Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/282107801
CITATIONS READS
0 1,700
2 authors, including:
Ricardo A. Pastrana
Université de Sherbrooke
11 PUBLICATIONS 0 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Ricardo A. Pastrana on 23 September 2015.
INVESTIGACION
www.unal.edu.co
Resumen
En éste estudio se desarrolla la calibración de curvas de permeabilidad relativa obtenidas en laboratorio mediante
el método estándar JBN, para ello se emplea el modelamiento inverso reproduciendo el proceso de
desplazamiento. En esta técnica se realiza una estimación de parámetros para la determinación de las funciones
de permeabilidad relativa de los experimentos de estado inestable. Las tres funciones más importantes de
representación de las curvas de permeabilidad relativa son evaluadas: Corey, Chierici y LET. Se hace la
comparación de dichas funciones con el fin de escoger aquella que reproduzca mejor los datos de producción y
caída de presión tomados en laboratorio, realizando así calibraciones para cada caso. Para el ajuste histórico, se
evalúan algunos algoritmos de optimización, los cuales garantizan la determinación del mínimo global de la
función objetivo. Una vez que la calibración se ha realizado, el resultado es una posible y más precisa
representación del yacimiento.
Introducción
Para el pronóstico del comportamiento de procesos de recuperación mediante inyección de agua en yacimientos
de petróleo, es de suma importancia conocer las curvas de permeabilidad relativa. Usualmente éstas curvas son
obtenidas aplicando el método JBN (Johnson, Bossler, & Naumann, 1957) con datos obtenidos durante un ensayo
transitorio de desplazamiento de petróleo por agua. Sin embargo, debido a la limitación por suposiciones, la
exactitud de los datos de permeabilidad relativa obtenidos por los métodos de análisis es relativamente bajo (Hou
et al. 2012).
A su vez estas curvas son representativas solo de la cara de la muestra, así que se requiere escalar estas curvas a
la totalidad de ella.
Para ello se lleva a cabo un proceso de calibración, el cual consiste en la integración de datos dinámicos y
estáticos para caracterizar el medio poroso, por medio de modelamiento inverso; en el cual se hace uso de datos
de producción y caída de presión para realizar un ajuste histórico (Guardiola, 2003).
Por lo general, durante el ajuste histórico, todo el comportamiento de la producción, es decir, observar las tasas
de petróleo, de flujo de agua y los datos de presión en función del tiempo, es muy útil para obtener una
coincidencia aceptable con los datos del modelo de desplazamiento generado (Lee et al. 1987). Se sabe que en
ambiente de campo y de laboratorio, la caída de presión a través de la ruta de inyección de agua se puede
determinar con una precisión extraordinaria, con mucha más precisión que las mediciones de flujo de datos
fraccionarios (Barroeta et al. 2010).
El ajuste histórico entonces se convierte en un problema de optimización que minimiza una función objetivo. Esta
función mide las diferencias entre datos históricos de producción (después de ruptura y cambios de presión) y los
valores simulados (Guardiola, 2003).
Para minimizar la función objetivo es necesario el uso de algoritmos de optimización los cuales encuentran
valores óptimos de parámetros que afectan directamente la misma, algunos son más eficientes que otros dando
así mejor desempeño computacional y económico con base en la necesidad del usuario.
En este trabajo se evalúan algunos modelos funcionales para ajustar las curvas de permeabilidad relativa al igual
que algoritmos para optimizar la función objetivo.
Modelo Matemático.
Modelo de flujo.
Las ecuaciones constitutivas que rigen el flujo multi-componente en un medio poroso se basan principalmente en
la conservación de la masa.
w S w kk w
w rw qw ( 1)
t x w x
o So kk o
o ro qo ( 2)
t x o x
k Permeabilidad absoluta del medio, kr Permeabilidad relativa, w/ o Potencial de las fases, w / o Viscosidad de
las fases, Área transversal de flujo si es 1D, Espesor si es 2D, 1 si es 3D, qw / o Termino de fuentes y sumideros,
Sw/ o Saturación de la fase, Porosidad del medio, w y o Refieren a la fase acuosa y oleica respectivamente.
TN Tp
Donde
TN / P Numero de pasos de tiempo donde el petróleo producido y la caída de presión son medidos, NPt Petróleo
producido acumulado en un tiempo t, Pt Caída de presión del sistema en un tiempo t, WN / P Factor de
influencia en la función objetivo, los exponentes SIM y MED hacen referencia a los datos simulados y medidos
respectivamente.
Debido a que la muestra puede presentar heterogeneidades, que es lo más usual, y éstas no se tienen en cuenta
en el cálculo de las permeabilidades relativas, se requiere escalar estas curvas a la totalidad de la muestra. Para
ello se lleva a cabo un proceso de calibración, el cual consiste en la integración de datos dinámicos y estáticos
para caracterizar el medio poroso.
Para el desarrollo de ésta calibración no se toman en cuenta los términos de presión capilar y gravitacional. Y se
usa como aproximación numérica el método de diferencias finitas.
Aproximación geoestadística: Con base en Kriging consiste en efectuar una ponderación, es decir, atribuir un
peso a cada valor observado, los pesos son calculados de manera que minimice la varianza de estimación
resultante, teniendo en cuenta las características geométricas del problema (Matheron, 1963).
Método de máxima verosimilitud: Donde básicamente el método encuentra los valores de los parámetros que
tienen la mayor probabilidad de reproducir la muestra observada (Aldrich, 1997).
Método de puntos piloto: Se explica en 5 pasos. Primero: Dado un modelo geostadístico, realizaciones múltiples
de parámetros son hechas. Segundo: Puntos pilotos son escogidos, los cuales representan medidas virtuales de
parámetros. Tercero: Para cada realización los valores de parámetros en los lugares de puntos piloto son
alterados. Cuarto: El campo de parámetros es interpolado usando Kriging. Quinto: Se itera de los pasos 2 do al 4to
hasta que todos los datos del campo disponibles se ajusten al modelo. (Alcolea, Carrera, & Medina, 2006)
Método de auto calibración: Se puede resumir en los siguientes pasos: Primero: Se obtiene la distribución
espacial de parámetros con técnicas Geoestadísticas. Segundo: Los parámetros son utilizados para simular el
proceso de interés. Tercero: Calcular función objetivo. Los parámetros se estiman de manera iterativa hasta que
se logre minimizar una función objetivo definida como la diferencia al cuadrado de los datos medidos y
simulados. Cuarto: Si la función objetivo no es lo suficientemente pequeña se calcula la perturbación de los
parámetros. Quinto: Se actualizan los parámetros con base en las perturbaciones halladas, y se regresa al paso
dos hasta encontrar el mínimo de la función objetivo definida. (Guardiola, 2003).
Algoritmos de optimización:
Hay varias estrategias para encontrar combinaciones de parámetros que dan valores pequeños de la función
objetivo, eventualmente identificando un mínimo local o global exitosamente. El software como herramienta
comercial para aplicar dichas estrategias es CMOST de CMG. Los algoritmos disponibles pueden ser identificados
a continuación.
Búsqueda de fuerza bruta: Evalúa la totalidad de combinaciones de parámetros y estima la función objetivo en
cada combinación. Una vez terminada todas las simulaciones, se elige el mínimo global de la función objetivo
(Spiriti, 2008).
Búsqueda aleatoria ciega: El método trabaja de la misma manera que el anterior, con la diferencia de que éste
elige aleatoriamente combinaciones de parámetros y el usuario establece el número de simulaciones por realizar,
y al final de las simulaciones , se escoge el mínimo global de la función objetivo (Karnopp, 1963).
Optimizador de enjambre de partículas: El sistema se inicializa con una población de soluciones aleatorias y
búsquedas de óptimos actualizando las generaciones. Los individuos iterativamente evalúan sus soluciones
candidatas y recuerdan la ubicación de sus mejores éxitos hasta el momento, haciendo esta información
disponible a sus vecinos. Ellos son capaces también de ver donde sus vecinos han tenido éxito. Los movimientos a
través del espacio de búsqueda son guiados por estos éxitos con la población generalmente convergiendo hacia
buenas soluciones (Kennedy, J et al, 1995).
Optimizador DECE: Desarrollado por Computer Modelling Group por sus siglas en inglés (Designed Exploration
and Controlled Evolution), funciona igual que el método anterior, con la diferencia que permite involucrar el
concepto de matriz de influencia. Un ejemplo puede ser, el efecto que tiene el skin de un pozo A a 1000 pies de
distancia de un pozo B; Por criterio ingenieril, se puede asignar una influencia sobre la optimización con magnitud
cero a dicho efecto, disminuyendo así la cantidad de simulaciones requeridas para llegar al valor óptimo.
Para generar curvas de permeabilidad relativa se utilizan modelos paramétricos que hacen uso de ecuaciones
explicitas suponiendo que éstas curvas se ajustan a la forma de un cierto tipo de modelo funcional. Por su
simplicidad, se emplean ampliamente representaciones de ley de potencia (Corey, LET), este es controlado por
cierto número de parámetros dependiendo del modelo. También existe el modelo exponencial (Chierici) para
aproximar las verdaderas curvas que es controlado por cuatro parámetros.
Los modelos no paramétricos son mucho más generales y flexibles ya que no hay hipótesis en cuanto a la forma
de las curvas de permeabilidad relativa (por ejemplo, el modelo Spline cúbica y modelo B -Spline). El modelo B –
Spline divide el área de estudio en varios intervalos, y utiliza un polinomio de tercer grado a trozos continuo para
representar las verdaderas curvas de cada intervalo. Recientemente, el modelo B -Spline uniforme ha sido el
modelo de representación más utilizado (Hou et al. 2012).
Se presenta a continuación los modelos paramétricos más precisos (Lomeland et al. 2005).
Correlación de Corey
K ro K ro (Swi )(1 S w* ) No ( 7)
K rw K rw (Sor )( S w* ) N w ( 8)
S w S wi
S w* ( 9)
1 S wi Sor
Correlación de Chierici
M
krw krw ( Sor ) e BR w ( 10)
kro kro ( S wi ) e A R w
L
( 11)
S w S wi
Rw ( S w ) ( 12)
1 Sor S w
Correlación de LET
(1 S wn ) Lo
w
krow k x
ro ( 13)
(1 S wn ) Lo Eow S wnTo
w w
o
S wn Lw
krw k o
rw ( 14)
S wn Lw Ewo (1 S wn )Tw
o o
S S wi
S wn w ( 15)
1 S wi Sorw
Resultados y análisis
La necesidad de calibrar las curvas de permeabilidad relativa yace en poder reproducir información experimental
por medio de una simulación de forma precisa; en las figuras 21 y 22, se puede apreciar los datos experimentales
en paralelo con el resultado de la simulación usando las curvas calibradas y no calibradas con el modelo de LET; la
elección de este modelo se explica más adelante.
Se presenta a continuación una comparación realizada entre dos modelos potenciales: Corey y LET y un modelo
exponencial: Chierici, para ajustar las curvas de permeabilidad relativa. Para éste estudio se calibran estas curvas
por el método de verosimilitud implementando los algoritmos de optimización DECE y Búsqueda aleatoria.
Debido a que el algoritmo DECE y el PSO son básicamente los mismos si no se considera matriz de influencia, y en
este caso se asigna igual valor de influencia para los datos de petróleo producido acumulado y caída de presión,
entonces no se presenta resultados del algoritmo PSO. Así mismo para el algoritmo de fuerza bruta por su gran
cantidad de simulaciones no es viable su aplicación además que el resultado es igual que el algoritmo DECE,
gracias a que evalúa todas las combinaciones posibles para llegar al valor más óptimo de función objetivo con la
diferencia que DECE llega al mejor resultado con menor tiempo de computo.
Por experiencia y conocimiento de las formas que toman las curvas de permeabilidad relativa estas tienden a ser
horizontales cerca a las saturaciones irreducibles por lo que en el método de LET se considera que los parámetros
Lo y Lw toman el valor de 1, reduciendo así el tiempo de computo.
Para poder comparar los dos algoritmos, debido a la ventaja que tiene el algoritmo de búsqueda aleatoria,
permitiendo establecer el número de simulaciones deseadas por el usuario, en éste se realizan el mismo número
de simulaciones que resulta de aplicar DECE y así con base en los valores de función objetivo obtenidos en cada
caso poder concluir que algoritmo es mejor.
De las tablas 1 y 2 se puede concluir que DECE proporciona valores más óptimos de la función objetivo que el
algoritmo de búsqueda aleatoria, además se puede observar la comparación entre modelos de funciones de
permeabilidad relativa, donde nuevamente la función objetivo permite evaluar la precisión de éstos,
destacándose el método de LET con una función objetivo mejor que las demás. Esto es evidenciado en las figuras
19 y 20 las cuales representan la comparación entre los modelos funcionales de permeabilidad relativa al
momento de reproducir los datos experimentales de petróleo producido acumulado y caída de presión. Con base
en éstos resultados se decide realizar la calibración de las curvas de permeabilidad relativa con el método de LET
y el algoritmo DECE.
En las figuras 1-15 se encuentra la frecuencia de aparición de parámetros obtenidos con la aplicación de los dos
algoritmos de optimización mencionados anteriormente y en adición el algoritmo de fuerza bruta.
En el caso del algoritmo DECE (figuras 1-5) se puede observar claramente la distribución de los valores de
parámetros convergiendo siempre hacia una misma zona y así requiriendo cada vez menor número de
simulaciones. Para búsqueda aleatoria no se puede encontrar ningún patrón de distribución ya que su naturaleza
no lo permite. Finalmente en el algoritmo fuerza bruta se observa que la frecuencia de aparición de todos los
parámetros es la misma notoriamente por la simulación de todas las combinaciones posibles.
Se puede apreciar en las figuras 16-18 los resultados de la calibración de las curvas de permeabilidad relativa con
cada una de las 3 funciones además de la forma que las curvas toman.
Como se ve en la figura 16, el modelo de LET permite involucrar dos concavidades y desplazar la parte media de
las curvas de permeabilidad relativa de izquierda a derecha en el rango gracias a los parámetros propios del
modelo haciéndolas más aproximadas a la representación de las curvas reales.
Con respecto a la calibración de las curvas con el modelo exponencial Chierici (figura 17) se observa como éstas al
igual que las calibradas con LET poseen dos concavidades con la diferencia que con éste modelo ya no es posible
desplazar las curvas y por ende existe una mayor limitación al tratar de representar las curvas reales con mejor
precisión.
En lo que concierne al modelo de Corey (figura 18), éste supone que las curvas solo tienen una concavidad y por
lo tanto aproxima muy superficialmente la forma original de las mismas, lo que conlleva a una gran incertidumbre
al momento de representar el comportamiento de flujo en el medio poroso.
LET - DECE
45 40 38 38 60
40 37
35 50
52 51
FRECUENCIA
30
40
FRECUENCIA
25
41
20
12 12 30
15 32
7 8
10 4 5 20
5
0 10 16
9
0
1 1.8 2.6 3.4 4.2 5
EO
EW
Figura 1 Distribución de frecuencia de aparición del parámetro Figura 2 Distribución de frecuencia de aparición del parámetro
Eo. Ew.
70 35 33 33 32
30 28
60 26
25
FRECUENCIA
50 19
FRECUENCIA
20
40
15
30 10
10 8
6 6
20 5
10 0
0
0.5 0.8 1.1 1.4 1.7 2
TW TO
Figura 3 Distribución de frecuencia de aparición del Figura 4 Distribución de frecuencia de aparición del parámetro
parámetro Tw. To.
250
201 201
200
FRECUENCIA
150
100
50
0
1
Lo Lw
50 35
30
45 30
40 46
25 22 22
FRECUENCIA
35 20 19 19
FRECUENCIA
20 18 17 18
30 34 35 16
33
25 15
27 26
20 10
15
5
10
5 0
0
1 1.8 2.6 3.4 4.2 5
EW EO
Figura 6 Distribución de frecuencia de aparición del Figura 7 Distribución de frecuencia de aparición del
parámetro Ew parámetro Eo
40 35 33
35 30 27
30 25
FRECUENCIA
19 20 18 19
FRECUENCIA
25 20 17 18 16
14
20 15
15 10
10 5
5 0
0
0.5 0.8 1.1 1.4 1.7 2
TW TO
Figura 8 Distribución de frecuencia de aparición del Figura 9 Distribución de frecuencia de aparición del
parámetro Tw parámetro To
250
201 201
200
FRECUENCIA
150
100
50
0
1
Lo Lw
FRECUENCIA
2500
FRECUENCIA
2500
2000
2000
1500
1500 1000
1000 500
500 0
0
1 1.8 2.6 3.4 4.2 5
EW EO
Figura 11 Distribución de frecuencia de aparición del Figura 12 Distribución de frecuencia de aparición del
parámetro Ew parámetro Eo
4000 4000
3500 3500
3000
3000
FRECUENCIA
2500 FRECUENCIA
2500
2000
1500 2000
1000 1500
500 1000
0 500
0
0.5 0.8 1.1 1.4 1.7 2
TO TW
Figura 13 Distribución de frecuencia de aparición del Figura 14 Distribución de frecuencia de aparición del
parámetro To parámetro Tw
2500
2000
1500
1000
500
0
1
Lo Lw
Curvas kr LET
0.70
0.60
0.50
0.40
kr
0.30
0.20
0.10
0.00
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90
Sw
Curvas kr Corey
0.7
0.6
0.5
0.4
KR
0.3
0.2
0.1
0
0.000 0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900
-0.1
SW
5.00
Prod. Petroleo (cm3)
4.00
3.00
2.00
1.00
0.00
0 50 100 150 200 250 300
Tiempo (min)
Historico Chierici Corey LET
18
16
Caida Presion (psi)
14
12
10
8
6
4
2
0
0 50 100 150 200 250 300
Tiempo (min)
Historico Chierici Corey LET
5
Prod. Petroleo (cm3)
Historic
3 o
LET
2
Inicial
0
0 50 100 150 200 250 300
Tiempo (min)
Figura 215 Comparación entre datos experimentales y simulados antes y después de la calibración para petróleo producido acumulado.
Caida de Presión
15
13
Historico
Caida Presion (psi)
11 LET
Inicial
9
3
0 50 100 150 200 250 300
Tiempo (min)
Figura 226 Comparación entre datos experimentales y simulados antes y después de la calibración para caída de presión.
Conclusiones
Las respuestas dinámicas del sistema (datos de producción y presión) poseen información sobre la
variabilidad espacial de la permeabilidad relativa en el medio poroso.
Para la calibración de las curvas de permeabilidad relativa, dependiendo de las dimensiones del núcleo y
de la tasa de flujo, es decir si la muestra es relativamente grande y el caudal de inyección es muy bajo, se
hace necesario tener información del desplazamiento desde el tiempo inicial de inyección, tal que los
tiempos de ajuste se acoplen entre los datos históricos con los simulados para un adecuado cálculo de la
función objetivo.
Una vez que el modelo ha sido ajustado históricamente, puede ser utilizado para simular el
comportamiento futuro del yacimiento asociado a la muestra de núcleo con un grado mayor de
certidumbre.
Referencias
Aldrich, J. (1997). Fisher and the making of maximum likelihood 1912-1922. 162-176.
Alcolea, A., Carrera, J., & Medina, A. (2006). Pilot points method incorporating prior information for solving the
groundwater flow inverse problem. Advances in Water Resources, 29(11), 1678–1689.
Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN’95 - International
Conference on Neural Networks, 4, 1942–1948.
Karnopp, D. (1963). Random search techniques for optimization problems. Automatica, 111-121.
Spiriti, S. (2008). Random Search Optimization for Free-knot Splines and P-splines. 29-31.
Lee, T., & Seinfeld, J. H. (1987). Estimation of absolute and relative permeabilities in petroleum reservoirs. Inverse
Problems, 3(4), 711–728.
Lomeland, F., Ebeltoft, E., Thomas, W. H., & Software, P. (2005). A new versatile relative permeability correlation.
Chierici, G.L. 1984. Novel relations for drainage and imbibition relative permeabilities. SPE J. 24 (3): 275-276.
Corey, A.T. 1954. The interrelation between gas and oil relative permeabilities. Producers Monthly 19
(November): 38–41.
Guardiola, C. (2003). Inverse Modelling Of Two-Phase Flow: Calibration Of Relative Permeability Curves.
Hou, J., Wang, D., Luo, F., & Zhang, Y. (2012). A Review on the Numerical Inversion Methods of Relative
Permeability Curves. Procedia Engineering, 29, 375–380.
Mitlin, V., Lawton, B., & Owen, L. (1999). A semi-analytical procedure for estimating relative permeability from
displacement experiments: account for pre-breakthrough data. International Journal of Engineering Science,
37(8), 1051–1067.
Barroeta, R. G., Group, S. P. T., & Thompson, L. G. (2010). Importance of Using Pressure Data While History
Matching a Waterflooding Process.