Cuando un
pozo es puesto bajo un esquema de produccin o inyeccin, cuando se cambia su gasto o cuando se cierra,
el yacimiento reacciona con un comportamiento de presin que se relaciona directamente a su potencial de
flujo y por lo tanto a su permeabilidad.

Se pueden utilizar diferentes tipos de pruebas de pozo para calcular la permeabilidad. Todas ellas se basan
en la aplicacin de las ecuaciones bsicas de flujo para la interpretacin de una presin registrada y un
gasto dado. Algunas de las pruebas son DST (Drill Stem Tests), pruebas convencionales de pozo
(Incremento y Decremento) y pruebas multipozo (Pulso e Interferencia). En el anexo I se explican a fondo
algunas de las tcnicas.

La permeabilidad inferida de una prueba de pozo tiene informacin importante debido a que otras
mediciones estn a una escala de magnitud ms pequeas que los bloques de la malla utilizados en la
simulacin. Una prueba de presin provee una sola permeabilidad efectiva en la cercana del pozo.


__________________________________________________________________________________


2.2.2 Tcnicas de interpolacin

Kriging

Mtodo geoestadstico de estimacin local que ofrece el mejor estimador lineal insesgado de una
propiedad que se esta estudiando. Utiliza un modelo de variograma para la obtencin de datos. Kriging
calcula los pesos que se darn a cada punto de referencias usadas en la valoracin. Esta tcnica de
interpolacin se basa en la premisa de que la variacin espacial contina con el mismo patrn.

Fue desarrollada inicialmente por Danie G. Krige a partir del anlisis de regresin de datos, fijando la base
de la geoestadstica lineal.

Se considera optimo ya que es insesgado (el valor esperado del error es cero) y minimiza la varianza de la
estimacin es decir, reduce al mnimo la varianza del error.

Co-Kriging

Es la estimacin conjunta de variables aleatorias regionalizadas. Comnmente conocido como Kriging
conjunto es el anlogo del Kriging de una funcin aleatoria. Mientras el Kriging utiliza la correlacin
espacial para determinar los coeficientes en el estimador lineal, el Co-Kriging utiliza la correlacin
espacial y la correlacin entre funciones aleatorias al mismo tiempo. Es til en el caso en que dos
variables han sido muestreadas, pero una esta menos muestreada que las otras o existe la presencia de
errores de muestreo.

El Co-kriging tiene como aplicacin, la estimacin directa o conjunta de una combinacin lineal de
funciones aleatorias (FAs).

2.2.3 Simulacin estocstica.

Durante muchos aos nicamente se usaron mtodos de interpolacin, pero en los ltimos 10 aos se ha
incrementado la aplicacin de tcnicas estocsticas, las cuales ofrecen la posibilidad de estudiar la
variabilidad espacial de una propiedad dada del yacimiento (o una combinacin de propiedades) y
explotar estas relaciones en la definicin del modelo del yacimiento. Tambin, permiten integrar
diferentes fuentes de informacin, en particular la ssmica en 3D a travs del uso de los atributos ssmicos.

La idea bsica detrs de las simulaciones estocsticas, consiste en obtener nuevas realizaciones
artificiales ( Z
S
(x) ) de una funcin aleatoria Z(x) de manera tal que stas posean las mismas
propiedades estadsticas de la FA Z(x). Por lo general no se conoce con precisin las propiedades
estadsticas de la FA; cuando ms, se puede inferir a travs de una sola realizacin o muestra de la funcin
aleatoria. Entonces se intenta obtener realizaciones simuladas que sean estadsticamente equivalentes a la
muestra que se posee de la FA.

La equivalencia estadstica, significa que todas las realizaciones tengan la misma distribucin de
probabilidad de la funcin aleatoria que se simula. En la mayora de los casos solo satisface la esperanza
matemtica, la varianza y la covarianza inferidas a partir de la muestra de la FA.


__________________________________________________________________________________

Para poder estimar la realidad in situ correctamente en los casos donde la informacin disponible es
fragmentada y se limita al conocimiento de unos pocos puntos muestrales, se hace uso de la simulacin de
esta realidad en base a un modelo, interpretando su distribucin espacial de una propiedad (en nuestro
caso petrofsica) como una realizacin particular de la funcin aleatoria Z(x). Esta funcin aleatoria es
caracterizada por su funcin de distribucin de probabilidad o por su media, varianza y covarianza de los
datos disponibles.

La simulacin tiene la ventaja de ser conocida en todos los puntos y no solamente en los puntos
experimentales. Con frecuencia al fenmeno simulado se le llama modelo numrico del fenmeno real.

Simulacin condicionada.

En muchas aplicaciones, resulta ptimo quedarse con aquellas realizaciones que en los puntos muestrales
coinciden los valores simulados Z
S
(x) con los valores reales o experimentales Z
M
(x). A estas realizaciones
de la funcin aleatoria se le conoce como simulaciones condicionales Z
SC
(x).

La simulacin condicional puede perfeccionarse agregando informacin cuantitativa del fenmeno real.

Entre los mtodos de simulacin ms comunes se encuentran: el mtodo Secuencial Gaussiano, el mtodo
Secuencial Indicador, el de Simulacin Gaussiana Truncada, etc. (Deutsch 2002)

En particular nos interesar para aplicar en nuestra metodologa el mtodo de Recocido Simulado
(Simulated Annealing), ver Apndice C, debido a que por ser un mtodo de optimizacin estocstica es
muy flexible y permite de manera sencilla y directa introducir restricciones al modelo estocstico Deutsch
1994).


__________________________________________________________________________________


3. ANLISIS DEL PROBLEMA.

La descripcin precisa del yacimiento y su modelacin es difcil dada la considerable incertidumbre en la
distribucin espacial de las propiedades de la roca del yacimiento. Las propiedades petrofsicas, necesarias
para la simulacin del flujo y las estimaciones in-situ, generalmente son muestreadas en muy pocas
ubicaciones dentro del yacimiento. La naturaleza implcita esparcida de la informacin disponible nos
conduce a considerar modelos estocsticos para la distribucin de las propiedades del yacimiento. La idea
es construir modelos numricos de las litofacies del yacimiento y las propiedades de la roca que
reproduzcan todos los datos disponibles, como son mediciones de ncleo, registros de pozo,
interpretaciones ssmicas, geolgicas y de pruebas de pozo, considerando mltiples realizaciones, de tal
forma que cada una sea consistente con la informacin disponible.

La prediccin del comportamiento del yacimiento requiere de un exhaustivo conocimiento de la
distribucin espacial de las propiedades de la roca y de los fluidos del yacimiento. La distribucin real fue
creada por interacciones complejas de diferentes procesos fsicos y qumicos durante tiempos geolgicos y
slo se podran conocer mediante un exhaustivo muestreo. Por lo tanto, en todas las situaciones prcticas
la distribucin verdadera permanecer desconocida.

Sin el completo conocimiento de las propiedades del yacimiento, el comportamiento exacto o la respuesta
de un yacimiento a cualquier esquema de produccin es desconocido. Aunque la respuesta real sea
desconocida, se puede construir un modelo numrico que aproxime el comportamiento observado del
yacimiento.

Previo a la simulacin del flujo, las propiedades petrofsicas tales como la porosidad, permeabilidad y
saturacin de fluidos son necesarias para cada bloque de la malla o elemento en el modelo. Dado un
muestreo incompleto, existe una gran incertidumbre en la asignacin de las propiedades en los bloques de
la malla. Adicionalmente, en los datos disponibles no existe un modelo nico de las distribuciones de las
propiedades petrofsicas. La idea detrs de la modelacin estocstica del yacimiento es generar un nmero
de modelos numricos alternativos (realizaciones) que sean consistentes con los datos conocidos.

En realidad slo existe una distribucin verdadera de estas propiedades sin embargo hay muchos modelos
estocsticos de la distribucin espacial consistentes con los datos disponibles. Finalmente solo hay un
valor verdadero para cada propiedad petrofsica. Potencialmente cada realizacin da una respuesta
diferente dando una distribucin de probabilidad para cada variable como se muestra en la figura 3.1.

La manera ms usual para calcular la permeabilidad es a travs de algn estimador, tpicamente en forma
de una ecuacin emprica (Balan et al., 1995). Esto normalmente requiere que de un conjunto de datos
para la calibracin que est constituido por uno o ms pozos donde exista la informacin detallada en
trminos de datos de ncleos y de registros. Este conjunto de datos de calibracin es usado para ajustar el
estimador y para verificar el grado de fiabilidad de los resultados.


__________________________________________________________________________________


Fig. 3.1. Ilustracin esquemtica de los modelos estocsticos del yacimiento.

Distribucin de las propiedades roca/fluido
Distribucin de las propiedades roca/fluido
Distribucin real
Modelos estocsticos mltiples
Proceso de recuperacin
Proceso de recuperacin
Proceso actual implementado
Modelo numrico del proceso
Respuesta del yacimiento Respuesta del yacimiento
Respuesta verdadera Distribucin de posibles respuestas


__________________________________________________________________________________


El enfoque de regresin simple, usando el formalismo estadstico en lugar del determinstico, busca
predecir el valor promedio condicional, o el valor esperado de la permeabilidad, correspondiente a un
conjunto dado de parmetros. Para diferentes reas o facies se pueden ajustar diferentes ecuaciones. Las
principales desventajas de este mtodo consisten en que la variabilidad de los datos (en trminos de la
varianza y la desviacin estndar) no puede ser capturada.

Por lo que resulta importante hacer notar que el perfil de permeabilidad generado reproduce bien el
promedio del perfil real pero falla en la estimacin de los valores extremos, los cuales desde el punto de
vista del flujo son los valores ms interesantes ya que pueden representar zonas de alta permeabilidad o
barreras impermeables.

El mtodo de regresin lineal subestima la dispersin de los datos originales y no reproduce los valores
extremos.

En el caso de las ecuaciones empricas, solo proveen estimados irregulares de la permeabilidad. El
problema principal de esta aproximacin es que, la permeabilidad es dependiente del tamao y
distribucin de los espacios de poro de la roca, y este parmetro siempre es desconocido.

Por otra parte, los estimadores que no usan expresiones funcionales como las redes neuronales
artificiales, requieren de un largo tiempo de aprendizaje o entrenamiento el cual depende
fuertemente de la cantidad y calidad de los datos disponibles. Ms an, cuando estamos en presencia de
informacin incompleta, lo cual es lo usual en la modelacin de yacimientos, no contamos con datos
suficiente para representar en su justa proporcin los valores extremos de la permeabilidad, por lo que en
muchos casos stos son subestimados.


__________________________________________________________________________________


4. OBJETIVO GENERAL.

Aplicar una metodologa estocstica dentro de un marco integral de modelacin geolgica-petrofsica de
yacimientos que permita generar modelos de la distribucin espacial de la permeabilidad en 3D tomando
en cuenta la informacin esttica (datos geolgicos, de ncleos, de registros de pozo y ssmicos) y
dinmica (pruebas de pozos) disponible.

El modelo estocstico consiste en aplicar la tcnica Recocido Simulado (Simulated Annealing) (SA)
usando la distribucin de probabilidad bivariada porosidad-permeabilidad generada mediante la
simulacin con Monte Carlo de la t-cpula que reproduce el patrn de dependencia porosidad-
permeabilidad observado en los datos.

Una vez obtenidas las realizaciones del modelo estocstico restringidas a datos estticos se propone el uso
de la informacin dinmica (permeabilidad efectiva derivada de pruebas de presin), condicionando la
permeabilidad promedio en la cercana del pozo.


__________________________________________________________________________________


5. JUSTIFICACIN PARA LA APLICACIN EN UN PROYECTO.

Para analizar el flujo de fluidos en el medio poroso del yacimiento, primero se debe construir el modelo.
geolgico-petrofsico Este modelo describe aproximadamente la distribucin espacial de las propiedades
fsicas que gobiernan el flujo de fluidos. El modelo geolgico-petrofsico del yacimiento debe incorporar
todos los datos disponibles, de esta forma se reduce la incertidumbre en los modelos del yacimiento. El
propsito es que al integrar todos los datos disponibles se darn modelos ms confiables, y por lo tanto se
reducir la incertidumbre de las predicciones (Roggero and Hu, 1998.)

Los valores de porosidad y permeabilidad atribuidos a los bloques de la malla son parmetros esenciales
para la explotacin del yacimiento. Por ejemplo, las concentraciones de valores de permeabilidad altos en
ciertas reas tienden a formar trayectorias de flujo preferenciales, mientras que las concentraciones de
valores bajos de permeabilidad tienden a formar barreras que evitan el flujo (Le Ravelec, 2005). En los
yacimientos no existe la cantidad suficiente de datos para mapear exactamente la permeabilidad y la
porosidad. Es por ello que la geoestadstica es de gran utilidad para construir imgenes probables de los
yacimientos, mediante la caracterizacin de la variabilidad espacial de la propiedad que se estudie. La
incorporacin de las pruebas de presin, tambin nos da informacin acerca de la permeabilidad, para su
integracin al modelo.

La finalidad de dar los modelos del yacimiento a partir de mtodos geoestadsticos es incorporarlos o tener
un punto de partida en las simulaciones de flujo de fluidos y reproducir los datos dinmicos obtenidos del
yacimiento. Los siguientes pasos muestran el seguimiento que se habra de llevar a cabo en un proyecto de
modelacin del yacimiento.

1. Un modelo de yacimiento inicial, llamado modelo de yacimiento geolgico, generado con
herramientas geoestadsticas. Restringido a los datos estticos y dinmicos.

2. El modelo geolgico del yacimiento inicial se enmalla y se detalla. Antes de llevar a cabo un
ajuste de historial que involucre simulaciones de flujo, el nmero de bloques de la malla se deben
reducir. El modelo geolgico es simplificado utilizando tcnicas de escalamiento.

3. Se realiza una simulacin de flujo para el modelo de yacimiento simplificado, el cual imita su
comportamiento dinmico. Se comparan los datos dinmicos con la respuesta dinmica del
modelo.

4. Generalmente la respuesta de la simulacin no reproduce los datos dinmicos. Se debe modificar
nuevamente el modelo del yacimiento. sta modificacin o procedimiento de ajuste involucra
problemas de optimizacin.


__________________________________________________________________________________


6. METODOLOGA PROPUESTA.

La metodologa a desarrollar consiste en extender a nivel de yacimiento, es decir, a tres dimensiones la
aplicacin del modelo geoestadstico-estocstico para la permeabilidad usando t-cpulas (Daz and Casar,
2005), originalmente propuesto a escala de registros de pozo, y restringirlo por los valores de
permeabilidad obtenidos en pruebas de presin.

El enfoque de Daz y Casar, es una modificacin del mtodo de simulacin geoestadstica conjunta
permeabilidad-porosidad utilizando simulated annealing (Anexo C) que fue introducido por Deutsch y
Cockerman (septiembre 1994).

El procedimiento consta de tres etapas.

La primera consiste en desarrollar una simulacin estocastica de la porosidad y la permeabilidad
utilizando una t-cpula emprica (Perkins and Lane, 2003) la cual reproduce el patrn de dependencia de
la distribucin bivariada porosidad-permeabilidad as como sus correspondientes distribuciones
individuales (marginales) observadas en los datos.

En la segunda parte se aplica el mtodo de simulacin conjunta porosidad-permeabilidad (Deutsch and
Journel, 1998) con simulated annealing, donde la porosidad es una variable secundaria que condiciona
(restringe) a la permeabilidad.

En la tercera parte, se toma en cuenta la permeabilidad obtenida de pruebas de presin, en este esquema de
simulacin estocstica.

6.1 Primera parte: Modelacin del patrn de dependencia utilizando t-cpulas.

Consiste en muestrear de forma estocstica pares de valores (porosidad-permeabilidad) de su distribucin
bivariada obtenida a partir de una cpula, la cual reproduce distribuciones bivariadas empricas por cada
unidad litolgica. Es importante aclarar que la metodologa se hace por unidad litolgica y se parte de la
premisa de que se tiene la distribucin de la litologa, as como de su porosidad y algunos datos de
permeabilidad (suaves o duros).

Sklar cre una nueva clase de funciones a las que nombr cpulas (Sklar, 1959). Una cpula es una
funcin que liga o acopla a la funcin de distribucin multivariada con sus funciones de distribucin
unidimensionales tambin conocidas como marginales (Nelson, 1999), ver figura 6.1.

En general las cpulas pueden ser definidas para funciones de distribucin de ms de dos variables
aleatorias, pero para los propsitos de este proyecto nos restringiremos slo el caso bivariado.

Una de las propiedades ms importantes de las cpulas es que stas permiten especificar la dependencia
entre variables aleatorias de manera completamente separada de la especificacin de sus distribuciones


__________________________________________________________________________________

marginales. Ms an, mediante cpulas se puede prescribir la dependencia entre variables aleatorias
uniformes y despus transformarlas a cualquier distribucin marginal deseada.

Fig. 6.1. Cpula t-student. Galiani 2003.

Existen varias familias de cpulas entre las que se encuentran las cpulas Gaussianas y las cpulas de la t
de Student (t-cpulas), las cuales pertenecen a una clase ms amplia conocida como cpulas elpticas.

En particular, las t-cpulas (anexo B) modelan patrones de dependencia no lineales entre datos bivariados
de propiedades petrofsicas, figura 6.2. La razn de dicha eleccin se debe a que ha sido mostrado
recientemente que las t-cpulas son generalmente superiores comparadas con las cpulas Gaussianas
respecto a su capacidad para reproducir mejor los valores extremos (Breymann et al., 2003).

Fig. 6.2. Distribucin bivariada de dos propiedades x.


__________________________________________________________________________________

La forma de llevar a cabo la primera etapa de la metodologa es:

1. Estimar el rango de correlacin
K

s
de la permeabilidad y la porosidad de las
distribuciones que se presentan por unidad geolgica.

Donde
K
: es la de Kendall.

s
: es la de Spearman. Ver anexo C.

2. Obtener el coeficiente de correlacin lineal correspondiente r
K
r
s
, aplicando el mapeo con las
ecuaciones B2 y B3 (Anexo B).

3. Generar m pares correlacionados aplicando el algoritmo presentado en el anexo B, con las
distribuciones acumulativas empricas de la permeabilidad k y la porosidad .

6.2 Segunda parte: Simulacin de la permeabilidad con simulated annealing (SA).

La segunda parte es generar mltiples modelos de distribucin (simular la permeabilidad) utilizando SA.
La distribucin se condiciona con valores de permeabilidad conocidos y utilizando valores de porosidad
como una variable secundaria, considerando como datos de entrada las distribuciones bivariadas
simuladas en lugar de una emprica.

El inters en la metodologa del SA (anexo C), se basa en la habilidad que tiene para respetar una gran
variedad de datos como estructuras geolgicas y a pruebas de pozo las cuales estn ms all de la
capacidad de tcnicas convencionales.

La caracterstica esencial de los mtodos annealing es perturbar iterativamente una realizacin inicial
construida fcilmente. La realizacin inicial pudiera ser construida mediante la asignacin aleatoria de
valores en todos los nodos a partir de un histograma representativo. Las perturbaciones son aceptadas o
rechazadas tomando cierta decisin. La regla de decisin se basa en como la funcin objetivo ha
cambiado es decir, como la perturbacin ha trado la imagen candidata que mas se acerque a las
propiedades deseadas.

El primer paso es construir una funcin objetivo (Anexo D) la cual mida la diferencia entre caractersticas
espaciales de referencia y aquellas de una realizacin candidato. El problema de optimizacin consiste en
sistemticamente modificar una realizacin inicial construida para que todas las partes de la funcin
objetivo sean minimizadas a cero.

En el contexto de la modelacin del yacimiento en 3D, el proceso annealing se puede llevar a cabo por
medio de los siguientes pasos:

1. Crear un modelo en 3D inicial, asignando valores de permeabilidad en cada nodo de la
malla en forma aleatoria a partir de la distribucin bivariada obtenida de las copulas.
2. Definir la funcin objetivo como una medida de la diferencia entre las caractersticas
deseadas y las caractersticas de la realizacin.


__________________________________________________________________________________

3. Perturbar el modelo visitando aleatoriamente los nodos de la malla y asignando nuevos
valores de permeabilidad. El nuevo valor debe provenir de la distribucin bivariada
dado un valor de porosidad en cada unidad litolgica.
4. Aceptar la perturbacin si la funcin objetivo decrece; aceptarla si sta se incrementa,
bajo una probabilidad de aceptacin.
5. Continuar el procedimiento de perturbacin hasta que se logre un estado de energa
mnimo. Los estados de energa bajos corresponden a modelos numricos del
yacimiento plausibles.

En el anexo C se muestran los pasos detallados para llevar a cabo el proceso del SA.

6.3 Tercera parte: Condicionamiento de los modelos o realizaciones a permeabilidades obtenidas de
pruebas de pozo.

Las pruebas de presin transitorias proveen de informacin critica acerca de las propiedades del
yacimiento a una escala significativamente mayor que las obtenidas de ncleos o registros.
Especficamente, la permeabilidad relativa inferida de una prueba de presin restringir la distribucin
espacial de la permeabilidad cercana al pozo.

Una forma de condicionar los modelos de yacimiento estocsticos a una respuesta de prueba de pozo es
descartar todos los modelos que no dan una respuesta de prueba de pozo simulada lo suficientemente
cercana a la respuesta de presin medida. Tal seleccin puede ser prctica cuando se tiene pruebas para
un solo pozo.

La idea es tomar realizaciones que ya hayan ajustado otros datos disponibles (e.g., ncleos, registros,
ssmica) y modificarlos con la tcnica SA para ajustar las respuestas de pruebas de pozo.

Debido a que no es posible llevar a cabo una simulacin completa de flujo 3D despus de cada
perturbacin llamada para el SA, ya que tomara demasiado tiempo, de alguna forma los datos de pruebas
de pozo deben traducirse en una propiedad fcilmente actualizable reteniendo su flexibilidad en
diferenciar sistemas heterogeneos.

La permeabilidad relativa cerca del pozo, inferida de pruebas de presin es un parmetro crtico obtenido
de la interpretacin de la prueba. Las consideraciones esenciales y las bases matemticas para la
interpretacin son presentadas en el anexo H. Dada una prueba de pozo desarrollada en el campo y
estimados los valores de viscosidad, espesor, porosidad y compresibilidad, es posible estimar una
permeabilidad efectiva k
e
que relacione algn volumen cercano del pozo. En 1989 Alabert (Alabert, 1989)
propuso imponer sta k
e
en los modelos estocsticos a travs de una funcin objetivo en la tcnica SA.

Para incluir la permeabilidad efectiva en los modelos se debe utilizar una ley de escalamiento emprica
que relacione la permeabilidad efectiva derivada de pruebas de pozo a valores de permeabilidad absoluta
de bloque elemental.


__________________________________________________________________________________

Alabert propuso un promedio de potencias de los bloques de permeabilidad dentro de un volumen
promedio especfico V para modelar un promedio total no lineal de los bloques de permeabilidad como las
medidas por una prueba de pozo. La suposicin es que los valores de permeabilidad de los bloques se
promedian linealmente despus de una transformacin de potencia no lineal con la ecuacin 6.3.

3 . 6 ..... ) (
1
) (
1
=

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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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
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
1. Anlisis de los resultados
2. Elaboracin de reporte


__________________________________________________________________________________


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.


__________________________________________________________________________________


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


__________________________________________________________________________________


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.


__________________________________________________________________________________

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


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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:


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


Fig. B1. Estructura de una cpula. M. Armstrong, 2002.

B2. Ilustracin de una cpula. M. Armstrong, 2002.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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


__________________________________________________________________________________


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).


__________________________________________________________________________________


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


__________________________________________________________________________________

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.


__________________________________________________________________________________

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.


__________________________________________________________________________________


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.


__________________________________________________________________________________

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.


__________________________________________________________________________________


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 .


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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.


__________________________________________________________________________________


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


__________________________________________________________________________________


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


__________________________________________________________________________________


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 =


__________________________________________________________________________________


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

+ = =


__________________________________________________________________________________


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
=
=
=
=
=


__________________________________________________________________________________


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
=


__________________________________________________________________________________


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
=
=
=


__________________________________________________________________________________


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.


__________________________________________________________________________________


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


__________________________________________________________________________________


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.


__________________________________________________________________________________


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 =

Mexico Petroleo

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mexico Petroleo

Transféré par

Droits d'auteur :

Formats disponibles

INSTITUTO MEXICANO DEL PETRLEO

Direccin General de Investigacin y Posgrado

Vous aimerez peut-être aussi