Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Arcillas PDF
Arcillas PDF
Presentado ante la ilustre Universidad de Los Andes como requisito parcial para
obtener el Ttulo de Ingeniero de Sistemas
Septiembre 2008
c
2008
Universidad de Los Andes Merida, Venezuela
Estimaci
on de Porosidad y Volumen de Arcilla en formaciones
rocosas
Br. Angel Ciro Del Mar Ortega
Proyecto de Grado Investigacion de Operaciones, 55 paginas
Escuela de Ingeniera de Sistemas, Universidad de Los Andes, 2008
Resumen:
Indice general
Indice de Figuras
VII
Agradecimientos
IX
1. Introducci
on
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Justificacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1.
Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Marco te
orico
11
3. M
aquinas de Vectores soporte
16
16
16
17
. . . . . . . . . . . . . . . .
18
19
21
3.1.4.
iv
22
23
24
4. Metodologa
28
28
28
28
29
4.3.
Porosidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
4.2.1.
Porosidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
30
31
34
34
5. Resultados
35
41
41
6.2. Consejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
42
46
7. Conclusiones
7.1. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
49
Bibliografa
51
A. Algunos m
etodos importantes mencionados en el manuscrito
53
53
54
55
Indice de figuras
2.1. Estimacion de la temperatura de formacion. Tomado de (PDVSA, 1999)
10
12
13
14
20
21
22
27
36
37
38
38
39
40
42
43
43
44
vii
44
44
44
. . . . . . . . . . . . . . .
45
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
45
45
. . . . . . . . . . . . . . . . .
46
46
46
46
47
47
47
Agradecimientos
Dentro de estas palabras quisiera darle gracias a todos los que hicieron posible se
llevara a cabo con exito este proyecto, sin ustedes creo nunca hubiese tenido las fuerzas
para terminar.
A mi mama por darme fuerzas y subirme el animo cuando pense en no regresar
gracias mami.
A mi pana Miguel Leon (El Abuelo), por ayudarme a buscar la solucion en esos
momentos donde pareca que no exista, chamo gracias por nunca negarse a brindarme
su ayuda.
A mis amigos por compartir sus conocimientos conmigo: Thamara, Lorena,
Johanna, Adalberto, Abraham y Jhonny.
Y a esa persona que siempre me acompa
no en los buenos y malos momentos, quien
siempre esta organizandome la vida y quien me acompa
no por todo este camino, gracias
Ana tu sabes lo importante que eres para m.
ix
Captulo 1
Introducci
on
El objetivo de este trabajo es la estimacion de los parametros petrofsicos Porosidad
y Volumen Arcilla, para ello se opto por hacer uso de formulaciones petrofsicas, tambien se utilizaron las Maquinas de Vectores Soporte en Regresion para la estimacion
del Volumen de Arcilla con el fin de mostrar una alternativa novedosa que proporcione
buenos resultados.
En este captulo se presenta una descripcion completa del problema, la motivacion
por la cual se va a desarrollar el proyecto, mostrando tanto el objetivo general como
los especficos y la manera como se encuentra estructura el documento.
1.1.
Antecedentes
n
1.2 Justificacio
1.2.
Justificaci
on
1.3.
1.4 Objetivos
en los yacimientos y cuanto puede ser extrado, esto debido entre otras cosas porque
alg
un da sera dificil de extraer o escaso. Desde este punto de vista se hace necesaria
la estimacion de algunos parametros petrofsicos que permitan determinar el volumen
de hidrocarburos existente en un yacimiento, el cual esta limitado por caractersticas
geologicas y contacto de fluidos.
1.4.
1.4.1.
Objetivos
Objetivo general
Dise
nar y desarrollar un programa que permita la estimacion de la porosidad
y el volumen de arcilla de las rocas en las formaciones potencialmente petrolferas,
utilizando el lenguaje de programacion C++.
1.4.2.
Objetivos Especficos
1.5.
Organizaci
on del documento
n del documento
1.5 Organizacio
Captulo 2
Marco te
orico
En el siguiente captulo se presentan las definiciones te
oricas que sirven de base
para la realizacion de este proyecto. Este captulo se ha estructurado en tres partes
para que el lector pueda conseguir un mejor entendimiento de las definiciones vitales
del tema. En primer lugar un recorrido por lo que son las rocas y su clasificacion,
dando un breve resumen de la importancia de las rocas en la formaci
on de la roca
madre, acumulacion y entrampamiento de las rocas en el yacimiento de hidrocarburos,
luego se encuentran las propiedades fsicas de las rocas que son definidas en su mayora
a traves informacion de n
ucleos y registros de pozos estos son descritos en la u
ltima
secci
on
2.1.
Rocas yacimiento
Seg
un el glosario Schlumberger, en terminos petroleros un yacimiento es un cuerpo
rocoso subterraneo que tiene porosidad y permeabilidad suficiente para almacenar y
transmitir fluidos. Es el repositorio donde estan dadas las condiciones necesarias para
la existencia de hidrocarburos.
Una roca es un agregado solido de minerales naturales, que tienen una composicion
y textura regular en vol
umenes de formaciones grandes.
Seg
un PDVSA (1999), las rocas se clasifican en tres grupos seg
un como han sido
formadas:
Rocas Igneas: Son aquellas que se forman por la solidificacion del material de
roca que se encuentra debajo de la superficie terrestre en forma lquida.
Rocas metamorficas: son aquellas rocas que han sido sometidas a presion,
temperatura y otros factores que hacen que las rocas sufran grandes cambios
en sus caractersticas.
Rocas sedimentarias: estas son el tipo de roca que normalmente se encuentran
en los yacimientos de hidrocarburos y que son originadas por restos de rocas
preexistentes sometidas a erosion, transporte, precipitacion y a otros procesos
fsicos y qumicos. Estas rocas se subdividen en:
Rocas clasicas: areniscas y lutitas.
Rocas carbonaticas: calizas y dolomita.
Seg
un (Efrain E. Barberii, 1998), de la descomposicion de materiales fosiles y vegetales,
debido a alteraciones por la accion de bacterias, de la presion y de la temperatura, se
deriva el kerojeno que puede ser fuente generadora de acumulaciones de hidrocarburos
en algunas rocas sedimentarias.
La observacion de los agentes qumicos y mecanicos responsables del origen,
desintegracion y transporte de las rocas, sus caractersticas fsicas y composicion,
ha sido de vital importancia ya que se identifican aspectos y agentes influyentes
en la descomposicion de los sedimentos, su estratificacion y compactacion. Para
que el material organico llegue a transformarse en hidrocarburo deben darse ciertas
condiciones: volumen de material organico, bajo las acciones de presion, temperatura y
tiempo, su origen estabilidad, desplazamiento y finalmente el deposito del hidrocarburo
en su yacimiento natural definitivo.
2.2.
10
11
2.3.
Registros de pozos
Cuando se quiere conocer cuales son las caractersticas de los pozos petroleros, es
decir, cual es su litologa, porosidad de la roca, volumen de arcilla y permeabilidad
de la roca, las industrias se valen de registros que no son mas que graficas de
una cantidad de datos extradas del yacimiento, del que se quieren obtener ciertos
parametros petrofsicos. Estos registros presentan varias graficas que corresponden
al comportamiento de la roca cuando se le aplica alg
un instrumento especfico para
observar su reaccion.
Registro del potencial espontaneo (SP)
Seg
un PDVSA (1999),esta curva se basa en la diferencia entre el potencial electrico
de un electrodo movil en el pozo y un electrodo libre en la superficie. La curva SP se
mantiene mas o menos en una lnea recta en presencia de lutitas denominada lnea
base de lutitas. Frente a formaciones permeables la curva SP muestra desviaciones
(deflexiones) de la lnea base, cuando esa capa es de un espesor considerable la curva
tiende a un comportamiento constante dibujando una lnea que se le llama lnea
de arenas. La deflexion puede ser a la izquierda (negativa) o la derecha (positiva)
dependiendo fundamentalmente de la diferencia de salinidad entre el agua de formacion
y la de filtrado, si la salinidad del agua de formacion es mayor que la salinidad del agua
12
13
14
rayos gamma emitidos por la fuente radioactiva penetran en la formacion donde sufren
m
ultiples colisiones con los electrones, lo que ocasiona que estos pierdan energa y se
dispersen por todas las direcciones, a este fenomeno se le denomina efecto Compton.
Dado que la dispersion del Compton depende solamente de la densidad de los electrones
(n
umero de electrones por centmetro c
ubico de la formacion), la cual se relaciona con
la densidad total de la formacion, que a su vez depende de la densidad del material
de la matriz de la roca, la porosidad de la formacion y la densidad de los fluidos que
llenan los poros.
Registro neutr
onico
Se utiliza principalmente para determinar la porosidad de las formaciones. Este regis
tros responde principalmente a la cantidad de hidrogeno en la formacion, por lo tanto,
en formaciones limpias cuyos poros esten saturados con agua o aceite, el registro de
neutrones reflejara la cantidad de porosidad saturada de fluido. Como los neutrones
son partculas electricamente neutras, cada una tiene una masa casi identica a la masa
de un atomo de hidrogeno. Estos neutrones chocan con los n
ucleos de los materiales
de formacion, con cada colision el neutron pierde algo de su energa. La cantidad de
energa perdida por el neutron depende de la masa relativa del n
ucleo con el que choca
15
Captulo 3
M
aquinas de Vectores soporte
Para una mejor comprensi
on del funcionamiento de las M
aquinas de Vectores
Soporte en regresion se deben conocer las M
aquinas de Vector de Soporte para
clasificacion una vez comprendidas estas u
ltimas entender la aplicaci
on en regresion
se hace mas facil, esto es as porque para clasificar lo que se quiere tener es una franja
o t
unel donde no existen ning
un tipo de elemento y por el contrario en la regresion se
pretende que todos esten dentro, en este captulo se explican detalladamente cada una
estas definiciones.
3.1.
M
aquinas de vectores soporte para clasificaci
on
3.1.1.
Introducci
on a las MVS
17
En la actualidad, las maquinas de vectores soporte pueden ser utilizadas para resolver
problemas tanto de clasificacion como de regresion.
Las MVS han sido desarrolladas como una tecnica robusta para clasificacion y
regresion para grandes conjuntos de datos complejos con ruido, es decir con variables
inherentes al modelo, que para otras tecnicas aumentan la posibilidad de error en los
resultados pues resultan difciles de cuantificar y observar. La teora de generalizacion
y las funciones kernel son dos caractersticas claves de las MVS que le dan a gran
utilidad ya que permiten identificar correctamente observaciones no conocidas y
manejar datos no lineales sin necesidad de que se requiera conocer alg
un algoritmo no
lineal explcito.
Las MVS pertenecen a la familia de clasificadores lineales puesto que inducen
separadores lineales o hiperplanos en espacios de caractersticas de muy alta
dimensionalidad (introducidas por funciones n
ucleo o kernel) con un sesgo inductivo
muy particular (maximizacion del margen), (Carreras, Marquez y Romero, 2004).
Sin embargo, la formulacion matematica de las Maquinas de Vectores Soporte vara
dependiendo de la naturaleza de los datos; es decir, existe una formulacion para los
casos lineales y, por otro lado, una formulacion para casos no lineales. Es importante
tener claro que, de manera general para clasificacion, las maquinas de vectores soporte
buscan encontrar un hiperplano optimo que separe las clases.
3.1.2.
Las Maquinas de Vectores Soporten tienen ciertas caractersticas que las han
puesto en ventaja respecto a otras tecnicas populares de clasificacion y/o regresion.
Una de dichas caractersticas que vale la pena mencionar es que las mismas pertenecen
a las disciplinas de aprendizaje automatico o aprendizaje estadstico. La idea que
hay detras de este tipo de aprendizaje es la de hacer que las maquinas puedan ir
aprendiendo, a traves de ejemplos, las salidas correctas para ciertas entradas. Cuando
los ejemplos son pares de entrada/salida el aprendizaje es conocido como aprendizaje
supervisado. Dichos pares generalmente reflejan una relacion funcional que mapea
18
las entradas a las salidas. Los ejemplos que se utilizan para ense
nar.a la maquina
se conocen como conjunto de entrenamiento. La metodologa de aprendizaje permite
que las MVS puedan resolver problemas sin necesidad de conocer la distribucion o
naturaleza de los datos con los que se desea trabajar. Ademas, esta caracterstica
permite obviar gran parte del trabajo del dise
no y programacion inherente a ciertas
metodologas tradicionales.
Por otra parte, algunos autores como Gunn (1998) afirman que las MVS estan
ganando popularidad debido a sus tantas caractersticas atractivas, entre las cuales
destaca la incorporacion del principio de Minimizacion de Riesgo Estructural, el cual
se ha demostrado ser superior al principio tradicional de Minimizacion de Riesgo
Emprico, empleados por redes neuronales y otros metodos lineales convencionales.
Este autor explica que el principio de Minimizacion de Riesgo Estructural minimiza
un lmite superior de riesgo esperado, opuesto al principio de Minimizacion de Riesgo
Emprico que minimiza el error en los datos de entrenamiento; esta diferencia dota a
las MVS con una mayor habilidad para generalizar, es decir, tener una alta capacidad
de pronostico para nuevas observaciones.
3.1.3.
Definiciones b
asicas para las MVS
Existen diversos conceptos previos que se deben tener claros antes de entender los
fundamentos matematicos de las MVS. Algunos de dichos conceptos se presentan a
continuacion:
a. Dimensi
on VC
La dimension VC (Vapnik-Chervonenkis) es un concepto fundamental de la teora
de aprendizaje estadstico, la cual es definida como la cardinalidad del mayor
conjunto de puntos que cierto algoritmo de clasificacion puede separar. En otras
palabras, la dimension VC es un escalar que representa la capacidad de ciertas
funciones para separar un conjunto de datos (puntos) de entrenamiento. De esta
manera, si la dimension VC es h, existe por lo menos un conjunto de h puntos
que pueden ser separados
19
b. Maximizaci
on del margen
La maximizacion del margen es la idea que corresponde con exactitud a la
aplicacion del principio de Minimizacion de Riesgo Estructural. La maximizacion
del margen, definido como la distancia de las muestras de entrenamiento a la
frontera de decision, se refiere a la seleccion del hiperplano separador que esta a la
misma distancia de los ejemplos mas cercanos de cada clase. Carreras, Marquez y
Romero (2004) se
nalan que lo anterior es equivalente a decir que se debe encontrar
el hiperplano separador que esta a la misma distancia de los ejemplos mas
cercanos de cada clase, donde los ejemplos se refieren a los datos utilizados para
el entrenamiento. Ademas, mencionan que dicho hiperplano solo considera los
vectores soporte, es decir, aquellos puntos que estan en las fronteras de la region
de decision, que es la zona donde puede haber dudas sobre a que clase pertenece
un ejemplo. El modelo mas simple de las MVS, conocido como clasificador de
margen maximo, funciona solo para datos linealmente separables en el espacio
de caractersticas, por lo que no puede ser usado en muchas aplicaciones de la
vida real. Sin embargo, tal como lo afirman Cristianini y Shawe-Taylor (2000),
es el algoritmo mas facil de aprender y forma la base fundamental para MVS
mas complejas. En la figura 3.1 se muestra geometricamente el hiperplano de
margen maximo. La maximizacion del margen se encuentra dentro de la teora
de aprendizaje estadstico, especficamente dentro del principio de minimizacion
de riesgo estructural.
3.1.4.
El modelo de MVS lineal con margen maximo es el caso mas sencillo de clasificacion
de dicha tecnica. Este caso se basa en el supuesto de que el conjunto de datos es
linealmente separable en el espacio de entrada, es decir que, sin hacer ninguna
transformacion de los datos, los ejemplos pueden ser separados por un hiperplano de
manera que en cada lado del mismo solo queden ejemplos de una clase. En terminos
matematicos, esto es equivalente a decir que existe un hiperplano h:X < tal que
h(x) > 0 para los ejemplos de la clase +1 y h(x) < 0 para los ejemplos de la clase -1.
20
|h|
,
||w||
1
.
kwk
(3.1)
1iN
Escrito de otra manera, el problema puede ser resuelto a traves de la siguiente
formulacion:
Minimizar
sujeta
1
2
< w, w >
(3.2)
21
Es importante destacar que cualquiera que sea el caso que se presente para la
aplicacion de las MVS, el problema a resolver es de optimizacion con restricciones y
puede ser resuelto como un problema de programacion cuadratica. Particularmente, el
hiperplano separador de margen maximo ha demostrado una muy buena capacidad de
generalizacion en numerosos problemas reales (Carreras, Marquez y Romero, 2004).
3.1.5.
3.1.6.
22
Existen casos en los cuales los datos, debido a su naturaleza, no pueden ser
separados linealmente a traves de un hiperplano optimo, que es la idea que hay detras
de margen maximo. Sin embargo, en muchas situaciones los datos, a traves de una
transformacion no lineal del espacio de entradas, pueden ser separados linealmente
pero en un espacio de caractersticas, en el cual se pueden aplicar los mismos
razonamientos que para las MVS lineal con margen maximo. Aunque la dimension
del espacio de caractersticas puede ser bastante grande, para ciertas transformaciones
y ciertos espacios de caractersticas, se puede calcular el producto escalar usando las
denominadas funciones n
ucleo. En la figura 3.3 se puede observar un ejemplo donde
se puede encontrar un hiperplano optimo en el espacio de caractersticas, a traves de
un kernel.
23
i=1 i
maximizar
sujeta
1
2
PN
a:
i,j=1
N
X
yi yj i j K(xi , xj )
yi i = 0
(3.3)
i=1
i 0,
1iN
3.1.7.
Las MVS con margen blando se refieren a aquellos casos en los cuales los datos
no son linealmente separables, ni siquiera en el espacio de caractersticas. Tambien
es necesario este enfoque cuando los datos pueden ser clasificados linealmente en el
espacio de caractersticas pero las soluciones son sobreajustadas a los ejemplos y,
con esto, se tiende a tener mala generalizacion. Este modelo es el que precisamente
funciona bien con la inclusion de ruido pues resulta ser mucho mas robusto que los
anteriores modelos explicados.
Las MVS con margen blando incorporan variables de holgura al modelo permitiendole a las maquinas seleccionar un clasificador con cierto margen de error pero que
a su vez tienda a tener una mejor generalizacion. En otras palabras, estas variables,
cuyo valor sera siempre positivo o igual a cero, permitiran que con cierto margen
no se cumplan las restricciones estrictamente. Ademas, sera necesario incluir tantas
variables de holgura como datos se tengan, pues para cada instancia de datos se
tendra su respectiva variable de holgura.
La inclusion de variables de holgura a las restricciones en el modelo debe equilibrarse
incluyendo en la funcion objetivo un termino de regularizacion que depende de dichas
24
3.2.
M
aquinas de vector soporte en regresi
on
(MVSR)
Y = b0 + b1 X
(3.4)
25
Y = b0 + b1 X1 + + bn Xn
(3.5)
F (x) = wT (x) + b;
(3.6)
(3.7)
26
Donde
(
|y f (x, w)| =
si |y f (x, w)|
sujeto a:
Pl
i=1 (i
+ i )
yi (w xi ) b + i
yi + (wT xi ) + b + i i = 1, . . . , l.
, > 0
i i
(3.8)
Donde la constante C 0,castiga los datos que se encuentran fuera de los margenes.
Los criterios de optimizacion penalizan aquellos datos que se encuentran fuera del
tubo generado por f (x) . Esta penalizacion se representa mediante las variables de
holgura i y i ,que castigan esta desviacion positiva y negativa respectivamente, tal
como lo muestra la figura 3.4
Para resolver el problema de programacion cuadratica, se debe construir el siguiente
Lagrangiano para luego resolver el problema en su forma dual:
L = 12 kwk2 + C
Pl
Pl
Pl
T
(
+
)
+
(
n
+
n
)
+
i
i
i
i
i
i
i=1
i=1
i=1 i (i + i + yi (w Zi )
Pl
b) i=1 i (i + i yi (wT Zi ) + b)
(3.9)
27
Pl
1
2
i=1
min, D(, ) =
Pl
Pl
)
+
)(
Q
(
i
j
ij
i
i
j
i
j=1 Yi (i i )
j=1
j=1
Pl
0 , C
i = 1, . . . , l,
Pl
j=1 (i i ) = 0
i i [0, C]
(3.10)
Donde
(3.11)
f (x) =
l
X
(i i )K(xi , xj ) + b
(3.12)
i=1
Captulo 4
Metodologa
Dada la forma del proyecto, el desarrollo de este comprendio varias etapas que
facilitaron el desenvolvimiento de las actividades, llevandolas a cabo de la siguiente
manera:
4.1.
4.1.1.
Recopilaci
on de informaci
on
Revisi
on bibliogr
afica y obtenci
on de informaci
on
4.1.2.
Revisi
on y recopilaci
on de la informaci
on
29
4.1.3.
Revisi
on y recopilaci
on de informaci
on de los registros
En esta etapa se realizo un estudio de los diferentes tipos de registros con los que
se debe contar para utilizar las formulaciones petrofsicas citadas en la literatura, dado
que estas manejan variables extraidas de los registros, y que son las que permiten la
estimacion de los parametros de estudio de este proyecto.
4.2.
4.2.1.
Porosidad
Seg
un Lugo (2006), es la capacidad que tiene una roca para contener fluidos. Para
que un yacimiento sea virtualmente productivo es obvio que debe tener una porosidad
suficiente para almacenar un volumen de hidrocarburo apreciable y por ende esta
porosidad debe ser efectiva, es decir; aquella donde los granos estan interconectados
entre s. Por lo tanto este parametro se hace importante en el estudio de las rocas
productivas.
La porosidad puede expresarse en fraccion o en porcentaje. Ver ecuacion 4.1.
VP
100
( %) =
VT
Donde:
VP: Volumen poroso.
VT: Volumen total de la roca.
(4.1)
30
Dado que se conocen la mayora de las densidades de los minerales de las rocas
sedimentarias, as como la de los fluidos de los poros, la relacion entre la densidad de
la formacion y la porosidad puede entonces expresarse mediante la ecuacion 4.2.
tot =
ma b
ma f
(4.2)
Donde:
ma : Densidad de la matriz.
b : Densidad leda del registro a una profundidad dada.
f : Densidad del fluido.
La porosidad puede medirse de varias formas en este caso se hace uso del perfil
electrico de densidad de la formacion.
4.2.2.
Volumen de Arcilla
Existe una clara distincion entre los terminos arcilla y lutita, no as en la evaluacion
de perfiles, donde ambos terminos se usan indistintamente para denominar la fraccion
de la roca ocupada por arcilla o lutita. En terminos petroleros se define como arcilla
los silicatos complejos hidratados de aluminio que constituye la caolinita, illita,
montmorillonita (Esmectita), clorita y vermiculita, cuyo tama
no de partcula es
inferior a 1/256 mm. La lutita es la roca de minerales de arcilla y algunas variedades
de minerales con grano muy fino, como el oxido de hierro, micrita y materia organica.
Debido al tama
no muy peque
no que presentan las partculas de arcilla tienen una
muy alta area superficial, por lo que pueden captar de manera muy efectiva grandes
cantidades de agua, las cuales no fluyen, pero contribuyen a la respuesta de los perfiles.
La arcilla presente en las formaciones debe tomarse en cuenta para los efectos de
los analisis de registros; independientemente de su influencia sobre la porosidad y
permeabilidad, la importancia se
nalada se desprende de sus propiedades electricas, las
cuales ejercen una influencia significativa en la determinacion de las saturaciones de
fluidos.
31
GRreg GRmin
GRmax GRmin
(4.3)
Donde:
GRreg : Gamma Ray del registro.
GRmax : Gamma Ray maximo.
GRmin : Gamma Ray minimo.
4.3.
M
aquinas de vectores de soporte
32
Funcion
Lineal
K(x,y)=y*
Parametros a ajustar
Ninguno
d
K(x, y) = eg||xy||
ii. Epsilon
() que determina el ancho del tubo.
4. Entrenar la maquina.
Al entrenar la maquina, determinamos el modelo que se va a utilizar, es decir, se
identifican el n
umero de vectores de soporte y los parametros correspondientes
para el conjunto de entrenamiento.
El Error Cuadratico Medio, en ingles, Mean Square Error (MSE), es una medida de
la desviacion entre el valor real y el que predice la maquina, por lo tanto, entre menor
sea el error, mejor sera la aproximacion.Ver ecuacion 4.4.
Etapas
Salida
Descripcion
# de iteraciones
.nu / epsilon
Obj
Entrenamiento rho
Testeo
33
nSV
N
umero de Vectores de Soporte
nBSV
N
umero de Vectores de Soporte Libres
LCV MSE
CV SCC
MSE
SCC
M SE =
N
X
(i iobs )2
i=1
(4.4)
n de las formulaciones y me
todos utilizados para el ca
lculo de los
4.4 Implantacio
metros petrofsicos Porosidad y Volumen de Arcilla.
para
34
4.4.
Implantaci
on de las formulaciones y m
etodos
utilizados para el c
alculo de los par
ametros
petrofsicos Porosidad y Volumen de Arcilla.
4.5.
Herramienta de visualizaci
on.
Captulo 5
Resultados
Para presentar los resultados de este trabajo se utilizaron registros: GR, , R
proporcionados por PDVSA.
1. La figura 5.1 es el resultado final de este proyecto. Se puede observar una ventana
donde el usuario podra cargar los registros al sistema para la estimacion de
los parametros petrofsicos en estudio, esta ventana permite la visualizacion de
cada una de las curvas una vez cargados los respectivos registros y as poder
detectar comportamientos de gran utilidad para obtener conclusiones sobre el
hidrocarburo o roca presente en el pozo. Esta herramienta permite que el usuario
elija el tramo del pozo que desea observar (moverse por ventanas).
5 Resultados
36
5 Resultados
37
5 Resultados
38
5 Resultados
39
5 Resultados
40
Captulo 6
Manual del usuario
En este captulo se desarrolla un manual para el manejo de la herramienta
computacional donde fueron implantados los metodos para la estimaci
on de los
par
ametros petrofsicos Porosidad y Volumen de Arcilla, dando una descripcion
detallada de la interface que le da vida a esta herramienta.
Esta herramienta ayudara al analista para poder realizar la caracterizacion de
pozos, identificando zonas de interes al comparar las distintas graficas, con las cuales
podra saber el tipo de roca o el tipo de fluido presente, ademas el usuario tendra la
oportunidad de comparar las formulaciones petrofsicas con un modelo creado con
SVM. Siendo de vital importancia la elaboracion de un breve tutorial que oriente y
ayude al usuario en el manejo correcto y eficiente del programa, para que as obtenga
los mejores resultados y beneficios.
6.1.
Requerimientos b
asicos
6.2 Consejos
6.2.
42
Consejos
6.3.
43
44
45
46
6.3.1.
Creaci
on del modelo MVS
1. Cargar los valores del Vsh calculados con GR. Boton 6.13.
3. Para entrenar las SVM tomamos un tramo de los registros, cargados en los pasos
anteriores, que represente la litologa del pozo, esto se logra haciendo un clic sobre
el boton 6.15 con o cual se desplegara un peque
na ventana para indicar donde va
a empezar, al aceptar aparecera una nueva ventana para indicar el fin del tramo.
4. Una vez obtenido el modelo se debe realizar una validacion de este para saber
cuan bien se ajusta el modelo a los datos, para llevar a cabo este paso se hace un
clic sobre el boton 6.16 y se elige el inicio y el final de la ventana de validacion
como se hizo en el paso 3.
47
Figura 6.17: Boton para cargar registro GR y realizar estimacion con MVSR
5. Para utilizar el modelo para la estimacion del Volumen de Arcilla obtenido con
MVSR se debe cargar el archivo de Rayos Gamma a traves del Boton 6.17
Captulo 7
Conclusiones
El resultado de este proyecto de grado es la creacion de una herramienta computacional que permite estimar la porosidad y el volumen de arcilla en formaciones
rocosas, utilizando el lenguaje programacion C++ para la implementacion de las
formulaciones y QT para la visualizacion de las curvas estimadas.
Se realizaron estudios exhaustivos a los tipos de registros que fueron utilizados en
este proyecto, y as conocer el comportamiento de estos en presencia de distintos tipos
de rocas y fluidos, que permitieran estimar el volumen de arcilla y la porosidad.
Una vez revisada la bibliografa correspondiente al tema se encontraron varios
metodos que permitan realizar la estimacion de los parametros que se estaban
estudiando en este proyecto, se realizaron algunas pruebas y consultas a expertos en
la materia para saber cual de los metodos eran mas utilizado en campo.
Se logro Construir un modelo para la estimacion del Volumen de Arcilla utilizando
MVS en Regresion utilizando los registros de rayos gamma. Este modelo produce
mejores resultados que los obtenidos cuando se utilizan las formulaciones existentes.
Se implantaron los metodos para el calculo de los parametros petrofsicos, en
el lenguaje de programacion C++ y se desarrollo una interface de visualizacion
7.1 Recomendaciones
49
7.1.
Recomendaciones
Las Maquinas de Vectores Soporte pueden ser entrenadas con pocos datos y
de esta manera aprovechar su facilidad para generalizar. Tomando en cuenta esta
caracterstica se podra extraer un n
ucleo del yacimiento y medir tanto los Rayos
Gamma como el Volumen de Arcilla. Con un porcentaje de los datos obtenidos del
7.1 Recomendaciones
50
n
ucleo se podra entrenar las svm y predecir el Vsh para el porcentaje de datos
restantes del n
ucleo, para luego comparar los resultados obtenidos con los metodos
convencionales y de esta manera darle al usuario otra opcion que puede elegir para
obtener los valores del volumen de arcilla del yacimiento
En el capitulo 5 se hizo mencion de uno de los parametros necesarios para saber
la cantidad de petroleo original en sitio (POES), el segundo parametro importante
para realizar este calculo es la Saturacion de Agua. Una de las ventajas de conocer
este parametro sera poder obtener el porcentaje de hidrocarburo entrampado en la
roca y de alguna manera estimar el recobro del mismo, ya que la porosidad podra
inferir en la movilidad.
Incentivar los lazos academicos entre las Escuelas de Ingeniera de Sistemas e
Ingeniera Geologica, para el desarrollo de futuros proyectos inter-academicos.
Ampliar el uso de SVM en el calculo de otros parametros petrofsicos como la
Saturacion de Agua y la Porosidad.
Bibliografa
Barberii, E. (1998), El Pozo Ilustrado, Cuarta edicion, Fondo Editorial del Centro
de Educacion y desarrollo (FONCIED).
Carreras Xavier, M. L. y. R. E. (2004), Maquinas de vector soporte, in Hernandez
J., Ramirez M., y Ferri C., Introduccion a la Minera de Datos, Editorial Pearson,
Espa
na, pp. 353382.
Desconocido (Recuperado 01/04/2008b), Oilfield Glossary, Disponible en
www.glossary.oilfield.slb.com.
Desconocido (Recuperado 04/04/2008a), La Definici
on de Software Libre,
Disponible en http://www.gnu.org/philosophy/free-sw.es.html.
Lugo, C. (2006), Caraterizaci
on petrofsica de las subunidades c4 55 y c4 60
del yacimiento eoceno c-inferior vlc-363 frl bloque iii, Proyecto de Grado
EIGULA, Universidad de los Andes, Escuela de Ingeniera de Geol
ogica.
Milangela, A. (2006), Revisi
on gel
ogica y petrofsica de las arenas b-2-x
formaci
on misoa (eoceno este central), campo costanero distrito bolivar
lago de maracaibo estado zulia, Proyecto de Grado EIGULA, Universidad
de los Andes, Escuela de Ingeniera de Geol
ogica.
PDVSA (1999), Registros de Hoyos Desnudos y Entubados., Segunda
edici
on,Centro Internacional de Desarrollo (CIED).
Rojas, C. (2008), Caracterizacion del moelo est
atico del yacimiento u3,4,5
zm-304 de los campos zapatos, mata r, mata 10, area mayor de oficina,
BIBLIOGRAFIA
52
estado anzo
ateguit, Proyecto de Grado EIGULA, Universidad de los
Andes, Escuela de Ingeniera de Geol
ogica.
Schlumberger (1989), Principio/Aplicaciones de la Interpretaci
on de Registro.
Ap
endice A
Algunos m
etodos importantes
mencionados en el manuscrito
En este apendice se muestran algunas formulaciones importantes mencionadas en
el captulo 5 y que son las utilizadas en la actualidad por la industria para realizar el
c
alculo de reservas
A.1.
Saturaci
on de Agua
1/Rt =
Donde:
Sw : Saturacion de Agua.
Swn +
aRw
!
Vsh
Sw
Rsh
(A.1)
54
A.2.
C
alculo de Fluidos Originales en Sitio
El calculo de fluido se realiza a traves del metodo Volumetrico este permite obtener
la estimacion del hidrocarburo, a partir de la determinacion del volumen de roca que
conforma el yacimiento, la capacidad de almacenamiento de la roca, y la fraccion de
hidrocarburos presente en los poros de la misma.
Para el calculo de los fluidos Originales en Sitio en los yacimeentos utilizando el
metodo Volumetrico, se deben aplicar las ecuaciones A.2 y A.3.
P OES =
7758 A h (1 Swi )
Boi
A: Area
de l a zona de petroleo.
h: Espesor promedio de la zona zona de petroleo.
Boi : Factor volumetrico inicial del petroleo.
Rsi : Solubilidad del gas.
(A.2)
(A.3)
lculo de Reservas
A.3 Ca
55
A.3.
C
alculo de Reservas
(A.4)
Res.Rec.Gas = GOES F r
(A.5)
(A.6)
(A.7)
Donde:
Res.Rem.: Reservas remanentes .
Res.Rec.: Reservas recuperables.
F r: Factor de Recobro.
P rod.Acum.: Produccion acumulada