Aspectos Metodológico PDF

INSTITUTO MEXICANO DEL PETRÓLEO
Dirección General de Investigación y Posgrado
Presenta: Hugo Enrique Huerta Medina
Título de Protocolo
“APLICACIÓN DE LAS T-CÓPULAS A LA MODELACIÓN

ESTOCÁSTICA CONJUNTA DE POROSIDAD-PERMEABILIDAD EN
3D RESTRINGIDA POR PRUEBAS DE PRESIÓN”
Director: Dr. Martín Alberto Díaz Viera

CONTENIDO
RESUMEN
1. INTRODUCCIÓN. ................................................................................................................... 4
2. ANTECEDENTES.................................................................................................................... 5
3. ANÁLISIS DEL PROBLEMA. ............................................................................................... 13
4. OBJETIVO GENERAL. ......................................................................................................... 16
5. JUSTIFICACIÓN PARA LA APLICACIÓN EN UN PROYECTO. ....................................... 17
6. METODOLOGÍA PROPUESTA. ................................................................................................ 18
6.1 Primera parte: Modelación del patrón de dependencia utilizando t-cópulas.................................. 18
6.2 Segunda parte: Simulación 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 METODOLOGÍA PROPUESTA............................................................... 23
8. RESULTADOS ESPERADOS Y OPORTUNIDADES DE NEGOCIO. ....................................... 24
9. PROGRAMA DE TRABAJO. ...................................................................................................... 25
10. PRESUPUESTO. ........................................................................................................................ 26
11. REFERENCIAS BIBLIOGRÁFICAS. ........................................................................................ 28
12. ANEXOS. ................................................................................................................................... 30
A. ASPECTOS METODOLÓGICOS DE LA MODELACIÓN INTEGRAL GEOLÓGICA-
PETROFÍSICA DE YACIMIENTOS............................................................................................. 30
A1. Modelo geológico integrado. .................................................................................................... 30
A2. Modelado de propiedades petrofísicas. ..................................................................................... 33
B. CÓPULAS. .................................................................................................................................. 35
t- Cópula ......................................................................................................................................... 37
C. SIMULATED ANNEALING. ...................................................................................................... 39
D. FUNCIÓN OBJETIVO. .............................................................................................................. 44
E. PROMEDIOS DE PERMEABILIDAD. ....................................................................................... 46
F. DEFINICIONES DE GEOESTADÍSTICA. .................................................................................. 47
G. CONCEPTOS BÁSICOS DE ESTADÍSTICA. ............................................................................ 48
H. REGIMENES DE FLUJO EN EL YACIMIENTO ....................................................................... 49
I. PRUEBAS TRANSITORIAS DE PRESIÓN ................................................................................. 51
J. DETERMINACIÓN DEL VOLUMEN Y POTENCIA PROMEDIO............................................. 58
Volumen promedio ......................................................................................................................... 58
Promedio de potencias .................................................................................................................... 60
__________________________________________________________________________________
MODELACÍON ESTOCÁSTICA DE LA PERMEABILIDAD UTILIZANDO T-CÓPULAS Página 2 de 61
RESUMEN.
Para proporcionar predicciones más precisas de flujo de fluidos, el modelo numérico de distribución de la
permeabilidad utilizado por simuladores de flujo debe ser consistente con todos los datos geológicos y de
ingeniería. Estos incluyen la permeabilidad de núcleos, estadísticas relevantes de la permeabilidad
(histogramas, mediciones de la variabilidad espacial y la correlación con variables secundarias como la
porosidad, etc.) y mediciones de la permeabilidad obtenidas de pruebas de pozo. El propósito de la
metodología es crear modelos de distribución de la permeabilidad en 3D que reproduzcan estos datos.
Los algoritmos de simulación tradicionales son incapaces de respetar los patrones complejos de la
distribución de las propiedades así como los datos provenientes de una prueba de presión. 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 cópulas. Esto se lleva a cabo utilizando un método
estocástico con una t-cópula que reproduzca los patrones de dependencia observados de la distribución
bivariada porosidad-permeabilidad.
La permeabilidad efectiva inferida de una prueba de pozo, restringe la posible distribución 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 integración de toda la información estática y
dinámica disponible.
__________________________________________________________________________________
1. INTRODUCCIÓN.
La simulación del flujo de fluidos es herramienta fundamental para la administración de un campo, siendo
un medio para el entendimiento de la respuesta del yacimiento antes de implementar esquemas de
explotación o recuperación. Los parámetros que alimentan a la simulación numérica del yacimiento se
obtienen a partir del modelo Geológico-Petrofísico durante la etapa previa de caracterización estática del
mismo.
Actualmente la manera internacional más aceptada de obtener la distribución de las propiedades

petrofísicas del yacimiento se realiza mediante la modelación geológica-petrofísica integrada, donde todas
las fuentes de información disponible (modelo geológico conceptual, datos de núcleos, registros, sísmica,
etc.) son respetadas y contribuyen en un enfoque multidisciplinario interactivo. Este proceso de
integración se realiza usando mayormente modelos estocásticos con un enfoque geoestadístico. Esto se
debe, principalmente a que siempre tenemos relativamente poca información a la escala que se desea
modelar el yacimiento y que la información disponible por sí misma posee incertidumbre. Por lo que,
como es bien conocido, la mejor manera de manejar la incertidumbre en un modelo matemático es
mediante el enfoque estocástico.
El parámetro más importante y determinante en la simulación numérica del flujo de fluidos en un

yacimiento lo constituye la permeabilidad. Por su naturaleza, la permeabilidad resulta difícil de estimar y
de modelar. Usualmente ésta es modelada mediante ciertas dependencias funcionales con otras
propiedades petrofísicas, mayormente la porosidad, y se usan sobre todo modelos de regresión porosidad-
permeabilidad de tipo lineal para construir su distribución 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, además de que de esta forma la
permeabilidad prácticamente imita el comportamiento espacial observado en la porosidad, lo cual es
completamente erróneo.
En este protocolo se propone el uso de las t-cópulas para modelar el patrón de dependencia complejo
porosidad-permeabilidad que se observa en los datos de núcleos y registros del yacimiento, de manera que
se respete su variabilidad y valores extremos. Una vez escalados los datos de porosidad-permeabilidad al
tamaño de celda del modelo geológico-petrofísico y luego de realizar la distribución de la porosidad, el
modelo bivariado obtenido con la t-cópula es usado para producir la distribución espacial en 3D de la
permeabilidad mediante la aplicación del método de optimización estocástica conocido como recocido
simulado (simulated annealing, SA), en donde se trata de reproducir además, la correlación 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 presión.
La metodología propuesta debe aplicarse en el marco de la modelación geológica-petrofísica integrada de

yacimientos, por lo que se modelará y distribuirá la permeabilidad por unidades litoestratigráficas y dentro
de éstas por litofacies o clases petrofísicas, es decir, por grupos de rocas que presenten el mismo patrón de
dependencia porosidad-permeabilidad.
__________________________________________________________________________________
2. ANTECEDENTES.
Los antecedentes se presentan divididos en dos partes: en la primera se revisan los conceptos básicos
relacionados con el estudio. En la segunda, se presenta un número de técnicas principalmente
geoestadísticas que permiten integrar la información 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 geológicos complejos es una tarea difícil. Un gran numero de conceptos y
consideraciones hacen posible el tratamiento de este difícil problema.
Facies
La facies se basan en una evaluación de las variables geológicas como el tamaño de grano o
mineralización, 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 (ø) se define como la relación del volumen de espacio poroso y el volumen neto de la roca
del yacimiento. Es un parámetro adimensional y se puede expresar en fracción o por ciento.
La porosidad puede ser un parámetro difícil 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 clasificación.
Una clasificación general y simple del sistema poroso se basa en el proceso genético responsable de la
formación 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 después de la depositación y

de la compactación inicial. Es fuertemente dependiente de las características de los sedimentos (tamaño de
grano, forma y clasificación) y tiende a decrecer con el tiempo y profundidad del sepultamiento.
La porosidad secundaria se relaciona a los esfuerzos tectónicos que afectaron los sedimentos después del
sepultamiento y/o la circulación de aguas subterráneas. Los procesos de formación tienden a generar
fracturas mientras que los últimos son responsables de la disolución, depositación, recristalización y
procesos de dolomitización que afectan la roca del yacimiento después de la depositación.
__________________________________________________________________________________
Otra forma simple y común de clasificar la porosidad hace uso del concepto de poros aislados, lo cual
permite la distinción entre la porosidad total y la interconectada o efectiva. La descripción y la
cuantificación de la porosidad es una etapa muy importante en los procesos de caracterización.
Medición de la porosidad.
A. Mediciones en núcleos.
B. Interpretación de registros.
Herramientas sónicas.
Herramienta de densidad.
Herramienta de neutrones.
Resonancia magnética 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 través de los poros intercomunicados. Si los poros no
están conectados, no existe permeabilidad; por consiguiente, es de esperar que exista una relación entre la
permeabilidad de un medio y la porosidad efectiva.
La permeabilidad se ve afectada por la presión de sobre carga; el tamaño, acomodo y forma de los
granos; la distribución de los mismos de acuerdo con el tamaño y el grado de cementación y
consolidación.
Existen tres tipos de permeabilidad:
Absoluta o específica. 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 líquido 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,
también se mide en Darcys. Cuando dos o mas fases están fluyendo simultáneamente en el medio poroso
permeable, la permeabilidad efectiva de una fase dada es menor que la permeabilidad absoluta y está en
función de la saturación de la fase. Conforme a lo anterior y considerando que un medio puede estar
saturado por aceite, gas y agua; ko, kg, y kw representan las permeabilidades efectivas del aceite, gas y
agua, respectivamente.
Permeabilidad relativa. Es la razón entre la permeabilidad efectiva y una permeabilidad base. Se pueden
utilizar diferentes bases, dependiendo de los cálculos.
Una característica de la permeabilidad es que es una cantidad direccional expresada mediante un tensor y
que con frecuencia muestra anisotropía, la cual se debe a la orientación y alineación de los granos, la
presencia de arcillas u horizontes limosos. Desde el punto de vista del concepto de integración se requiere
de un entendimiento profundo de las implicaciones estáticas y dinámicas de la permeabilidad.
__________________________________________________________________________________
Mediciones de la permeabilidad.
A. Análisis de núcleos.
B. Registros.
C. Pruebas de pozo.
D. Correlaciones Empíricas.
a. Relaciones Porosidad-Permeabilidad.
b. Regresiones Lineales Múltiples.
c. Ecuaciones empíricas.
E. Redes Neuronales.
Modelo Geológico
Descripción de los rasgos geológicos-estructurales del yacimiento (fallas, delimitación de unidades

geológicas, tipos de rocas y su distribución, etc.). La relevancia del modelo geológico se ha enfatizado
repetidamente, siendo ampliamente reconocido que la descripción estática, en términos de geometría y de
propiedades petrofísicas, es uno de los principales factores que controlan el desarrollo de producción del
campo.
Modelo Petrofísico
Distribución de las propiedades petrofísicas de roca y fluidos (porosidad, permeabilidad, saturación, etc.).
La definición de un modelo petrofísico consistente no es una tarea fácil, especialmente cuando los datos
están dispersos y/o son de baja calidad. En todos los casos, la correcta integración de toda la información
disponible permite que este modelo sea más confiable.
Modelo estructural
El modelo estructural en 3D representa el marco de trabajo geométrico básico del yacimiento. Este
modelo se completa con superficies internas correlacionables, usualmente definidas a través de
aproximaciones cronoestratigráficas basadas en la secuencia estratigráfica. Eventualmente, el modelo es
poblado con facies y/o propiedades petrofísicas, a fin de generar lo que se conoce como modelo litológico
del yacimiento (Anexo A).
Distribución de las propiedades petrofísicas.
Análisis de la variación lateral de las propiedades petrofísicas con el propósito 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 asignación de facies mediante
mediciones de núcleos. En la ausencia de mediciones directas de núcleos, los datos de registros de pozo
pueden ser datos duros. Todos los otros tipos de datos incluyendo registros y sísmica son llamados datos
suaves y se deben calibrar con los datos duros.
__________________________________________________________________________________
Geoestadística
Actualmente, la geoestadística es el conjunto de técnicas 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 están correlacionados unos con otros es decir, que existe una dependencia
espacial. La geoestadística, permite un amplio número de modelos equiprobables (realizaciones) mediante
simulaciones estocásticas. Dentro del área de ciencias de la tierra, el propósito de estas realizaciones
consiste en proveer al modelador alternativas plausibles que representen de manera integrada y coherente
los aspectos geológicos, geofísicos y de ingeniería de yacimientos que son relevantes para el yacimiento.
Las técnicas geoestadísticas están siendo utilizadas para generar los modelos de distribución de
propiedades petrofísicas (porosidad y permeabilidad) 3D requeridos para la simulación del yacimiento
(Bratvold and Holden, 1994).
Métodos comunes para generar estimaciones y distribuciones de la permeabilidad.
2.2.1 Métodos comunes de estimación de la permeabilidad en el yacimiento.
Correlaciones Empíricas.
El modo más común de estimar la permeabilidad es mediante algún predictor de la permeabilidad,

típicamente en forma de una ecuación empírica. Esto normalmente requiere de un conjunto de datos para
la calibración, el cual está constituido por uno o más pozos clave donde la información completa en
términos de datos de registros y núcleos esté disponible. Este conjunto de calibración es utilizado para
construir el predictor y probar la fiabilidad de los resultados.
Los tres tipos de predictores de la permeabilidad más comunes son: las relaciones porosidad-
permeabilidad, las regresiones lineales múltiples y las ecuaciones empíricas.
El objetivo de todas estas técnicas es la estimación de la permeabilidad absoluta en condiciones in situ ya

que los parámetros que se usan provienen de mediciones de registros de pozo.
a. Relaciones Porosidad-Permeabilidad.
El predictor de la permeabilidad más usado es la relación de porosidad-permeabilidad. Ha sido

ampliamente reconocido que la mayoría de las rocas de los yacimientos muestran en una escala
semilogarítmica una relación razonablemente lineal entre estas dos propiedades, como se muestra en la
figura 2.1, lo cual permite la estimación de la permeabilidad cuando está 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 clásticas homogéneas, estas relaciones muestran muy
baja dispersión por lo que la regresión lineal puede ser utilizada razonablemente para propósitos de
__________________________________________________________________________________
predicción Mientras que en otros casos, como es frecuente para las formaciones carbonatadas, esta
relación es muy dispersa por lo que no es recomendable la regresión como método de predicción.
Una buena práctica en la estimación de la permeabilidad consiste en la separación en grupos o

categorías que muestren un comportamiento más homogéneo, este concepto también se aprecia en
la figura 2.1. El modo más simple de agruparlas es por áreas, estratos o unidades. Aunque mejores
resultados se obtienen cuando se agrupan por facies (litotipos) cuando esta clasificación se ha hecho por
sus propiedades petrofísicas.
k (mD)
Ø (%)
Fig. 2.1. Correlación porosidad-permeabilidad (Geological Survey, 2006).
b. Regresiones Lineales Múltiples.
En muchos casos, incluso en yacimientos clásticos, la relación porosidad-permeabilidad es demasiada

dispersa como para reproducirse de manera confiable por una regresión lineal simple. Esto ocurre cuando
las variables petrológicas (cementación, distribución del tamaño del grano, alteración diagenética, etc.)
juegan un papel importante en la estructura de poro de la roca. En estos casos se requiere de un enfoque
más sofisticado que pueda tomar en cuenta la influencia de otras propiedades además de la porosidad.
El método de regresión lineal múltiple es una técnica más compleja con respecto a la regresión lineal
simple pero usualmente permite una estimación rápida y confiable de la permeabilidad en la mayoría de
los yacimientos. La metodología se basa en la estimación de los coeficientes c de la ecuación de regresión
múltiple:
__________________________________________________________________________________
LogK = c0 + c1 x1 + c 2 x 2 + ... + c n x n …..2.1
La estimación se realiza utilizando uno o más pozos clave, donde existan valores de permeabilidad en
núcleos. La ecuación resultante se puede aplicar al resto de los pozos donde las variables independientes
son conocidas. Estas deben ser seleccionadas de los parámetros que tengan un fuerte impacto en la
permeabilidad, como son: porosidad, saturación de agua y volumen de arcilla, pero también profundidad y
posición geográfica para tomar en cuenta las tendencias verticales y laterales.
Como en el método de regresión simple, se puede trabajar con grupos o subconjuntos, especialmente
agrupando por facies, y mediante la aplicación de algún esquema ponderado a los datos usualmente a los
rangos altos y bajos de permeabilidad. Esto permite reducir el efecto de suavizado de la regresión, aunque
tiene la desventaja de producir resultados sesgados, ya que la elección de los pesos es subjetiva.
c. Ecuaciones empíricas.
En general, estas ecuaciones hacen uso de la información más disponible, como la porosidad o la
saturación de agua para derivar un perfil de permeabilidad en las ubicaciones de los pozos.
Las ecuaciones proveen estimados de la permeabilidad en base al tamaño y distribución de los espacios
porosos. En base a esto, las correlaciones empíricas 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 tamaño 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 producción o inyección, cuando se cambia su gasto o cuando se cierra,
el yacimiento reacciona con un comportamiento de presión 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 aplicación de las ecuaciones básicas de flujo para la interpretación de una presión 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 técnicas.
La permeabilidad inferida de una prueba de pozo tiene información importante debido a que otras
mediciones están a una escala de magnitud más pequeñas que los bloques de la malla utilizados en la
simulación. Una prueba de presión provee una sola permeabilidad efectiva en la cercanía del pozo.
__________________________________________________________________________________
2.2.2 Técnicas de interpolación
Kriging
Método geoestadístico de estimación local que ofrece el mejor estimador lineal insesgado de una
propiedad que se esta estudiando. Utiliza un modelo de variograma para la obtención de datos. Kriging
calcula los pesos que se darán a cada punto de referencias usadas en la valoración. Esta técnica de
interpolación se basa en la premisa de que la variación espacial continúa con el mismo patrón.
Fue desarrollada inicialmente por Danie G. Krige a partir del análisis de regresión de datos, fijando la base
de la geoestadística lineal.
Se considera optimo ya que es insesgado (el valor esperado del error es cero) y minimiza la varianza de la
estimación es decir, reduce al mínimo la varianza del error.
Co-Kriging
Es la estimación conjunta de variables aleatorias regionalizadas. Comúnmente conocido como Kriging

conjunto es el análogo del Kriging de una función aleatoria. Mientras el Kriging utiliza la correlación
espacial para determinar los coeficientes en el estimador lineal, el Co-Kriging utiliza la correlación
espacial y la correlación entre funciones aleatorias al mismo tiempo. Es útil 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 aplicación, la estimación directa o conjunta de una combinación lineal de
funciones aleatorias (FA’s).
2.2.3 Simulación estocástica.
Durante muchos años únicamente se usaron métodos de interpolación, pero en los últimos 10 años se ha
incrementado la aplicación de técnicas estocásticas, las cuales ofrecen la posibilidad de estudiar la
variabilidad espacial de una propiedad dada del yacimiento (o una combinación de propiedades) y
explotar estas relaciones en la definición del modelo del yacimiento. También, permiten integrar
diferentes fuentes de información, en particular la sísmica en 3D a través del uso de los atributos sísmicos.
La idea básica detrás de las simulaciones estocásticas, consiste en obtener nuevas realizaciones
“artificiales” ( ZS(x) ) de una función aleatoria Z(x) de manera tal que éstas posean las mismas
propiedades estadísticas de la FA Z(x). Por lo general no se conoce con precisión las propiedades
estadísticas de la FA; cuando más, se puede inferir a través de una sola realización o muestra de la función
aleatoria. Entonces se intenta obtener realizaciones simuladas que sean estadísticamente equivalentes a la
muestra que se posee de la FA.
La equivalencia estadística, significa que todas las realizaciones tengan la misma distribución de
probabilidad de la función aleatoria que se simula. En la mayoría de los casos solo satisface la esperanza
matemática, 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 información disponible es
fragmentada y se limita al conocimiento de unos pocos puntos muestrales, se hace uso de la simulación de
esta realidad en base a un modelo, interpretando su distribución espacial de una propiedad (en nuestro
caso petrofísica) como una realización particular de la función aleatoria Z(x). Esta función aleatoria es
caracterizada por su función de distribución de probabilidad o por su media, varianza y covarianza de los
datos disponibles.
La simulación tiene la ventaja de ser conocida en todos los puntos y no solamente en los puntos
experimentales. Con frecuencia al fenómeno simulado se le llama “modelo numérico” del fenómeno real.
Simulación condicionada.
En muchas aplicaciones, resulta óptimo quedarse con aquellas realizaciones que en los puntos muestrales
coinciden los valores simulados ZS(x) con los valores reales o experimentales ZM(x). A estas realizaciones
de la función aleatoria se le conoce como “simulaciones condicionales” ZSC(x).
La simulación condicional puede perfeccionarse agregando información cuantitativa del fenómeno real.
Entre los métodos de simulación más comunes se encuentran: el método Secuencial Gaussiano, el método
Secuencial Indicador, el de Simulación Gaussiana Truncada, etc. (Deutsch 2002)
En particular nos interesará para aplicar en nuestra metodología el método de Recocido Simulado
(Simulated Annealing), ver Apéndice C, debido a que por ser un método de optimización estocástica es
muy flexible y permite de manera sencilla y directa introducir restricciones al modelo estocástico Deutsch
1994).
__________________________________________________________________________________
3. ANÁLISIS DEL PROBLEMA.
La descripción precisa del yacimiento y su modelación es difícil dada la considerable incertidumbre en la

distribución espacial de las propiedades de la roca del yacimiento. Las propiedades petrofísicas, necesarias
para la simulación del flujo y las estimaciones in-situ, generalmente son muestreadas en muy pocas
ubicaciones dentro del yacimiento. La naturaleza implícita esparcida de la información disponible nos
conduce a considerar modelos estocásticos para la distribución de las propiedades del yacimiento. La idea
es construir modelos numéricos de las litofacies del yacimiento y las propiedades de la roca que
reproduzcan todos los datos disponibles, como son mediciones de núcleo, registros de pozo,
interpretaciones sísmicas, geológicas y de pruebas de pozo, considerando múltiples realizaciones, de tal
forma que cada una sea consistente con la información disponible.
La predicción del comportamiento del yacimiento requiere de un exhaustivo conocimiento de la

distribución espacial de las propiedades de la roca y de los fluidos del yacimiento. La distribución real fue
creada por interacciones complejas de diferentes procesos físicos y químicos durante tiempos geológicos y
sólo se podrían conocer mediante un exhaustivo muestreo. Por lo tanto, en todas las situaciones prácticas
la distribución verdadera permanecerá desconocida.
Sin el completo conocimiento de las propiedades del yacimiento, el comportamiento exacto o la respuesta
de un yacimiento a cualquier esquema de producción es desconocido. Aunque la respuesta real sea
desconocida, se puede construir un modelo numérico que aproxime el comportamiento observado del
yacimiento.
Previo a la simulación del flujo, las propiedades petrofísicas tales como la porosidad, permeabilidad y
saturación 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 asignación de las propiedades en los bloques de
la malla. Adicionalmente, en los datos disponibles no existe un modelo único de las distribuciones de las
propiedades petrofísicas. La idea detrás de la modelación estocástica del yacimiento es generar un número
de modelos numéricos alternativos (realizaciones) que sean consistentes con los datos conocidos.
En realidad sólo existe una distribución verdadera de estas propiedades sin embargo hay muchos modelos
estocásticos de la distribución espacial consistentes con los datos disponibles. Finalmente solo hay un
valor verdadero para cada propiedad petrofísica. Potencialmente cada realización da una respuesta
diferente dando una distribución de probabilidad para cada variable como se muestra en la figura 3.1.
La manera más usual para calcular la permeabilidad es a través de algún estimador, típicamente en forma
de una ecuación empírica (Balan et al., 1995). Esto normalmente requiere que de un conjunto de datos
para la calibración que esté constituido por uno o más pozos donde exista la información detallada en
términos de datos de núcleos y de registros. Este conjunto de datos de calibración es usado para ajustar el
estimador y para verificar el grado de fiabilidad de los resultados.
__________________________________________________________________________________
Distribución de las propiedades roca/fluido
Distribución de las propiedades roca/fluido
Distribución real
Modelos estocásticos múltiples
Proceso de recuperación
Proceso de recuperación
Proceso actual implementado
Modelo numérico del proceso
Respuesta del yacimiento Respuesta del yacimiento
Respuesta verdadera Distribución de posibles respuestas

Fig. 3.1. Ilustración esquemática de los modelos estocásticos del yacimiento.
__________________________________________________________________________________
El enfoque de regresión simple, usando el formalismo estadístico en lugar del determinístico, busca
predecir el valor promedio condicional, o el valor esperado de la permeabilidad, correspondiente a un
conjunto dado de parámetros. Para diferentes áreas o facies se pueden ajustar diferentes ecuaciones. Las
principales desventajas de este método consisten en que la variabilidad de los datos (en términos de la
varianza y la desviación estándar) 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 estimación de los valores extremos, los cuales desde el punto de
vista del flujo son los valores más interesantes ya que pueden representar zonas de alta permeabilidad o
barreras impermeables.
El método de regresión lineal subestima la dispersión de los datos originales y no reproduce los valores
extremos.
En el caso de las ecuaciones empíricas, solo proveen estimados irregulares de la permeabilidad. El

problema principal de esta aproximación es que, la permeabilidad es dependiente del tamaño y
distribución de los espacios de poro de la roca, y este parámetro 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. Más aún, cuando estamos en presencia de
información incompleta, lo cual es lo usual en la modelación de yacimientos, no contamos con datos
suficiente para representar en su justa proporción los valores extremos de la permeabilidad, por lo que en
muchos casos éstos son subestimados.
__________________________________________________________________________________
4. OBJETIVO GENERAL.
Aplicar una metodología estocástica dentro de un marco integral de modelación geológica-petrofísica de

yacimientos que permita generar modelos de la distribución espacial de la permeabilidad en 3D tomando
en cuenta la información estática (datos geológicos, de núcleos, de registros de pozo y sísmicos) y
dinámica (pruebas de pozos) disponible.
El modelo estocástico consiste en aplicar la técnica Recocido Simulado (Simulated Annealing) (SA)
usando la distribución de probabilidad bivariada porosidad-permeabilidad generada mediante la
simulación con Monte Carlo de la t-cópula que reproduce el patrón de dependencia porosidad-
permeabilidad observado en los datos.
Una vez obtenidas las realizaciones del modelo estocástico restringidas a datos estáticos se propone el uso
de la información dinámica (permeabilidad efectiva derivada de pruebas de presión), condicionando la
permeabilidad promedio en la cercanía del pozo.
__________________________________________________________________________________
5. JUSTIFICACIÓN PARA LA APLICACIÓN EN UN PROYECTO.
Para analizar el flujo de fluidos en el medio poroso del yacimiento, primero se debe construir el modelo.
geológico-petrofísico Este modelo describe aproximadamente la distribución espacial de las propiedades
físicas que gobiernan el flujo de fluidos. El modelo geológico-petrofísico del yacimiento debe incorporar
todos los datos disponibles, de esta forma se reduce la incertidumbre en los modelos del yacimiento. El
propósito es que al integrar todos los datos disponibles se darán modelos más confiables, y por lo tanto se
reducirá la incertidumbre de las predicciones (Roggero and Hu, 1998.)
Los valores de porosidad y permeabilidad atribuidos a los bloques de la malla son parámetros esenciales
para la explotación del yacimiento. Por ejemplo, las concentraciones de valores de permeabilidad altos en
ciertas áreas 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 geoestadística es de gran utilidad para construir imágenes probables de los
yacimientos, mediante la caracterización de la variabilidad espacial de la propiedad que se estudie. La
incorporación de las pruebas de presión, también nos da información acerca de la permeabilidad, para su
integración al modelo.
La finalidad de dar los modelos del yacimiento a partir de métodos geoestadísticos es incorporarlos o tener
un punto de partida en las simulaciones de flujo de fluidos y reproducir los datos dinámicos obtenidos del
yacimiento. Los siguientes pasos muestran el seguimiento que se habría de llevar a cabo en un proyecto de
modelación del yacimiento.
1. Un modelo de yacimiento inicial, llamado modelo de yacimiento geológico, generado con

herramientas geoestadísticas. Restringido a los datos estáticos y dinámicos.
2. El modelo geológico del yacimiento inicial se enmalla y se detalla. Antes de llevar a cabo un
ajuste de historial que involucre simulaciones de flujo, el número de bloques de la malla se deben
reducir. El modelo geológico es simplificado utilizando técnicas de escalamiento.
3. Se realiza una simulación de flujo para el modelo de yacimiento simplificado, el cual imita su
comportamiento dinámico. Se comparan los datos dinámicos con la respuesta dinámica del
modelo.
4. Generalmente la respuesta de la simulación no reproduce los datos dinámicos. Se debe modificar

nuevamente el modelo del yacimiento. Ésta modificación o procedimiento de ajuste involucra
problemas de optimización.
__________________________________________________________________________________
6. METODOLOGÍA PROPUESTA.
La metodología a desarrollar consiste en extender a nivel de yacimiento, es decir, a tres dimensiones la

aplicación del modelo geoestadístico-estocástico para la permeabilidad usando t-cópulas (Díaz and Casar,
2005), originalmente propuesto a escala de registros de pozo, y restringirlo por los valores de
permeabilidad obtenidos en pruebas de presión.
El enfoque de Díaz y Casar, es una modificación del método de simulación geoestadística 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 simulación estocastica de la porosidad y la permeabilidad

utilizando una t-cópula empírica (Perkins and Lane, 2003) la cual reproduce el patrón de dependencia de
la distribución bivariada porosidad-permeabilidad así como sus correspondientes distribuciones
individuales (marginales) observadas en los datos.
En la segunda parte se aplica el método de simulación 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 presión, en este esquema de
simulación estocástica.
6.1 Primera parte: Modelación del patrón de dependencia utilizando t-cópulas.
Consiste en muestrear de forma estocástica pares de valores (porosidad-permeabilidad) de su distribución

bivariada obtenida a partir de una cópula, la cual reproduce distribuciones bivariadas empíricas por cada
unidad litológica. Es importante aclarar que la metodología se hace por unidad litológica y se parte de la
premisa de que se tiene la distribución de la litología, así como de su porosidad y algunos datos de
permeabilidad (suaves o duros).
Sklar creó una nueva clase de funciones a las que nombró cópulas (Sklar, 1959). Una cópula es una
función que liga o “acopla” a la función de distribución multivariada con sus funciones de distribución
unidimensionales también conocidas como marginales (Nelson, 1999), ver figura 6.1.
En general las cópulas pueden ser definidas para funciones de distribución de más de dos variables
aleatorias, pero para los propósitos de este proyecto nos restringiremos sólo el caso bivariado.
Una de las propiedades más importantes de las cópulas es que éstas permiten especificar la dependencia
entre variables aleatorias de manera completamente separada de la especificación de sus distribuciones
__________________________________________________________________________________
marginales. Más aún, mediante cópulas se puede prescribir la dependencia entre variables aleatorias
uniformes y después transformarlas a cualquier distribución marginal deseada.
Fig. 6.1. Cópula t-student. Galiani 2003.
Existen varias familias de cópulas entre las que se encuentran las cópulas Gaussianas y las cópulas de la t
de Student (t-cópulas), las cuales pertenecen a una clase más amplia conocida como cópulas elípticas.
En particular, las t-cópulas (anexo B) modelan patrones de dependencia no lineales entre datos bivariados
de propiedades petrofísicas, figura 6.2. La razón de dicha elección se debe a que ha sido mostrado
recientemente que las t-cópulas son generalmente superiores comparadas con las cópulas Gaussianas
respecto a su capacidad para reproducir mejor los valores extremos (Breymann et al., 2003).
Fig. 6.2. Distribución bivariada de dos propiedades x.
__________________________________________________________________________________
La forma de llevar a cabo la primera etapa de la metodología es:
1. Estimar el rango de correlación τK ó ρs de la permeabilidad y la porosidad de las

distribuciones que se presentan por unidad geológica.
Donde τK : es la τ de Kendall.
ρs : es la ρ de Spearman. Ver anexo C.
2. Obtener el coeficiente de correlación lineal correspondiente rK ó rs , 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 empíricas de la permeabilidad k y la porosidad ø.
6.2 Segunda parte: Simulación de la permeabilidad con simulated annealing (SA).
La segunda parte es generar múltiples modelos de distribución (simular la permeabilidad) utilizando SA.
La distribución 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 empírica.
El interés en la metodología del SA (anexo C), se basa en la habilidad que tiene para respetar una gran
variedad de datos como estructuras geológicas y a pruebas de pozo las cuales están más allá de la
capacidad de técnicas convencionales.
La característica esencial de los métodos annealing es perturbar iterativamente una realización inicial
construida fácilmente. La realización inicial pudiera ser construida mediante la asignación aleatoria de
valores en todos los nodos a partir de un histograma representativo. Las perturbaciones son aceptadas o
rechazadas tomando cierta decisión. La regla de decisión se basa en como la función objetivo ha
cambiado es decir, como la perturbación ha traído la imagen candidata que mas se acerque a las
propiedades deseadas.
El primer paso es construir una función objetivo (Anexo D) la cual mida la diferencia entre características
espaciales de referencia y aquellas de una realización candidato. El problema de optimización consiste en
sistemáticamente modificar una realización inicial construida para que todas las partes de la función
objetivo sean minimizadas a cero.
En el contexto de la modelación 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 distribución bivariada obtenida de las copulas.
2. Definir la función objetivo como una medida de la diferencia entre las características
deseadas y las características de la realización.
__________________________________________________________________________________
3. Perturbar el modelo visitando aleatoriamente los nodos de la malla y asignando nuevos

valores de permeabilidad. El nuevo valor debe provenir de la distribución bivariada
dado un valor de porosidad en cada unidad litológica.
4. Aceptar la perturbación si la función objetivo decrece; aceptarla si ésta se incrementa,
bajo una probabilidad de aceptación.
5. Continuar el procedimiento de perturbación hasta que se logre un estado de energía
mínimo. Los estados de energía bajos corresponden a modelos numéricos 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 presión transitorias proveen de información critica acerca de las propiedades del
yacimiento a una escala significativamente mayor que las obtenidas de núcleos o registros.
Específicamente, la permeabilidad relativa inferida de una prueba de presión restringirá la distribución
espacial de la permeabilidad cercana al pozo.
Una forma de condicionar los modelos de yacimiento estocásticos 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 presión medida. Tal selección puede ser práctica cuando se tiene pruebas para
un solo pozo.
La idea es tomar realizaciones que ya hayan ajustado otros datos disponibles (e.g., núcleos, registros,
sísmica) y modificarlos con la técnica SA para ajustar las respuestas de pruebas de pozo.
Debido a que no es posible llevar a cabo una simulación completa de flujo 3D después de cada
perturbación llamada para el SA, ya que tomaría demasiado tiempo, de alguna forma los datos de pruebas
de pozo deben traducirse en una propiedad fácilmente actualizable reteniendo su flexibilidad en
diferenciar sistemas heterogeneos.
La permeabilidad relativa cerca del pozo, inferida de pruebas de presión es un parámetro crítico obtenido
de la interpretación de la prueba. Las consideraciones esenciales y las bases matemáticas para la
interpretación 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 ke que relacione algún volumen cercano del pozo. En 1989 Alabert (Alabert, 1989)
propuso imponer ésta ke en los modelos estocásticos a través de una función objetivo en la técnica SA.
Para incluir la permeabilidad efectiva en los modelos se debe utilizar una ley de escalamiento empírica
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 específico V para modelar un promedio total no lineal de los bloques de permeabilidad como las
medidas por una prueba de pozo. La suposición es que los valores de permeabilidad de los bloques se
promedian linealmente después de una transformación de potencia no lineal con la ecuación 6.3.
1
1 ω
k (ω ) =  ∑ i  .....6.3
k (u ) ω
N u i ∈V 
Donde k (ω ) es la permeabilidad promedio de los N valores de permeabilidad k(ui),i=1,…,N, en las

ubicaciones ui dentro del volumen de interés V. La potencia (ω) varía entre -1 y 1 correspondiente a los
promedios armónicos y aritméticos de la permeabilidad (Anexo E).
Una vez que el volumen promedio V y el tipo de promedio son conocidos se considera una función
objetivo como:
Oc = [k welltest − k realization ] .....6.4

2
Donde kwelltest es la permeabilidad efectiva derivada de la prueba de pozo y krealization es la permeabilidad

efectiva de la realización candidato, ecuación 6.3. Cuando el valor en un nodo k(u) es perturbado a k’(u) la
new old
permeabilidad efectiva se actualiza a k realizatio n desde k realizatio n por medio de:
k new
realization (
 old
=  k realizatio n )
ω 1 1 ω
− k (u ) ω + k ' (u ) ω  .....6.5
 N N 
Esta rápida actualización numérica remplaza una simulación de flujo completa para llegar a una nueva
permeabilidad efectiva para cada realización candidato. Para implementar esta aproximación numérica, se
deben definir el volumen promedio V y la potencia promedio ω. Ver apéndice J.
La metodología para incluir los datos de las pruebas en los modelos estocásticos tiene los siguientes pasos:
1. Calcular V y ω para ser utilizados en la ec. 6.3.

2. Perturbar las realizaciones. Utilizando como función objetivo la ecuación 6.4.
3. Actualizar los valores de las realizaciones por medio de la ecuación 6.5.
4. Una vez alcanzado el mínimo global en la función objetivo, validar la reproducción de la prueba de
pozo real con el modelo obtenido.
__________________________________________________________________________________
7. BENEFICIOS DE LA METODOLOGÍA PROPUESTA
En particular, el uso de cópulas y los datos de las pruebas de pozo en la modelación del yacimiento tienen
las siguientes ventajas:
1. Las cópulas permiten modelar adecuadamente patrones de dependencia complejos entre las
propiedades petrofísicas (porosidad-permeabilidad). Esta es una alternativa a los métodos
tradicionales como los de regresión, ya que no se requiere de la existencia de un modelo de
dependencia funcional entre estas propiedades.
2. Con las cópulas se reproducen con suficiente precisión los valores extremos y la variabilidad
(varianza) observada en los datos, eliminando las desventajas principales que presentan los
métodos de regresión.
3. Con respecto al método 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.
Además, esta metodología podría servir como paso previo para generar muestras más
representativas que se usarían durante la etapa de aprendizaje del método de redes neuronales.
4. No existe la necesidad de realizar la transformación logarítmica de la permeabilidad, y

consecuentemente, se evita el sesgo potencial que podría introducirse debido a que se elimina el
procedimiento de transformación hacia atrás.
5. Al incluir la distribución empírica simulada mediante una t-cópula en la modelación con simulated
annealing , se reproduce automáticamente el histograma (la distribución empírica) de la
permeabilidad.
6. No existe ninguna limitación para que esta metodología se aplique de forma restringida por facies
o clases petrofísicas en un marco de modelación geológica-petrofísica integrada.
7. La permeabilidad efectiva de las pruebas de presión, restringe los valores de permeabilidad por
celdas dentro del radio de influencia de la prueba.
8. Mediante el modelo estocástico se pueden obtener múltiples realizaciones que permiten evaluar la
incertidumbre inherente a los modelos de distribución de la permeabilidad.
9. Finalmente, la metodología propuesta resulta muy flexible, ya que permite escoger dentro de las
realizaciones estocásticas generadas por el modelo la que resulte más apropiada para el proceso de
ajuste de la historia de producción del yacimiento en un marco de optimización.
__________________________________________________________________________________
8. RESULTADOS ESPERADOS Y OPORTUNIDADES DE NEGOCIO.
Los resultados que se esperan al llevar a cabo la aplicación de la metodología:
1. Crear modelos estocásticos restringidos a datos estáticos y dinámicos.
2. Evaluación de la incertidumbre del modelo geológico-petrofísico para un campo en

específico, mediante las múltiples realizaciones que se obtienen.
3. Generar modelos de yacimientos que reproduzcan los historiales de producción cuando se

lleve a cabo la simulación numérica, y al mismo tiempo respeten tanto la información
estática como dinámica disponible.
4. Los modelos generados se pueden utilizar para predecir el desarrollo del yacimiento
mediante el conocimiento de la distribución espacial de la porosidad-permeabilidad.
Las oportunidades de trabajo que se espera son:
1. Llevar a cabo la generación del modelo de la permeabilidad en campos que cuenten con
relativamente poca información geológica, geofísica y dinámica obtenida de los pozos en
explotación o en desarrollo.
2. Actualización de modelos geológicos en campos maduros.
3. Refinar modelos del yacimiento, que no ajusten los historiales de producción.
4. Contribuir al área de simulación numérica con modelos más confiables.
5. Evaluación de la respuesta de un yacimiento a diferentes esquemas de recuperación

secundaria o mejorada.
__________________________________________________________________________________
9. PROGRAMA DE TRABAJO.
PROGRAMA DE TRABAJO
Año 2007
ACTIVIDADES Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1. Recopilación y revisión de bibliografía
2. Adquisición de licencias del software
3. Aprendizaje del uso de Software
Año 2007
1. Aprendizaje del uso de Software
2. Programación de la metodología
3. Correcciones a la metodología programada
4. Selección del campo de estudio
5. Recopilación de la información del campo
6. Modelación de la permeabilidad del campo
7. Correcciones de la modelación
Año 2008
1. Análisis de los resultados
2. Elaboración de reporte
__________________________________________________________________________________
10. PRESUPUESTO.
A) ESTIMACIÓN (HORAS-HOMBRE) DEL ESFUERZO REQUERIDO PARA REALIZAR

EL PROYECTO Y PERFILES DE LOS PARTICIPANTES.
Categoría del personal Horas-Hombre

Líder de proyecto 560
Coordinador del proyecto 1120
Especialista 4000
Especialista 4000
Total= 9680
B) COSTO ASOCIADO AL PROYECTO (CAPÍTULO 10000)
Personal Horas-Hombre Precio de venta (pesos) Monto (Pesos)

Líder 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
Alimentación 26, 400.00
__________________________________________________________________________________
11. REFERENCIAS BIBLIOGRÁFICAS.
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, Nº. 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. Nº
1, pp. 67-82.
9. Coates GR, Chen HC: “A new approach to improved log derived permeability. SPWLA 14th
Annual Logging Symposium, Lafayette. 1973
10. Dean S. Oliver: “The Averaging Process in Permeability Estimation From Well-Test Data”. SPE.
September 1990.
11. Díaz-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-González: “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. Carrièr: “Copulas”, Mathematical and Statistical Sciences, University of Alberta, Edmonton,
Canada
17. José Juan Quesada – Molina: “What Are Copulas?”, Monografías del seminario de Matemáticas.
García 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, Nº. 4598, pp. 671-680.
20. Luca Cosentino: “Integrated Reservoir Studies”, Institute Française du pétrole 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. Mickaële Le Ravelec – Dipin: “Inverse Stochastic Modeling of Flow in Porous Media. Application
to Reservoir Characterization”. Française du pétrole 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 METODOLÓGICOS DE LA MODELACIÓN INTEGRAL GEOLÓGICA-

PETROFÍSICA DE YACIMIENTOS.
A1. Modelo geológico integrado.
La definición del modelo geológico constituye una de las más 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 Estratigráfico
3) Modelo Litológico
4) Heterogeneidades del Yacimiento
• Modelo Estructural
Identifica el marco geométrico básico de la trampa de hidrocarburos y define sus fronteras.
La construcción del modelo estructural del yacimiento consiste en:
- Definir el mapa estructural de la parte superior de la acumulación de hidrocarburos

- Interpretar el patrón de fallas que afecta al yacimiento
• Modelo Estratigráfico
Define las superficies que delimitan las principales unidades de flujo del yacimiento a partir de la
correlación de todos los pozos. Es decir, define el marco o la estructura interna del yacimiento.
El trabajo de correlación potencialmente involucra un considerable número de disciplinas tales como:

sísmica, estratigrafía de secuencias, sedimentología, interpretación de registros de pozos, bioestratigrafía,
geoquímica, mineralogía, estudios de afloramientos, etc.
• Modelo Litológico
Un modelo litológico detallado del yacimiento representa una herramienta poderosa para guiar la
distribución de propiedades petrofísicas del mismo.
__________________________________________________________________________________
El modelo litológico se construye integrando:
- Modelo sedimentológico conceptual (representación conceptual del yacimiento)

- Clasificación en tipos de Facies (litotipos) o de Clases Petrofísicas.
- Distribución de Facies (litotipos) o de Clases Petrofísicas.
Modelo sedimentológico conceptual
El modelo sedimentológico y depositacional suministra una evaluación semi-cuantitativa de los

parámetros geométricos para el proceso de modelación estocástica (funciones de covarianzas, forma y
dimensión de las unidades del yacimiento).
Descripción y clasificación de litofacies: Se realiza a partir de núcleos y su objetivo es la clasificación de

la roca del yacimiento desde el punto de vista litológico y depositacional.
Definición del modelo depositacional: Se usa toda la información obtenida en la fase anterior para
identificar el marco sedimentológico (fluvial, deltaico, marino superficial, etc) así como el proceso
depositacional (corrientes de alta o baja energía, flujos de detritos).
Clasificación de Facies
El concepto de facies es particularmente adecuado para estudios integrales de yacimientos ya que pueden
ser consideradas como el volumen elemental práctico del yacimiento y representan el bloque básico para
la construcción de modelos geológicos en 3-D. Las facies son la herramienta para transferir la información
geológica a través de las diferentes etapas de un estudio.
En estudios simples se reduce a la definición de dos tipos de facies: la que constituye al yacimiento y la
que no. Cuando se tiene información de buena calidad, es decir cuando se identifican un número mayor de
facies, se puede intentar un enfoque más sofisticado basado en el tratamiento estadístico multivariado de
los datos. En este caso:
Las facies se definen en los núcleos, luego se identifican en los registros, finalmente se agrupan en un
número reducido que se denominan litotipos. Se usan técnicas como el análisis de agrupamiento (cluster
analysis) y componentes principales. Cuando las propiedades petrofísicas del yacimiento no están
directamente controladas por las facies (litotipos) se puede usar un enfoque alternativo en términos de
clases petrofísicas (agrupamiento por propiedades petrofísicas).
Es conveniente aclarar que nuestro interés no está en cómo los tipos de facies están definidos, sino en
cómo construir distribuciones realistas en 3-D de las facies de manera que puedan ser usadas
posteriormente en la toma de decisiones durante la modelación del yacimiento. Las facies deben poseer
un control significativo sobre las funciones de la porosidad, la permeabilidad, o de la saturación, de otra
manera, la modelación de la distribución en 3-D de las facies será de poco beneficio ya que la
incertidumbre no se reducirá y los modelos resultantes no tendrán un mayor poder predictivo.
__________________________________________________________________________________
Caracterización de las facies
Consiste en definir los parámetros litológicos, depositacionales y petrofísicos típicos de cada facie.
Distribución de Facies usando un modelo estocástico
La modelación estocástica representa un enfoque particularmente adecuado para la descripción del

yacimiento ya que permite la integración de una gran variedad de información cuantitativa (dura) y
cualitativa (suave), y a la vez que nos brinda una medida de la incertidumbre del mismo. Esta se basa en:
- Conocimiento geológico: Es sintetizada mediante las funciones de distribución de varias facies

(curvas de proporción vertical y variogramas). El modelo depositacional del yacimiento nos
provee de un medio adicional para inferir la longitud de correlación de las facies (rango o
alcance del variograma) o las dimensiones promedio de las unidades.
- Modelo estructural: Mientras que las características estructurales como las fallas regionales son
definidas de manera determinística usando datos sísmicos, las características de las fallas
locales y fracturas pueden ser simuladas con modelos estocásticos. Los parámetros
característicos de éstas (densidad y orientación) son obtenidos a nivel de núcleos y registros, y
luego extrapolados a todo el yacimiento.
- Modelo petrofísico: El modelo obtenido en la fase de interpretación cuantitativa de los registros
se puede extender por modelación estocástica. Se hace mediante valores promedios funciones
de distribución de probabilidad de las propiedades petrofísicas asociadas con cada facies.
- Datos sísmicos: Dan información sobre la distribución lateral de los cuerpos geológicos. Son
usados (imágenes en tiempo, amplitud o impedancia) para el cálculo de las funciones de
distribución espacial de las facies. Se integran en el proceso de simulación de propiedades
petrofísicas.
- Datos dinámicos: La integración de datos dinámicos (pruebas de pozos y datos de producción)
mediante las técnicas estocásticas de simulación representa un reto importante, ya que ofrecen
información a gran escala y relativa al flujo esencial para la construcción de modelos de
yacimientos confiables.
Modelos de simulación estocástica para la caracterización de yacimientos
Actualmente los métodos más usados son de dos tipos:
1. Basados en Celdas (o continuos)
- Se considera a la variable a ser simulada como una realización de una función aleatoria continua
cuya distribución (usualmente Gaussiana) es caracterizada con diferentes umbrales (valores de
corte) los cuales identifican diferentes facies o diferentes rangos de propiedades petrofísicas.
__________________________________________________________________________________
2. Basados en Objetos (o booleanos)
- Generan distribuciones espaciales de cuerpos sedimentarios obtenidos mediante la superposición

de geometrías simplificadas como: láminas, discos o sinusoides.
- Los parámetros de los objetos (orientación, sinuosidad, longitud, ancho, etc) pueden estimarse en
base al modelo sedimentológico, los datos sísmicos, análogos de superficie y las
interpretaciones de las pruebas de pozos.
Evaluación de la Incertidumbre Geológica
Al menos existen cuatro grandes fuentes de incertidumbre en un modelo geológico típico:
- Calidad de los datos e interpolación

- Modelo estructural y modelo estratigráfico
- Modelo estocástico y sus parámetros
- Realizaciones igualmente probables
• Heterogeneidad del Yacimiento
Son características geológicas que van de pequeña a gran escala y que pueden no ser significativas desde
el punto de vista estrictamente estático en la caracterización pero que tienen un impacto significativo en
el flujo de los fluidos.
La relación entre la heterogeneidad del yacimiento y los parámetros dinámicos del campo es uno de los
puntos claves de un estudio integral ya que esto determina el grado de detalle y la precisión que puede ser
alcanzado en la descripción geológica.
A2. Modelado de propiedades petrofísicas.
Los valores de las propiedades petrofísicas se asignan dentro de una facie de forma que reproduzcan las
características estadísticas representativas (histograma, variograma, correlación con otra variable) de la
propiedad para dicha facie mediante simulaciones geoestadísticas.
Las propiedades petrofísicas como porosidad y permeabilidad son modeladas dentro de cada facies y capa
del yacimiento. Las propiedades petrofísicas dentro de la mayoría de las facies deben ser asignadas de
manera que reproduzcan el histograma, el variograma y la correlación con respecto a variables
secundarias.
La porosidad es la concentración volumétrica de espacios de poros. Su variabilidad a diferentes escalas se

comporta en general de manera lineal. Mientras que la permeabilidad no es una propiedad intrínseca de la
roca. Depende de las condiciones de frontera fuera del volumen de la medición. Puede variar en varios
órdenes de magnitud a diferentes escalas. Para su modelación:
__________________________________________________________________________________
a) Los datos deben ser corregidos a las condiciones de fluido y presión del yacimiento.
b) La anisotropía 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 relación de anisotropía 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 deposición en diferentes épocas. Las propiedades del yacimiento
dentro de la misma facies en diferentes capas pueden tener características similares. Sin embargo, deben
ser modeladas separadamente debido a que pertenecen a sistemas de coordenadas estratigráficos
diferentes. Mientras que las propiedades dentro de diferentes facies en una misma capa son
significativamente diferentes y no están relacionadas. Las propiedades dentro de diferentes facies pueden
ser modeladas de manera independiente cuando las facies no están relacionadas.
Las propiedades en diferentes facies pueden estar relacionadas unas con otras, es decir, existe una
correlación en las propiedades petrofísicas a través de la frontera de las facies.
Existen varios enfoques:
a) Ignorar la correlación 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 modelación de las otras facies.
En muchos casos existen datos secundarios que pueden ser considerados:
o la impedancia sísmica está correlacionada negativamente con la porosidad,

o la permeabilidad está correlacionada con la porosidad
o la saturación de agua está correlacionada con la permeabilidad
o la sísmica o la inversión de datos de producción nos ofrecen una fuente externa de información.
Típicamente la modelación se realiza de manera secuencial.
Usualmente se procede:
1. Primero se modela la porosidad usando la sísmica como variable secundaria.

2. Luego se modela la permeabilidad usando la porosidad como variable secundaria.
Una sola realización de porosidad y permeabilidad debe ser considerada por cada realización de facies. La
geometría de las facies es usualmente mucho más importe para el flujo, por lo que no es necesario generar
demasiadas realizaciones de porosidad y permeabilidad.
__________________________________________________________________________________
B. CÓPULAS.
En los años 50’s surgieron los primeros trabajos de la relación entre una función de distribución
multivariada y sus marginales dimensionales mas bajos (uní variado o de mayores dimensiones).
La respuesta a este problema para el caso de marginales uní variados fue dado por A. Sklar en 1959
creando una nueva clase de funciones a las que llamo cópulas.
Estas nuevas funciones son restricciones a [0,1]2 de funciones de distribución bivariadas cuyos
marginales son uniformes en [0,1]. Sklar mostró que si H es una función de distribución bivariada con
marginales F(x) y G(y), entonces existe una cópula C tal que H(x,y) = C(F(x),G(y)), figura B1 y B2.
El concepto de cópula juega un papel importante en la probabilidad y estadística, particularmente en

problemas relacionados a la dependencia, dados marginales y funciones de variables aleatorias que son
invariantes bajo transformaciones monótonas.
Una cópula es una función la cual une o ‘junta’ una función de distribución multivariada (d.f) a su
función de distribución 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 u1, u2, v1, v2 en [0,1] tales que u1<=u2 y v1<=v2, C(u2,v2) – C(u2,v1) – C(u1,v2) + C(u1,v1) >=0
para todo u1<=u2, v1<=v2
Las copulas se pueden definir informalmente de la siguiente manera:
Sean X y Y variables aleatorias continuas con funciones de distribución marginales F(x) = P(X ≤ x) y
G(y) = P(Y ≤ y) y la función de distribución conjunta H(x,y) = P(X ≤ x , Y ≤ y). Entonces existe una
cópula 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 cópula.
Para toda x y y en Ķ. Si F y G son continuas, entonces C es única. De otra forma, la cópula es únicamente
determinada en Ran(F)xRan(G). Por el contrario, si C es una cópula y F y G son funciones de
distribución, entonces la función H definida por (1) es una función de distribución conjunta con
marginales F y G.
Así, las cópulas ligan las funciones de distribución conjuntas a su marginal uno-dimensional.
__________________________________________________________________________________
Fig. B1. Estructura de una cópula. M. Armstrong, 2002.
B2. Ilustración de una cópula. M. Armstrong, 2002.
__________________________________________________________________________________
Al utilizar las copulas se pueden capturar la naturaleza de la escala-invariante de la asociación

(dependencia) entre las dos variables. Las mediciones de la escala invariante de la asociación mas
conocidas son la τ de Kendall y la ρ de Spearman. Estos rangos de correlación miden el grado para el cual
valores pequeños o grandes de una variable aleatoria se asocian con valores pequeños o grandes de otra.
Sin embargo, a diferencia del coeficiente de correlación lineal r, miden la asociación solo en términos de
rangos. Como consecuencia el rango de correlación se preserva bajo cualquier transformación
monotonica. En particular, el método de transformación descrito preserva el rango de correlación. Por lo
tanto conociendo el rango de correlación de la t-distribución bivariada se determina exactamente el rango
de correlación de la variable aleatoria transformada final. Mientras que r aun es necesario para
parametrizar la t-distribución bivariada subyacente, la τ de Kendall o la ρ de Spearman son mas útiles en
la descripción de la dependencia entre variables aleatorias, debido a que son invariantes a la elección de
distribuciones marginales. Para la t-distribución, hay una relación simple entre la τ de Kendall o la ρ de
Spearman y el coeficiente de correlación linear dados por:
τ K = (2 / π )arcsen(r ) ó r = sen(τ K π / 2) …..B2
ρ s = (6 / π )arcsen(r / 2) ó r = 2 sen( ρ s π / 6) …..B3
t- Cópula
La t-cópula es una representación de la estructura de dependencia implícita en una t-distribución

multivariada. La t-cópula n-variada se puede definir como:
( )
C vt , µ ,Σ (u1 ,..., u n ) = t n,v t1−,v1 (u1 ),..., t1−,v1 (u n ) …..B4
Donde:
tn,v ≡ tn,v(µ, Σ) es la t-distribución n-variada con v grados de libertad, vector principal µ y una matriz de
dispersión positiva determinada Σ.
Debido a que la cópula tiene la propiedad de permanecer invariante bajo una estandarización de la
distribución marginal, la cópula de un tn,v(µ, Σ) es idéntica a aquella distribución tn,v(0, R) donde R es la
matriz correlación implicada por la matriz dispersión Σ. De esta forma, una t-cópula bivariada se puede
expresar por:
( )
C vt ,r (u1 , u 2 ) = t 2,v t1−,v1 (u1 ), t1−,v1 (u 2 ) …..B5
Donde r es el coeficiente de correlación lineal y es el valor del elemento fuera de la diagonal principal en
la matriz R.
__________________________________________________________________________________
El algoritmo para la simulación numérica de una distribucion bivariada con un coeficiente de correlación r
dado y distribuciones marginales por medio de una t-copula es simple. El algoritmo (Díaz- Casar 2005) es
el siguiente:
a. Generar un par aleatorio t-distribuido bivariado ( x1 , x2 ) ~ t2, v (0, R) (x1,x2)
b. Obtener un par distribuido uniforme u1 = t1, v ( x1 ) y u2 = t1, v ( x2 )
c. Transformar y1 = F1−1 (u1 ) y y2 = F2−1 (u2 ) , donde Fi −1 (ui ), i = 1,2 son las funciones
cuantiles de los marginales.
__________________________________________________________________________________
C. SIMULATED ANNEALING.
Es un método heuristico que permite la generación de simulaciones condicionales sujetas a restricciones

complejas. Se utiliza como un método de optimización (Kirkpatrick, 1983) para problemas combinatorios.
La idea central detrás del simulated annealig (SA) es la analogía con la termodinámica, específicamente
con la forma en que los materiales se enfrían y cristalizan (annealing). Conforme la temperatura es
disminuida lentamente las moléculas se alinean en cristales, lo cual representa el estado mínimo de
energía para el sistema. La probabilidad de distribución de Boltzman expresa la idea de que un sistema en
equilibrio térmico a una temperatura T tiene las energías de sus moléculas componentes distribuidas
probabilisticamente entre todos los estados de energía E.
−E
P{E} ≈ e k bT
…..C1
Kb es una constante natural que relaciona la temperatura con la energía.
Incluso a una baja temperatura hay una probabilidad de que la energía sea un poco alta, es decir, en
ocasiones un sistema presentara estados de energía mínimos globales.
Un sistema cambiará de una configuración de energía E1 a una energía de configuración E2 con una
probabilidad
− ( E2 − E1 )
p=e kb T
…..C2
En el SA se considera un exponencial o una distribución de Boltzman con un parámetro de decremento.
Simulated annealing
Fig. C1. Aceptación de las perturbaciones en el SA.
__________________________________________________________________________________
El sistema siempre cambia si E2 es menor que E1 (paso favorable), algunas veces son tomados cambios
desfavorables. A ello se le conoce como algoritmo de Metropolis (Metropolis 1953).
La primera aplicación directa al fenómeno espacial fue publicada en 1954 con la restauración de imágenes
degradadas (Geman and Geman, 1954). Farmer dio la publicación del algoritmo de simulated annealig
para la generación de los modelos de tipo de roca (Farmer, 1991).
La contribución esencial del simulated annealing es la prescripción de cuando aceptar o rechazar una
perturbación dada.
1, si Onew ≤ Oold 

 
P{accept} =  Oold − Onew 
e t , de lo contrario 
Todas las perturbaciones favorables son aceptadas y todas las no favorables se aceptan con una
probabilidad de distribución exponencial. El parámetro t es análogo a la “temperatura” en el annealing.
Entre mas alta sea la temperatura es mas probable que la perturbación desfavorable sea aceptada.
La temperatura t no debe ser reducida muy rápido de lo contrario se puede quedar atrapado en una
situación sub-optima y nunca converger. El cómo reducir la temperatura se le conoce como “annealing
schedule”. A continuación se presenta una alternativa práctica. La idea es iniciar con una temperatura alta
t0 y reducirla mediante un factor λ siempre que se hayan aceptado suficientes perturbaciones (Kaccept) o se
hayan tratado varias Kmax.
Los parámetros para el Annealing Schedule son:
t0: temperatura inicial
λ: factor de reducción 0<λ<1
Kmax: número máximo de perturbaciones a una temperatura (del orden de 100 veces el numero de nodos).
La temperatura se multiplica por lambda siempre que se alcance Kmax.
Kaccept: blanco de aceptación. Después de aceptar las perturbaciones Kaccept (un orden de 10 veces el
numero de nodos) la temperatura se multiplica por lambda.
S: número de paro. Si se alcanza la Kmax en S veces entonces el algoritmo se detiene (usualmente 2 o 3).
∆O: función objetivo baja que indica convergencia
La función objetivo se puede establecer para reproducir restricciones geoestadísticas tradicionales. Esto
es, una distribución espacial que reproduzca un histograma dado, modelo de variograma y los valores de
los datos en sus ubicaciones.
A continuación se muestra un diagrama del algoritmo y una descripción detallada de la metodología

(Deutsch, 1994).
__________________________________________________________________________________
Generar una imagen con la

proporción correcta de cada tipo
de roca
Calcular la función 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 función objetivo nueva: O(nueva)
Naccept=Naccept + 1
Si Actualizar imagen
O(nueva) < O(anterior)
O(anterior) = O(nueva)
No
Escribir resultados y finalizar
Si
O(nueva) < limite de convergencia
No Si
Ntry = Kmax l > S
Si
No l = l +1 No
Si
Naccept = K(accept) c = Lambda c
No
Fig. C2. Algoritmo para simulated annealing.
__________________________________________________________________________________
d. Generación de la malla. No hay limitación intrínseca de que los N puntos estén en una malla
regular; sin embargo, muchas de las características espaciales que entran en la función
objetivo, en particular muchas de las estadísticas multipunto, son más simples de calcular
cuando los valores de z están en una malla regular.
El sistema coordenado se establece especificando las coordenadas en el primer bloque (xmn,

ymn, zmn), número 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 ubicación del nodo. En la figura 6.1 se
muestran los parámetros mencionados.
El eje X es asociado a la dirección Este, el eje Y es asociado a la dirección Norte y Z es la

elevación.
Fig. C3. Esquema de la malla regular para llevar a cabo la simulación.
b. Lectura de parámetros. Todos los parámetros de entrada se leen de un archivo.
c. Establecer estadísticas de control. Las estadísticas de control (Anexo G) o referencia

implican covarianzas de dos puntos, covarianzas indicador multipunto, histogramas
multipunto. En principio, no hay límite en el número de estadísticas que pueden entrar en la
función objetivo. Los valores de control de cada estadística se pueden establecer de la siguiente
forma:
1. Los valores de control se pueden introducir explícitamente en el programa, por

ejemplo los valores de covarianza experimental o valores numéricos especificados
por un modelo analítico.
2. Una segunda alternativa es utilizar un patrón de control para calcular directamente
las estadísticas de control necesarias.
__________________________________________________________________________________
d. Establecer la imagen inicial. Se necesita de una imagen inicial como realización inicial para
cada ejercicio de simulación. Se puede hacer de la siguiente forma:
1. Se puede generar una realización diferente para cada simulación nueva cambiando
aleatoriamente cada valor nodal desde la cdf F(z) estacionaria.
2. La misma imagen de entrada leída de un archivo de entrada se puede utilizar
como punto de inicio de todas las realizaciones.
e. Calcular las estadísticas de la imagen inicial. Se necesita de un cálculo inicial global antes
de llevar a cabo una actualización. Las estadísticas imagen iniciales pueden ser valores de
control y valores de realización.
f. Calcular la función objetivo inicial. En este punto todos los valores de control y de
realización para cada componente de la función objetivo global son conocidos. Cada
componente de la función objetivo global es calculada y pesada para que todos los
componentes puedas ser minimizados a cero durante la optimización/simulación.
g. ¿Es suficientemente mínima la función objetivo?. Cuando la función objetivo ha sido

minimizada lo suficiente o los intentos no han sido exitosos, se da el resultado de la realización
en un archivo de salida. En ese punto se comienza otra simulación si se desea.
h. Perturbar imagen, actualizar estadísticas y funciones objetivo. Se lleva a cabo uno de los
siguientes mecanismos un numero de veces especifico.
1. Los valores de dos nodos ui y uj son cambiados.

2. El valor de un nodo ui se reemplaza por un valor aleatorio desde la cdf F(z)
estacionaria global.
i. La regla de decisión se aplica después de un número de perturbaciones. Después de cada

perturbación los componentes de la función objetivo que se pueden actualizar localmente, se
actualizan. Luego de realizar la perturbación se evalúa la función objetivo, en el caso de haber
mejoría se acepta la perturbación, en el caso de empeorar la función objetivo, ésta se acepta
bajo cierta probabilidad de aceptación, lo cual permite que el método esquive mínimos locales
y funcione como un método de optimización global.
j. Decisión de aceptar la perturbación. Se puede aplicar el criterio de aceptación del recocido

simulado. Con el parámetro temperatura controlado por un Annealing Schedule (Anexo C) o
uno dado por el usuario.
k. Actualización de la imagen. Si se acepta la perturbación, la imagen, las estadísticas de la

imagen y la función objetivo imagen se actualizan.
l. Actualizar la regla de decisión. La regla de decisión se actualiza después de cada

perturbación (sea aceptada o no). En ciertos casos, esta actualización ajustará la función
objetivo a cero para forzar al algoritmo a no perturbar la imagen y moverse a la siguiente
simulación.
__________________________________________________________________________________
D. FUNCIÓN OBJETIVO.
El simulated annealing (SA), requiere una función de energía u objetivo que mida la cercanía a los datos o
características deseadas (Deutsch, 1994). En general existen múltiples fuentes de datos que son
codificadas como funciones objetivo componentes. Estos componentes son puestos en forma conjunta en
una suma ponderada para obtener la función objetivo total:
Nc
O = ∑ wi Oi …..D1
i =1
Donde Nc es el número de componentes, wi, i=1,…,Nc son los pesos y Oi, i=1,…,Nc son las funciones
objetivo componentes. A continuación se listan algunas funciones objetivo componentes posibles y
posteriormente se discute el procedimiento para determinar los pesos.
Cada función objetivo componente Oi es una expresión matemática para hacer cumplir algunos datos o
transmitir algún carácter 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 índice * en
las siguientes funciones objetivo denota la propiedad del modelo en 3D; sin índice indica la propiedad
objetivo. Algunos ejemplos son:
Todos los modelos deben reproducir los datos de facies locales, porosidad y permeabilidad obtenidos de
núcleos y de registros de pozo. Estos datos pueden ser forzados dentro del modelo por construcción, esto
es, asignándolos a los nodos o pueden reproducirse como parte de la función objetivo. Funciones objetivo
para datos locales:
∑ [i(uα ; k ) − i ; k ]
ndatos n facies
∑
2
Oi = *
…..D2
α =1 k =1
[Z (uα ) − Z ]
ndatos
OZ = ∑
α =1
* 2
…..D3
Donde uα, α=1,…,ndatos son las ubicaciones de los datos, i es el indicador de la facie, Z es una variable
continua como la porosidad, permeabilidad o saturación de agua. Puede haber diferente número de datos
por cada variable.
Otras variables que se pueden tomar en cuenta como funciones objetivo componentes que se pueden tomar
en consideración para mejorar un modelo de distribución son:
Funciones de distribución acumulativas de las variables a un cuantil en particular.

Los variogramas de la correlación espacial.
Las distribuciones bivariadas entre la porosidad y la permeabilidad. Donde la distribución bivariada se
discretiza en clases de porosidad y permeabilidad.
Datos sísmicos, como la impedancia acústica.
__________________________________________________________________________________
Datos dinámicos como los de las pruebas de pozo.
Las funciones objetivo componentes deben ser positivas y deben disminuir a cero cuando los datos o
estadísticas espaciales son reproducidas por la realización.
Las unidades de cada función objetivo componente Oc son diferentes. Además, la razón a la cual decrece
cada función objetivo es diferente. Es necesario ponderar cada componente para asegurar que todos los
componentes i se consideran en la función objetivo global. Primero los pesos son determinados para
asegurar que cada componente tiene una igual importancia. Después, podemos incrementar la importancia
de una función objetivo componente en particular.
El propósito detrás de las ponderaciones wc, c=1,…,C, es que cada componente c juegue un rol igualmente
importante en la función objetivo global. La magnitud de la función objetivo solo afecta indirectamente la
decisión de aceptar o rechazar una perturbación. Todas las reglas de decisión están basadas en el cambio
de la función objetivo, es decir,
∆O = Onew − Oold …..D4
[ ]
C C
∆O = ∑ wc ∆Oc = ∑ wc Ocnew − Ocold …..D5
c =1 c =1
Las ponderaciones wc, c=1,…,C se establecen de tal forma que cada componente contribuya igualmente al
cambio en la función objetivo ∆O. Esto es, cada ponderación es inversamente proporcional al cambio
promedio de esa función objetivo componente.
1
wc = , c = 1,..., C …..D6
∆Oc
En la práctica, el cambio promedio de cada componente ∆Oc no puede calcularse analíticamente; sin
embargo, se puede aproximar numéricamente evaluando el cambio promedio de M perturbaciones
independientes (1000):
M
1
∆ Oc =
M
∑O
m =1
( m)
c − Oc , c = 1,..., C …...D7
Donde ∆Oc es el cambio promedio por componente c, Oc( m ) es el valor objetivo perturbado y Oc es el
valor objetivo inicial.
__________________________________________________________________________________
E. PROMEDIOS DE PERMEABILIDAD.
Media generalizada
La media generalizada (Alabert, 1989)es una abstracción de los diversos tipos de media (geométrica,
aritmética, armónica, etc).
Se define como:
En donde el parámetro m indica el tipo de media:
Con m=1. La media aritmética o promedio, de una cantidad finita de números, es igual a la suma de
todos ellos dividida entre el número de sumandos.
∑
n
x x1 + ... + xn
x= i =1 i
= …..E1
n n
Con m=0. La media geométrica de una cantidad finita de números (digamos n números) es la raíz n-
ésima del producto de todos los números.
n
x=n ∏x
i =1
i = n x1.x2 ...xn …..E2
Con m=-1. La media armónica de una cantidad finita de números es igual al recíproco, o inverso, de la
media aritmética de los recíprocos de dichos números.
Así, dados los números x1, x2, ... , xn, la media armónica será igual a:
n n
x= = …..E3
1 1 1
∑i =1 x
n
 + ... + 
i  x1 xn 
Obsérvese que para valores de la expresión sólo tiene sentido si todos los .
__________________________________________________________________________________
F. DEFINICIONES DE GEOESTADÍSTICA.
Alcance (range): Para el modelo esférico, la distancia en la que el modelo alcanza el valor máximo, o sill
(meseta). Para los modelos gausianos y exponencial, que se aproximan a la meseta asintóticamente. Se usa
el término alcance para designar el alcance ‘práctico’ o ‘efectivo’ donde la porción alcanza
aproximadamente el 95 % del máximo. 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 estadística de la correlación entre dos variables. En Geoestadística, la

covarianza es usualmente tratada como la simple inversión del variograma, calculado como la varianza
total de la muestra menos el valor del variograma. Estos valores de covarianza, así como los valores del
variograma, se utilizan en las ecuaciones de la matriz de Kriging para una mayor eficiencia de cálculo.
Función Aleatoria: Puede ser vista como una colección de variables aleatorias que dependen de la
posición.
Intervalo (lag): Intervalos de distancia de la clase usada para calcular el variograma.
Kriging: Método de interpolación del valor medio ponderado donde los pesos asignados a las muestras
minimizan la varianza del error, la que se calcula como una función del modelo de variograma y
localizaciones de las muestras relacionadas unas con las otras, y del punto o bloque que está siendo
estimado.
Kriging Ordinario: Es un tipo de Kriging que asume que la media local no está necesariamente cercana a
la media de la población, y que usa solamente para el estimado la muestra para la vecindad local. Es el
método usado mas comúnmente por su robustez.
Meseta (sill): Límite superior de cualquier modelo de variograma acotado, al que tiende asintóticamente
para grandes distancias. Para el modelo lineal, la relación ‘sill/rango’ se usa para definir la pendiente.
Semi-Variograma: Es sinónimo de ‘variograma’. No hay acuerdo en la literatura geoestadística de cual

término debe usarse y se usan ambos indistintamente.
Variograma: Gráfico de la semivarianza (la mitad de la diferencia media cuadrada) como una función de
la distancia (y de la dirección) entre pares de valores muestrales. Típicamente, son examinadas todos los
pares de muestras y agrupadas en clases (intervalos) de distancia y dirección aproximadamente iguales.
Los variogramas aportan un significado de cuantificación de la relación observada comúnmente de que las
muestras cercanas entre ellas tienden a tener valores más similares que las muestras mas alejadas.
Es la herramienta central de la Geoestadística, ya que da una descripción adecuada de la escala y del

patrón de la variación espacial dentro de una región dada. Los procesos de Kriging, optimización del
muestreo y los cálculos de probabilidades condicionadas utilizan la información de la variación espacial
obtenida de los variogramas.
__________________________________________________________________________________
G. CONCEPTOS BÁSICOS DE ESTADÍSTICA.
Variable Aleatoria (V.A.): Es una variable (propiedad) que puede tomar una serie de valores o
realizaciones (zi, i=1,...,N) con un conjunto dado de probabilidad de ocurrencia (pi, i=1,...,N)
Variable Aleatoria Discreta: cuando el número 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 número 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.
Función de Distribución de Probabilidad (FDP)
1. VA discreta, se conoce como histograma acumulativo
…..F1
2. VA continua, se conoce como función de distribución de probabilidad (acumulativa) y se define

como:
…..F2
La FDP caracteriza completamente a la VA.
__________________________________________________________________________________
H. REGIMENES DE FLUJO EN EL YACIMIENTO
Hay básicamente tres tipos de régimen de flujo que deben reconocerse (Ahmed, 2005) a fin de describir el
comportamiento de flujo del fluido y la distribución de la presión del yacimiento como función 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 presión a cada ubicación en el yacimiento permanece constante, es decir, no cambia con
el tiempo. Matemáticamente se expresa como:
 ∂p 
 =0
 ∂t 
Esta relación establece que la razón de cambio de la presión p respecto al tiempo a cualquier ubicación es
cero. En los yacimientos esta condición solo puede ocurrir cuando el yacimiento es completamente
recargado por un acuífero grande.
b. Flujo no estacionario.
Frecuentemente llamado transitorio, es definido como la condición de flujo fluyendo a la cual la razón del
cambio de presión con respecto al tiempo en cualquier posición en el yacimiento ni es cero ni es constante.
La derivada de la presión con respecto al tiempo es esencialmente función de la posición y del tiempo, así:
 ∂p 
  = f (i, t )
 ∂t 
c. Flujo pseudo-estacionario.
Cuando la presión a diferentes ubicaciones en el yacimiento declina linealmente como una función del
tiempo, es decir, a una razón de declinación constante, la condición de flujo se caracteriza como flujo
pseudo-estacionario.
__________________________________________________________________________________
Matemáticamente esta definición establece que la razón de cambio de la presión respecto al tiempo en
cada posición es constante, o:
 ∂p 
  = cte.
 ∂t 
Fig. H1. Regímenes de flujo.
__________________________________________________________________________________
I. PRUEBAS TRANSITORIAS DE PRESIÓN
Los conceptos básicos del análisis de pruebas de variación de presión, se basan simplemente en provocar
un estimulo al sistema yacimiento-pozo, mediante un cambio en el gasto de producción y registrando la
respuesta del sistema, como se muestra en la figura.
Fig. I1. Concepto del análisis de pruebas de presión.
La información 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 presión en el
yacimiento y registrando la respuesta de presión en el pozo, es decir, la presión de fondo fluyendo pwf,
como una función del tiempo. Las pruebas transitorias de presión (Ahmed, 2005) usuales son:
• Decremento de presión
• Incremento de presión
• Interferencia
• Pulso
• Abatimiento
• Inyección
• Gastos múltiples
Para fines del presente trabajo, solo se trataran las interpretaciones de las pruebas de incremento y
decremento. La información que se puede obtener de éstas pruebas de presión incluyen:
Pruebas de decremento: Perfil de presión

Comportamiento del yacimiento
Permeabilidad
Daño
__________________________________________________________________________________
Longitud de fractura
Límite y forma del yacimiento
Pruebas de incremento: Comportamiento del yacimiento

Permeabilidad
Daño
Longitud de fractura
Fronteras
Pruebas de decremento.
Una prueba de decremento de presión se lleva a cabo por la producción de un pozo. Idealmente se
empieza con una presión uniforme en el yacimiento. El gasto y la presión se registran como función del
tiempo.
Fig. I2. Esquema de una prueba de decremento.
El comportamiento de la presión durante el periodo transitorio se describe por la siguiente ecuación. La

cual es la aproximación logarítmica para la integral exponencial de la solución fuente lineal.
qµ   kt  

p (r , t ) = pi − 162.6 log  − 3 .23 + 0 . 87 s
kh   φµct r 2  

__________________________________________________________________________________
Esta relación es esencialmente una ecuación de una línea recta y puede expresarse de la siguiente forma:
pwf = a + m log(t )
qBµ   k  
a = pi − 162.6 log  − 3.23 + 0.87 s 
2 

kh   φµct r  

Y la pendiente m esta dada por:

qBµ
m = −162.6
kh
La ecuación sugiere que una gráfica de pwf contra el tiempo en papel semilogaritmico mostrará una línea
recta de pendiente m en psia/ciclo. Esta porción de línea recta semilogaritmica de los datos de la prueba de
decremento se muestra en la figura I3.
Fig. I3. Gráfica semilogaritmica de los datos de decremento de presión.
De la ecuación anterior se puede determinar la capacidad de flujo kh del área drenada del pozo. Si el
espesor es conocido entonces la permeabilidad promedio esta dada por:
qBµ
k = −162.6
mh
__________________________________________________________________________________
Pruebas de incremento de presión.
Las pruebas de incremento de presión requieren cerrar un pozo productor y registrar el incremento
resultante en la presión del pozo como una función del tiempo de cierre. Esta técnica requiere que el pozo
produzca a una razón constante en un tiempo de producción tp.
La presión es medida inmediatamente antes del cierre y es registrada como una función del tiempo durante
el periodo de cierre. La curva de incremento de presión resultante es entonces analizada para determinar
las propiedades del yacimiento y la condición del pozo.
Fig. I4. Esquema de una prueba de incremento de presión.
La curva de incremento de presión que resulta se analiza para determinar las propiedades del yacimiento y
las condiciones del pozo. Hay dos métodos ampliamente utilizados, Método de Horner y el método de
Miller-Dyes-Hutchinson. El método de Horner se explica brevemente.
Método de Horner.
Una prueba de incremento de presión es descrita matemáticamente usando el principio de superposición.

Antes del cierre, el pozo es puesto a producir a una razón de flujo constante q0 STB/día por tp días. Al
final de este periodo, el pozo es cerrado con un cambio correspondiente en la razón de flujo anterior q0 a
un q nuevo.
pi − pws = ∆pT = ∆p( q0 − 0) + ∆p( 0 − q0 )
__________________________________________________________________________________
donde :
pi = presión inicial del yacimiento, psi
pws = presión del pozo durante el cierre, psi
La primera contribución resulta del incremento de 0 a q0 y tienen efecto sobre todo el periodo de tiempo
tp+ ∆t, de esta manera:
162.6(q0 − 0) Bµ   k (t p + ∆t  
∆ pq 0 − 0 = log 2 
 − 3 . 23 + 0 .87 s 
kh   φµct rw  
La segunda contribución resulta del decremento de q0 a 0 en tp, es decir tiempo de cierre, de esta manera:
162.6(0 − q0 ) Bµ   k (t p + ∆t − t p  
∆pq0 − 0 = log  − 3.23 + 0.87 s 
  φµct rw
2
kh  
El comportamiento de la presión durante el periodo de cierre es dado por:
162.6q 0 Bµ   k (t p + ∆t )  
pi − p ws = log  − 3.23 + 0.87 s 

  φµct rw 
2
kh 
162.6(−q 0 ) Bµ   k∆t  
− log  − 3.23 + 0.87 s 

  φµct rw
2
kh  
Factorizando y eliminando términos tenemos:
162.6q0 Bµ   t p + ∆t 
pws = pi − log 
kh   ∆t 
donde :
pi = presión inicial del yacimiento, psi
pws = presión del pozo durante el cierre, psi
t p = tiempo de flujo antes delcierre, horas
q0 = razón de flujo estabilizado antes del cierre, STB / dia
∆t = tiempo de cierre, horas
__________________________________________________________________________________
La cual tiene la forma de la ecuación de la línea recta. Esta expresión sugiere que una gráfica de pws vs.
(tp+∆t)/ ∆t en una escala semilogaritmica producirá una línea recta con pendiente m y con intercepción en
pi.
162.2q0 Bµ
m=
kh
162.2q0 Bµ
k=
mh
donde :
m = pendiente de la linea recta, psi / ciclo
k = permeabilidad , md
Esta gráfica, comúnmente referida como la gráfica de Horner, se ilustra en la figura I5. Note que en esta
grafica, la escala de la razón de tiempo (tp+∆t)/ ∆t aumenta de derecha a izquierda. La presión inicial del
yacimiento puede ser obtenida extrapolando una línea recta para (tp+∆t)/ ∆t=1.
Fig. I5. Gráfica semilogaritmica de los datos de incremento de presión.
El tiempo correspondiente al punto de cierre tp, puede ser estimado de la siguiente ecuación:
24 N p
tp =
q0
__________________________________________________________________________________
donde :
N p = producción acumulativa de aceite antes del cierre, STB
q0 = razon de flujo estabilizado antes del cierre, STB / dia
t p = tiempo total de producción, horas
__________________________________________________________________________________
J. DETERMINACIÓN DEL VOLUMEN Y POTENCIA PROMEDIO.
Para tomar en cuenta la información de una prueba de presión, 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, así como el tipo de promedio de permeabilidad dado por la potencia promedio
ω. A continuación se presenta la metodología para calcular estos dos parámetros.
Volumen promedio
Para definir el volumen promedio apropiado es necesario considerar la porción de la respuesta de presión
utilizada para derivar la permeabilidad efectiva de la prueba de pozo kwelltest, durante el flujo radial infinito.
Es posible definir un radio interno rmin y un radio externo rmax que corresponda a los limites del flujo
radial infinito ya que la respuesta de presión, 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 kwelltest. Los limites interior y exterior de
la región 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 semilogarítmica representa el flujo radial infinito.
En cualquier instante en el tiempo la derivada de presión es informada por un volumen particular centrado
al pozo. En la figura J.2 y J.3 se muestra la contribución de los valores de permeabilidad de bloque,
graficados como una función de la distancia radial desde el pozo.
__________________________________________________________________________________
Vista de planta del yacimiento
Pozo
Volumen que abarca el periodo de

flujo radial infinito
Fig. J.2. Volumen del yacimiento que abarca la permeabilidad obtenida del flujo radial infinito.
Fig. 6.3. Esquema de la función de ponderación radial para la aproximación del promedio de potencias para la
permeabilidad efectiva de prueba de pozo
__________________________________________________________________________________
El intervalo de tiempo en que la respuesta de presión parece un flujo radial infinito es determinado
fácilmente por técnicas de interpretación estándar. 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 presión 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:
k et
r (t ) = A …..J1
φµct
Donde A es una constante, ke es la permeabilidad del yacimiento alrededor del pozo, ø es la porosidad y µ
es la viscosidad del fluido, ct es la compresibilidad total. La relación asume implícitamente que la
permeabilidad heterogénea del campo es descrita por una sola permeabilidad, es decir, ke es independiente
del tiempo. También se puede escribir en forma adimensional.
rD (t ) = A t D …..J2
El volumen anular V(A) se puede definir por rmin(A) y rmax(A) donde A se toma como Aopt=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 ω. En muchos casos este promedio de
potencias es cercano al promedio geométrico ω=0. Algunas permeabilidades efectivas obtenidas de
análisis de pruebas de pozo clásicas convergen hacia el promedio geométrico. Para duraciones prácticas de
prueba y para distribuciones heterogéneas de permeabilidad complejas, el tipo de promedio puede diferir
significativamente del promedio geométrico.
La constante A = 0.010 y el promedio ω=0.0 pueden utilizarse como primeras aproximaciones en la ec.
6.3 para calcular la permeabilidad krealization.
Sin embargo, en la práctica, la constante A y ω deben calibrarse con anticipación con el siguiente
procedimiento:
1. Generar ns realizaciones múltiples (20-100) de la permeabilidad del campo con propiedades

estadísticas relevantes.
2. Simular una prueba de pozo con las condiciones más cercanas posibles a aquellas utilizadas en el
campo para llegar a la kwelltests en cada realización para obtener ns curvas de respuesta de presión.
__________________________________________________________________________________
3. Deducir una permeabilidad efectiva k i, i=1,…,ns de cada curva de presión utilizando una técnica de
interpretación de pruebas de pozo.
4. Calcular permeabilidades promedio k (A,ω)i, i=1,...,ns para valores de A entre los limites prácticos de
0.005 y 0.035 y para valores de ω entre los limites de -1 y 1.
5. Elegir un par (Aopt,ωopt) que dé el acuerdo mas cercano entre el valores de la referencia k i,i=1,…,ns y
los valores aproximados de k (Aopt,ωopt)i, i=1,…,ns. Alabert sugiere tomar la desviación absoluta de la
media normalizada (mNAD) y el error medio normalizado (mNE) como criterio para seleccionar
(Aopt,ωopt). Esto es, escoger el par (Aopt.ωopt) que juntos minimicen:
i = ns k ( A, ω ) i − k i
mNAD ( A, ω ) = ∑ …..J3
i =1 ki
i = ns i=n
mNE ( A, ω ) =
∑
i =1
k ( A, ω ) i − ∑i =1 s k i
…..J4
i = ns
∑ i =1
ki
La calidad de la aproximación del promedio de potencias se puede juzgar realizando una grafica de
dispersión de los valores aproximados k ( Aopt , ω opt ) i , i = 1,..., n s contra las permeabilidades efectivas de
referencia de pruebas de pozo k i , i = 1,..., n s .
__________________________________________________________________________________

Aspectos Metodológico PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Aspectos Metodológico PDF

Cargado por

Copyright:

Formatos disponibles

INSTITUTO MEXICANO DEL PETRÓLEO

Dirección General de Investigación y Posgrado

Presenta: Hugo Enrique Huerta Medina

“APLICACIÓN DE LAS T-CÓPULAS A LA MODELACIÓN

Director: Dr. Martín Alberto Díaz Viera

Actualmente la manera internacional más aceptada de obtener la distribución de las propiedades

El parámetro más importante y determinante en la simulación numérica del flujo de fluidos en un

La metodología propuesta debe aplicarse en el marco de la modelación geológica-petrofísica integrada de

Predecir las propiedades de la roca en ubicaciones no muestreadas y evaluar el comportamiento de flujo

La porosidad primaria es la porosidad original preservada en los sedimentos después de la depositación y

Existen tres tipos de permeabilidad:

Descripción de los rasgos geológicos-estructurales del yacimiento (fallas, delimitación de unidades

Distribución de las propiedades petrofísicas.

Métodos comunes para generar estimaciones y distribuciones de la permeabilidad.

2.2.1 Métodos comunes de estimación de la permeabilidad en el yacimiento.

El modo más común de estimar la permeabilidad es mediante algún predictor de la permeabilidad,

El objetivo de todas estas técnicas es la estimación de la permeabilidad absoluta en condiciones in situ ya

El predictor de la permeabilidad más usado es la relación de porosidad-permeabilidad. Ha sido

Una buena práctica en la estimación de la permeabilidad consiste en la separación en grupos o

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

b. Regresiones Lineales Múltiples.

En muchos casos, incluso en yacimientos clásticos, la relación porosidad-permeabilidad es demasiada

LogK = c0 + c1 x1 + c 2 x 2 + ... + c n x n …..2.1

• Modelos basados en los granos (Berg, 1970)

2.2.2 Técnicas de interpolación

Es la estimación conjunta de variables aleatorias regionalizadas. Comúnmente conocido como Kriging

2.2.3 Simulación estocástica.

3. ANÁLISIS DEL PROBLEMA.

La descripción precisa del yacimiento y su modelación es difícil dada la considerable incertidumbre en la

La predicción del comportamiento del yacimiento requiere de un exhaustivo conocimiento de la

Distribución de las propiedades roca/fluido

Distribución de las propiedades roca/fluido

Modelos estocásticos múltiples

Proceso actual implementado

Modelo numérico del proceso

Respuesta del yacimiento Respuesta del yacimiento

Respuesta verdadera Distribución de posibles respuestas

En el caso de las ecuaciones empíricas, solo proveen estimados irregulares de la permeabilidad. El

Aplicar una metodología estocástica dentro de un marco integral de modelación geológica-petrofísica de

5. JUSTIFICACIÓN PARA LA APLICACIÓN EN UN PROYECTO.

1. Un modelo de yacimiento inicial, llamado modelo de yacimiento geológico, generado con

4. Generalmente la respuesta de la simulación no reproduce los datos dinámicos. Se debe modificar

La metodología a desarrollar consiste en extender a nivel de yacimiento, es decir, a tres dimensiones la

El procedimiento consta de tres etapas.

La primera consiste en desarrollar una simulación estocastica de la porosidad y la permeabilidad

En la segunda parte se aplica el método de simulación conjunta porosidad-permeabilidad (Deutsch and

6.1 Primera parte: Modelación del patrón de dependencia utilizando t-cópulas.

Consiste en muestrear de forma estocástica pares de valores (porosidad-permeabilidad) de su distribución

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

Fig. 6.2. Distribución bivariada de dos propiedades x.

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

1. Estimar el rango de correlación τK ó ρs de la permeabilidad y la porosidad de las

2. Obtener el coeficiente de correlación lineal correspondiente rK ó rs , aplicando el mapeo con las

3. Generar m pares correlacionados aplicando el algoritmo presentado en el anexo B, con las

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

1. Crear un modelo en 3D inicial, asignando valores de permeabilidad en cada nodo de la

3. Perturbar el modelo visitando aleatoriamente los nodos de la malla y asignando nuevos

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

Alabert propuso un promedio de potencias de los bloques de permeabilidad dentro de un volumen

Donde k (ω ) es la permeabilidad promedio de los N valores de permeabilidad k(ui),i=1,…,N, en las

Oc = [k welltest − k realization ] .....6.4

Donde kwelltest es la permeabilidad efectiva derivada de la prueba de pozo y krealization es la permeabilidad

1. Calcular V y ω para ser utilizados en la ec. 6.3.