Suscríbete a DeepL Pro para poder editar este documento.

Entra en www.DeepL.com/pro para más información.

SPE 56654

Metodología para la Interpretación y Modelado de Variogramas para una Mejor

Caracterización del Embalse
E. Gringarten, SPE, Landmark Graphics Corp. y C. V. Deutsch, SPE, University of Alberta

conduce a mejores modelos de flujo y decisiones de gestión. Se

Derechos de autor 1999, Society of Petroleum Engineers Inc. presentarán los fundamentos teóricos de nuestra metodología. A
Este documento se preparó para su presentación en la Conferencia y Exposición Técnica continuación se muestran una serie de estudios de casos para
Anual de la SPE de 1999, celebrada en Houston, Texas, del 3 al 6 de octubre de 1999.
ilustrar la importancia práctica de la metodología.
Este trabajo fue seleccionado para su presentación por un Comité de Programa de la SPE tras
la revisión de la información contenida en un resumen presentado por el autor o autores. El
contenido del trabajo, tal como fue presentado, no ha sido revisado por la Sociedad de
Ingenieros Petroleros y está sujeto a corrección por parte de los autores. El material, tal como
se presenta, no refleja necesariamente ninguna posición de la Sociedad de Ingenieros
Petroleros, sus funcionarios o miembros. Los trabajos presentados en las reuniones de la SPE
están sujetos a la revisión de publicaciones por parte de los Comités de Redacción de la
Society of Petroleum Engineers. Se prohíbe la reproducción, distribución o almacenamiento
electrónico de cualquier parte de este documento con fines comerciales sin el consentimiento
por escrito de la Society of Petroleum Engineers. El permiso para reproducir en versión
impresa está restringido a un resumen de no más de 300 palabras; las ilustraciones no pueden
ser copiadas. El resumen debe contener un reconocimiento visible de dónde y por quién fue
presentado el trabajo. Write Librarian, SPE, P.O. Box 833836, Richardson, TX 75083-3836,
U.S.A., fax 01-972-952-9435.

Resumen
El variograma es un insumo crítico para los estudios
geoestadísticos. Es la herramienta más utilizada para
investigar y modelar la variabilidad espacial de las litofacies,
porosidad y otras propiedades petrofísicas. Además, el 90% de
los estudios de caracterización geoestadística de yacimientos
utilizan métodos de modelización geoestadística basados en
variogramas. Además, el variograma refleja nuestra
comprensión de la geometría y continuidad de las propiedades
del yacimiento y puede tener un efecto importante en el
comportamiento del flujo previsto y en las decisiones de
gestión del yacimiento. Sin embargo, la práctica de la
interpretación y el modelado de variogramas está mal
documentada y los profesionales sin experiencia se encuentran
perdidos cuando se les pide que proporcionen un modelo de
variograma fiable. Esto a menudo resulta en modelos de
variogramas erróneos utilizados en estudios geoestadísticos
posteriores.
Nuestro enfoque es un procedimiento de dos pasos similar
al utilizado en la interpretación moderna de pruebas de pozos,
es decir, la identificación del modelo seguida de la estimación
de parámetros. La varianza total del fenómeno bajo estudio se
divide en regiones de varianza. Se muestra que el
comportamiento de cada región de varianza sigue
comportamientos claramente definidos que reflejan
características geológicas bien entendidas. El establecimiento
de un modelo de variograma matemáticamente consistente y
geológicamente interpretable es sencillo después del
reconocimiento del modelo.
La metodología propuesta para la interpretación y
modelación de variogramas proporciona una mejor y más
rigurosa cuantificación de la variabilidad espacial, lo que
Introducción
El variograma se ha utilizado ampliamente para cuantificar
la variabilidad espacial de los fenómenos espaciales durante
muchos años; sin embargo, los principios de cálculo e
interpretación han avanzado lentamente. Esto es
particularmente cierto en la industria petrolera debido al
número limitado de datos de pozos y recursos limitados para
llevar a cabo estudios geoestadísticos detallados. Las
limitaciones de tiempo y presupuesto obligan a los
modeladores de yacimientos a proceder directamente al
modelado de facies y propiedades petrofísicas casi
inmediatamente. Los pasos preliminares del cálculo,
interpretación y modelado de variogramas a menudo se
realizan apresuradamente o incluso se omiten por completo.
Esta práctica debería invertirse y debería prestarse mucha
más atención a establecer un modelo robusto de variabilidad
espacial (variograma) antes de proceder con la construcción
de modelos numéricos de reservorios. El modelador de
reservorio puede influir significativamente en la apariencia y
el comportamiento de flujo del modelo final a través del
modelo de variograma.
El modelado de yacimientos procede secuencialmente.
Se modelan superficies delimitadoras a gran escala, luego
facies y luego propiedades petrofísicas como porosidad y
permeabilidad. El variograma es necesario para el modelado
estocástico de superficies y propiedades petrofísicas; sin
embargo, el modelado de facies puede realizarse con
técnicas basadas en objetos, que no requieren el uso de un
variograma. La importancia y relevancia de los métodos
basados en objetos no disminuye la importancia del
variograma para una gran fracción de los algoritmos de
modelado de yacimientos. La contraparte del variograma en
los métodos basados en objetos son las especificaciones de
tamaño y forma de los objetos geológicos. Limitamos
nuestra consideración a variogramas para superficies
geológicas, variables de indicadores facies y propiedades
petrofísicas continuas.
Los algoritmos geoestadísticos de construcción de
modelos, como la simulación gaussiana secuencial, la
simulación de indicadores secuenciales y la simulación
gaussiana truncada, toman un modelo de variograma de
entrada y crean un modelo tridimensional limitado a los
datos locales y al modelo de variograma. El variograma tiene
un papel extremadamente importante en la apariencia y el
comportamiento de flujo de los modelos 3D debido a la
escasez de datos disponibles para la caracterización de
yacimientos de petróleo. El volumen aparentemente grande
de datos sísmicos es a gran escala y debe ser complementado
por el variograma para controlar variaciones a menor escala.
2 E. GRINGARTEN, C. V. DEUTSCH
La interpretación y el modelado exhaustivos de los
variogramas son requisitos previos importantes para la
construcción de modelos tridimensionales. La práctica del
modelado de variogramas y el principio del Modelo Lineal de
Regionalización han sido tratados en muchos textos (por
ejemplo, en las referencias 1-4). Sin embargo, ninguno ha
presentado una metodología estricta y rigurosa para producir
fácil y sistemáticamente un modelo de variograma 3D lícito y
consistente. Presentamos una metodología de interpretación y
modelado de variogramas en la que la varianza se divide en
varios componentes y se explica en diferentes escalas de
longitud en diferentes direcciones. El trabajo define el
variograma y su comportamiento idealizado, y muestra un
pequeño estudio de simulación de flujo para ilustrar la
importancia del variograma en las operaciones geoestadísticas.
Se muestran varios variogramas reales con una interpretación
consistente.
El Variograma
El variograma ha sido definido en muchos libros y
documentos técnicos. Para completar, sin embargo,
recordamos la definición del variograma y las estadísticas
relacionadas. Considere una función aleatoria estacionaria Y
con una media conocida m y una varianza 2. La media y la
varianza son independientes de la ubicación, es decir, m(u) =
m y 2(u) = 2 para todos los vectores de ubicación u en el
embalse. A menudo hay tendencias areales y verticales en la
media m, que son manejadas por un modelado determinista de
la tendencia y trabajando con un residuo de la media local
variable. El variograma se define como:
2 h EY u Y u h2 (1)
En otras palabras, el variograma es la diferencia cuadrada
esperada entre dos valores de datos separados por un vector de
distancia h. El semivariograma (h) es la mitad del variograma
2 (h). Para evitar una jerga excesiva, nos referimos
simplemente al variograma, excepto cuando el rigor
matemático requiere una definición precisa. El variograma es
una medida de la variabilidad; aumenta a medida que las
muestras se vuelven más disímiles. La covarianza es una
medida estadística que se utiliza para medir la correlación (es
una medida de similitud):
CHO EY uY uY h m2 (2)
Por definición, la covarianza a h=0, C(0), es la varianza
2 efecto nugget.
. La covarianza C(h) es 0.0 cuando los valores h-apart no
están correlacionados linealmente.
Expandir el cuadrado en la ecuación (1) lleva a la siguiente
relación entre el semivariograma y la covarianza:
h C(0) Ch o Ch C(0) h (3)
Esta relación depende de la decisión del modelo de que la
media y la varianza sean constantes e independientes de la
ubicación. Estas relaciones son la base para la interpretación
de los variogramas. Es decir, (1) el "umbral" del variograma es
la varianza, que es el valor del variograma que corresponde a
la correlación cero, (2) la correlación entre Y(u) e Y(u+h) es
positiva cuando el valor del variograma es menor que el
umbral, y (3) la correlación entre Y(u) e Y(u+h) es negativa
cuando el variograma
SPE 56654
excede el umbral. Esto se ilustra en la Fig. 1, que muestra tres
diagramas de dispersión h correspondientes a tres desfases
en un semivariograma típico. El modelado geoestadístico
generalmente utiliza el variograma en lugar de la covarianza
por razones puramente históricas.
Un único punto de variograma (h) para una distancia y
dirección determinada h es fácil de interpretar y comprender.
Las dificultades prácticas surgen del hecho de que debemos
considerar simultáneamente muchos vectores de retardo h, es
decir, muchas distancias y direcciones. El variograma es una
medida de la "variabilidad geológica" frente a la distancia. La
"variabilidad geológica" es muy diferente en las direcciones
vertical y horizontal; normalmente hay una correlación
espacial mucho mayor en el plano horizontal. Sin embargo, el
conocido principio de la geología conocido como la ley de
Walther implica que los variogramas verticales y horizontales
son dependientes. A menudo hay características comunes
como la variabilidad de escala corta (efecto nugget) y la forma
del variograma. Aunque existen similitudes entre el
variograma vertical y el horizontal, a menudo nos enfrentamos
a características geológicas confusas tales como las tendencias
de área y verticalidad, la ciclicidad y la continuidad
estratigráfica a través de la extensión del área del yacimiento.
Entendiendo el Comportamiento del Variograma
La relación entre las variaciones geológicas en las propiedades
petrofísicas y el comportamiento observado del variograma
debe ser entendida para una interpretación y modelación
confiable del variograma. Las Figs. 2(a)-(c) muestran tres
imágenes geológicas y los correspondientes semivariogramas
en las direcciones vertical y horizontal para cada imagen. En
la práctica, no tenemos una imagen exhaustiva del yacimiento
y el comportamiento del variograma debe ser interpretado y
relacionado con los principios geológicos de los variogramas
direccionales. Los principales comportamientos del
variograma son:
- Aleatoriedad o falta de correlación espacial: algunas
variaciones geológicas parecen no tener correlación espacial.
Estas variaciones aleatorias son el resultado de procesos
deposicionales deterministas. En algunas escalas, sin embargo,
los procesos son altamente no lineales y caóticos, lo que
conduce a variaciones que no presentan
estructura de correlación espacial. Típicamente, sólo una
pequeña porción de la variabilidad se explica por el
comportamiento aleatorio. Para históricos
este tipo de comportamiento del variograma se denomina
- Correlación espacial decreciente con la distancia: la
mayoría de los procesos deposicionales imparten correlación
espacial a facies, porosidad y otras propiedades petrofísicas.
La magnitud de la correlación espacial disminuye con la
distancia de separación hasta una distancia a la que no existe
correlación espacial, el rango de correlación. En todos los
casos reales de deposición, la escala de longitud o rango de
correlación depende de la dirección, es decir, el rango vertical
de correlación es mucho menor que el rango horizontal debido
a la mayor distancia lateral de deposición. Aunque el rango de
correlación depende de la distancia, la naturaleza de la
disminución de la correlación es a menudo la misma en
diferentes direcciones. Las razones de esta similitud son las
mismas que subyacen en la Ley de Walther. Este tipo de
SPE 56654 METODOLOGÍA
comportamiento PARA LA se
del variograma INTERPRETACIÓN DE VARIOGRAMAS Y MODELADO PARA UNA MEJOR CARACTERIZACIÓN
denomina anisotropía 3
DEL YACIMIENTO
geométrica.
4 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

- Tendencias geológicas: prácticamente todos los procesos escala de un entorno deltaico. La fotografía original fue copiada
geológicos imparten una tendencia en la distribución de la de la página 162 de Ref. 5.
propiedad petrofísica, por ejemplo, la clarificación o el
engrosamiento hacia arriba o la disminución sistemática de la
calidad del yacimiento desde las partes proximales a las
distales del sistema deposicional. Tales tendencias pueden
hacer que el variograma muestre una correlación negativa a
grandes distancias. En un paquete sedimentario ascendente de
aleteo, la alta porosidad en la base de la unidad está
negativamente correlacionada con la baja porosidad en la parte
superior. La correlación negativa a gran escala indicativa de
una tendencia geológica aparece como un variograma que
aumenta más allá de la varianza de umbral 2. Como veremos
más adelante, puede ser apropiado eliminar las tendencias
sistemáticas antes del modelado geoestadístico.
- Las tendencias de la superficie influyen en el variograma
vertical, es decir, el variograma vertical no encontrará la
variabilidad completa de la propiedad petrofísica. Habrá una
correlación positiva (variograma (h) por debajo de la varianza
del umbral 2) para grandes distancias en la dirección vertical.
Este tipo de comportamiento se denomina anisotropía zonal.
En la Fig. 3 se muestra una ilustración esquemática de esto.
- Estratigrafía de capas: a menudo hay características
estratigráficas similares a capas o tendencias verticales que
persisten en toda la extensión del embalse. Estas
características conducen a una correlación positiva
(variograma (h) por debajo de la varianza del umbral 2) para
grandes distancias horizontales. Aunque las capas geológicas a
gran escala se manejan explícitamente en el modelado, pueden
existir capas y características a una escala menor que la que
puede ser manejada convenientemente por la interpretación
determinista. Este tipo de comportamiento del variograma
también se denomina anisotropía zonal porque se manifiesta
en un variograma direccional (horizontal) que no alcanza la
variación esperada del umbral.
- Ciclicidad geológica: los fenómenos geológicos se
producen a menudo de forma repetitiva a lo largo del tiempo
geológico, dando lugar a variaciones repetitivas o cíclicas en
las facies y propiedades petrofísicas. Esto imparte un
comportamiento cíclico al variograma, es decir, el variograma
mostrará correlación positiva yendo a correlación negativa a la
escala de longitud de los ciclos geológicos yendo a correlación
positiva y así sucesivamente. Estas variaciones cíclicas a
menudo se amortiguan en grandes distancias, ya que el tamaño
o la escala de longitud de los ciclos geológicos no es
perfectamente regular. Por razones históricas, a veces se hace
referencia a esto como un efecto de agujero.
Los variogramas reales casi siempre reflejan una
combinación de estos diferentes comportamientos de
variogramas. Considerando las tres imágenes y sus
variogramas asociados presentados en la Fig. 4, vemos
evidencia de todos los comportamientos mencionados
anteriormente: efecto nugget más pronunciado en la imagen
superior, anisotropía geométrica y anisotropía zonal en todas,
una tendencia en la central, y ciclicidad más pronunciada en la
imagen inferior. La imagen superior es un ejemplo de
ondulaciones migratorias en una arenisca eólica hecha por el
hombre (del Laboratorio del Túnel del Viento de EE.UU.), la
imagen central es un ejemplo de laminaciones enrevesadas y
deformadas de un ambiente fluvial. La fotografía original del
núcleo fue tomada de la página 131 de Ref. 5. La imagen
inferior es un ejemplo real de laminados cruzados a gran
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS transferencia
Y MODELADO PARA UNA MEJOR
directa a losCARACTERIZACIÓN
códigos de simulación5
DELLa intención de este trabajo es presentar un
YACIMIENTO
procedimiento sistemático para la interpretación de geoestadística existentes.
variogramas y el modelado de características geológicas
reales.

Requisito para un modelo de variograma

tridimensional
Todos los variogramas direccionales deben ser considerados
simultáneamente para entender el comportamiento del
variograma. Los puntos del variograma experimental no se
utilizan directamente en los pasos geoestadísticos
subsiguientes; se instala un modelo de variograma
paramétrico en los puntos experimentales. Una metodología
detallada para esta adaptación es un tema central de este
trabajo. Existen varias razones por las que se deben modelar
los variogramas experimentales:
La función variograma (h) es necesaria para todos los
vectores de distancia y dirección h dentro del vecindario de
búsqueda de cálculos geoestadísticos posteriores; sin
embargo, sólo calculamos el variograma para distancias y
direcciones específicas (a menudo, sólo en las direcciones
principales de continuidad). Es necesario interpolar la
función de variograma para los valores h cuando hay muy
pocos pares de datos experimentales disponibles. En
particular, el variograma se calcula a menudo en las
direcciones horizontal y vertical, pero los programas de
simulación geoestadística requieren que el variograma se
realice en direcciones fuera de la diagonal en las que el
vector de distancia contiene simultáneamente contribuciones
de las direcciones horizontal y vertical.
También es necesario introducir información geológica
sobre anisotropía, tendencias, errores de muestreo, etc. en el
modelo de correlación espacial. En la medida de lo posible,
necesitamos filtrar los artefactos del espaciamiento de datos
y las prácticas de recolección de datos y hacer que el
variograma represente la verdadera variabilidad geológica.
Finalmente, debemos tener una medida de variograma
(h) para todos los vectores de distancia y dirección h que
tengan la propiedad matemática de definición positiva, es
decir, debemos ser capaces de usar el variograma, o su
contraparte de covarianza, en la simulación kriging y
estocástica. Un modelo definido positivo asegura que las
ecuaciones de kriging pueden ser resueltas y que la varianza
de kriging es positiva, en otras palabras, un variograma
definido positivo es una medida legítima de distancia.
Por estas razones, los geoestadísticos han adaptado los
variogramas con funciones definidas positivas específicas
conocidas como los modelos esféricos, exponenciales,
gaussianos y de efecto agujero. Cabe mencionar que se
puede utilizar cualquier función de variograma definitivo
positivo, incluidos los valores tabulados de variograma o
covarianza6. El uso de cualquier función arbitraria o tabla no
paramétrica de valores de variograma requeriría una
comprobación para asegurar una definición positiva7. En
general, el resultado no será positivo definitivo y se
requerirá algún procedimiento iterativo para ajustar los
valores hasta que se cumpla el requisito de definición
positiva.
Con una interpretación "correcta" de los variogramas, el
uso de los modelos paramétricos tradicionales no es
restrictivo. De hecho, los modelos paramétricos tradicionales
permiten contabilizar toda la información geológica y ajustar
el comportamiento realista de los variogramas. Además, el
uso de modelos tradicionales de variogramas permite una
6 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

Importancia del Variograma en la Geoestadística que la anisotropía zonal es donde el variograma "umbral"
El variograma es utilizado por la mayoría de los algoritmos de aparece diferente en diferentes direcciones. Considere una
mapeo y modelado geoestadístico. Los modelos de facies sección transversal 2D a través de un depósito de aceite con tapa
basados en objetos y ciertos algoritmos iterativos, como el de gas. Tomaremos un pozo horizontal en el tramo de petróleo y
recocido simulado, no utilizan variogramas. realizaremos una simulación de flujo para evaluar el avance del
Conservadoramente, el 80% de todos los estudios de gas. Además, consideraremos que existen importantes áreas
modelación geoestadística de yacimientos involucran el uso
del variograma para construir uno o todos los modelos de
facies, porosidad y permeabilidad. Todos los algoritmos de
simulación gaussianos, incluyendo la simulación gaussiana
secuencial y la simulación de campo p, los métodos de
simulación de indicadores como la simulación de indicadores
secuenciales y el algoritmo de Markov-Bayes, y la mayoría de
las implementaciones de algoritmos basados en el recocido
simulado se basan en el variograma.
Los documentos técnicos presentados en las reuniones
anuales de la SPE ofrecen una visión general de las prácticas
actuales en la industria petrolera. En 19978, había 76
documentos relacionados con el yacimiento, un tercio se
refería a técnicas geoestadísticas, y el 90% de estos se referían
a procedimientos de modelado que requerían un modelo de
variograma, pero se hizo muy poco hincapié en la importancia
y el impacto del modelado de variogramas. El informe de
19989 contiene
73 trabajos relacionados con la evaluación de la formación, de
los cuales el 18% consideró técnicas geoestadísticas. El 70%
de ellos requería el uso de un variograma, el resto se ocupaba
del modelado de fractura/falla y uno del modelado de canales,
pero tenga en cuenta que para completar, un modelo de
yacimiento requiere muy a menudo simulaciones de porosidad
y permeabilidad que implicarían el uso de un variograma.
El variograma no sólo se utiliza ampliamente, sino que
tiene un gran efecto en las predicciones del comportamiento
del flujo. El carácter de flujo de un modelo con un rango de
correlación muy corto es muy diferente de un modelo con un
rango de correlación largo. Ocasionalmente hay suficientes
datos de pozos para controlar la apariencia y el
comportamiento del flujo de los modelos numéricos; sin
embargo, estos casos son poco frecuentes y de menor
importancia que el caso común de control de pozos escasos.
Los datos de pozos disponibles están demasiado espaciados
para proporcionar un control efectivo sobre el modelo
numérico. Los datos sísmicos e históricos de producción
proporcionan limitaciones espaciales a gran escala. El
variograma proporciona el único control efectivo sobre los
modelos numéricos resultantes.
La falta de datos, que hace que el variograma sea
importante, también dificulta el cálculo, la interpretación y la
modelización de un variograma fiable. Los profesionales han
sido conscientes de este problema durante algún tiempo sin
una solución satisfactoria. Los datos analógicos disponibles de
campos mejor perforados, estudios de afloramiento o
modelación de procesos geológicos proporcionan información
valiosa; sin embargo, estos datos deben combinarse con
cálculos específicos de campo para ser útiles. Un modelo de
variograma tridimensional a menudo se ensambla con una
combinación de datos de campo e información analógica para
rangos de correlación horizontal.
El modelado de variogramas es importante y los "detalles"
a menudo tienen un impacto crucial en la predicción del
rendimiento futuro del yacimiento. En particular, el
tratamiento de la anisotropía zonal es importante. Recordemos
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS tradicional.
Y MODELADO Estos
PARA UNA MEJOR CARACTERIZACIÓN
incluyen madogramas, rodogramas,7
variaciones en la porosidad media y, por lo tanto, en la
DEL YACIMIENTO
permeabilidad. Estas variaciones de área se traducen en una variogramas relativos generales y por pares. Son
anisotropía zonal donde el variograma vertical alcanza un
umbral más bajo que la dirección horizontal. El Caso A será
la anisotropía zonal correctamente modelada y el Caso B
consistirá en tratar erróneamente la anisotropía zonal como
una anisotropía geométrica donde sólo el rango es diferente
en las direcciones vertical y horizontal. Los ejemplos de los
campos de permeabilidad resultantes se muestran en las
Figs. 5(a) y (b) para los Casos A y B respectivamente,
observe las tendencias de área más fuertes visibles en la Fig.
5(a). El simulador de flujo VIP se utilizó para modelar el
rendimiento del pozo horizontal en términos de producción
de petróleo y el momento del descubrimiento de gas. Las
Figs. 5(c) y (d) muestran distribuciones de saturación de
aceite después de 100 pasos temporales para los campos de
permeabilidad de las Figs. 5(a) y (b) respectivamente. Para
evitar interpretar un artefacto de una realización, se
consideran múltiples (100) simulaciones estocásticas. Las
distribuciones del tiempo necesario para alcanzar un RGM
de 0,6 (justo después del avance) se muestran en las Figs.
5(e) y (f) para los Casos A y B respectivamente. La
dispersión de las respuestas para el Caso A es mucho mayor
que para el Caso B, la varianza es 4 veces mayor. La media
de las respuestas es diferente en 10 días. Incluso a través de
este simple ejemplo ilustrativo, se puede ver el impacto que
el modelo de variograma puede tener en las decisiones
consecuentes de gestión de yacimientos.
Existen otras malas prácticas en la interpretación y uso
de variogramas. Por ejemplo, una tendencia vertical u
horizontal sistemática a veces se incluye en el variograma
como una estructura de largo alcance; sin embargo, debe ser
manejada explícitamente trabajando con datos residuales o
considerando una forma de kriging que explique
explícitamente la tendencia. En tal caso, requerimos el
variograma de los datos residuales en lugar del variograma Z
original, ver más adelante la sección sobre Eliminación de la
tendencia.
El modelado de variogramas es algo más que la selección
de rangos verticales y horizontales. Se debe tener en cuenta
la anisotropía zonal, las tendencias y las variaciones
geológicas cíclicas. Desarrollamos un procedimiento
sistemático que promueve una fácil interpretación y
modelado.

Interpretación y modelado de variogramas

Establecimiento de la variable correcta. El cálculo del

variograma es precedido por la selección de la variable de
interés. Es raro en la geoestadística moderna considerar
datos no transformados. El uso de técnicas gaussianas
requiere una transformación gaussiana previa de los datos y
el modelo de variograma de estos datos transformados. Las
técnicas de los indicadores requieren una codificación de las
facies o de la variable continua en una serie de umbrales.
Además, las tendencias sistemáticas de área o verticales
deben ser eliminadas de la variable antes de la
transformación y el cálculo del variograma, ver la siguiente
sección.
Cuando los datos están sesgados o tienen valores
extremadamente altos o bajos, los variogramas calculados a
menudo muestran comportamientos erráticos. En la literatura
se han propuesto varias alternativas robustas al variograma
8 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

generalmente utilizado para determinar los rangos y la normal) de los residuos se muestra en la Fig. 9, que ahora
anisotropía, que no pueden ser detectados con el variograma presenta una estructura más clara que alcanza el umbral teórico
tradicional. Sin embargo, estas medidas de variabilidad de 1 a unas 7 unidades de distancia.
espacial no deben ser modeladas, ya que no pueden servir
como insumo para la estimación posterior o los algoritmos de
simulación. En su lugar, se recomienda transformar los datos
al espacio Normal o Gaussiano antes de realizar los cálculos
de variogramas. Esto tiene algunas ventajas importantes:
(1) se amortigua la diferencia entre los valores extremos y (2)
se sabe que el umbral teórico es 1. Además, el algoritmo del
campo p requiere el variograma de la transformación de la
puntuación uniforme de los datos. Sin embargo, la puntuación
Uniforme y los variogramas de puntuación Normal son
generalmente tan similares que estos últimos se pueden utilizar
la mayoría de las veces.

Eliminar la tendencia. Como se mencionó anteriormente, el

primer paso importante en todos los ejercicios de modelación
geoestadística es establecer la propiedad correcta para modelar
y asegurarse (en la medida de lo posible) de que esta
propiedad esté estacionaria sobre el dominio del estudio. De
hecho, si los datos muestran una tendencia sistemática, esta
tendencia debe ser modelada y eliminada antes del modelado
de variogramas y la simulación geoestadística. El análisis de
variogramas y todas las estimaciones o simulaciones
posteriores se realizan sobre los residuos. La tendencia se
vuelve a añadir a los valores estimados o simulados al final del
estudio.
Hay problemas asociados con la definición de un modelo
de tendencia razonable y la eliminación de la parte
determinista de la tendencia; sin embargo, es esencial
considerar las características deterministas tales como las
tendencias de manera determinista. La presencia de una
tendencia significativa hace que la variable no estacionaria, es
decir, no es razonable esperar que el valor medio sea
independiente de la ubicación. Los residuos de algún modelo
de tendencia simple son más fáciles de considerar
estacionarios.
Las tendencias en los datos pueden ser identificadas a
partir del variograma experimental, que sigue aumentando por
encima del umbral teórico, ver discusión anterior. En términos
simples, esto significa que a medida que las distancias entre
los pares de datos aumentan, las diferencias entre los valores
de los datos también aumentan sistemáticamente.
Para ilustrar lo anterior, considere los datos de porosidad
mostrados en la Fig. 6. La Fig. 6 muestra claramente una
tendencia en el perfil de porosidad a lo largo de un pozo. La
porosidad aumenta con la profundidad debido a una
clarificación hacia arriba de la secuencia de arena. El
variograma (de puntuación normal) correspondiente a estos
datos de porosidad se muestra en la Fig. 7. Muestra un
incremento sistemático muy por encima del umbral teórico de
1. Se podría ajustar un modelo de variograma de "potencia" o
"fractal" al variograma experimental de la Fig. 7; sin embargo,
dado que estos modelos no tienen un valor de umbral (es
infinito), no se pueden utilizar en algoritmos de simulación
tales como la simulación gaussiana secuencial. Pero sobre
todo, no son representativos de la propiedad de interés.
Una tendencia lineal fue ajustada al perfil de porosidad
(ver Fig. 6) y luego eliminada de los datos. Los residuos
resultantes constituyen la nueva propiedad de interés y su
perfil se muestra en la Fig. 8. El variograma (de puntuación
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS interpretación
Y MODELADO PARA UNA MEJOR
y el modelado CARACTERIZACIÓN
de variogramas. 9
Variación de la interpretación del variograma. A menudo
DEL YACIMIENTO
existe confusión sobre la varianza correcta a utilizar para la
interpretación de variogramas. Es importante tener el valor
de la varianza 2, o C(0), para interpretar correctamente la
correlación positiva y negativa. Recordemos que un valor
del semivariograma (h) por encima de la varianza del umbral
implica una correlación negativa entre Y(u) e Y(u+h),
mientras que un valor del semivariograma (h) por debajo del
umbral implica una correlación positiva. Ha habido alguna
discusión en la literatura acerca de la varianza correcta a
usar para la varianza de umbral y para la interpretación del
variograma. Esta discusión fue resumida por el Ref. 4, que
se refiere a Ref. 1 y el artículo de Ref. 10. Hay tres
cuestiones que deben discutirse antes de hacer una
recomendación sobre la varianza correcta a utilizar para la
interpretación y modelado de variogramas: (1) la varianza
de dispersión, que explica la diferencia entre nuestro
dominio finito y la varianza estacionaria infinita, (2) las
ponderaciones decrecientes, que explican el hecho de que
nuestros datos, y todas las
estadísticas de resumen, como la varianza de la muestra ˆ ,
2

no son representativas de todo el dominio, y (3) valores

atípicos, que pueden causar estimaciones erráticas e
inestables de la varianza. El punto principal que ha planteado
el Ref. 1 y Ref. 10 es que la varianza de la muestra ˆ no es
2
2
un estimador de la varianza estacionaria , es un estimador de
la varianza de dispersión de muestras de soporte de puntos
dentro del área de interés A; denotado como D2(,A) en
notación geoestadística convencional. Sólo cuando el área de
muestra A se acerca a un dominio infinito, la varianza de la
2
muestra 2 se acerca a la varianza estacionaria 2. Hay que
tener en cuenta que la desviación de dispersión D2(,A) es el
valor medio del variograma , A, que sólo puede ser
calculado conociendo el variograma. Se podría considerar un
enfoque recursivo para identificar la varianza estacionaria
correcta
2
y el variograma (h); sin embargo, esto es innecesario. Los
datos utilizados para estimar el variograma representan el
área de interés A y no un dominio infinito. Por lo tanto, el
punto en el que Y(u) e Y(u+h) no están correlacionados es la
varianza de dispersión D2(,A). En otras palabras, debemos
utilizar la varianza de la muestra como umbral del
semivariograma de la muestra y reconocer que, en todo
rigor, es una varianza de dispersión particular.
La segunda cuestión se relaciona con el uso de la
varianza de la muestra ingenua o la contabilidad de la
varianza de la muestra para las ponderaciones de
desagregación. El uso de las pesas de desagregación es muy
importante para determinar un histograma fiable, la media,
la varianza y otras estadísticas de resumen. Aunque el uso de
las ponderaciones desclasificadoras es importante, no se
utilizan en el cálculo del variograma, es decir, hay más pares
experimentales en áreas de mayor densidad de muestreo. Por
lo tanto, el umbral (o valor del semivariograma
correspondiente a la correlación cero) se alcanza con la
varianza de la muestra naïve. Se han realizado esfuerzos11
para incorporar las ponderaciones desclasificadoras en el
cálculo del variograma; sin embargo, no proporcionan un
variograma mejor y son difíciles de implementar en la
práctica. Como resultado, las ponderaciones de
desagregación no deben utilizarse en la transformación de
datos ni en el cálculo de la varianza para el cálculo, la
10 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

La última cuestión que debe abordarse es la influencia de que son las principales direcciones de continuidad basadas en un
los valores de las muestras atípicas. Es bien sabido en conocimiento geológico previo (el cálculo de variogramas no es
estadística que la varianza, al ser una estadística cuadrada, es
sensible a los valores atípicos. Por esta razón, la desviación de
la muestra puede ser poco fiable. Con distribuciones de datos
muy sesgadas, es esencial tratar con valores atípicos antes de
calcular la varianza o el variograma. Debemos tener en cuenta,
sin embargo, que esto no es un problema con los datos
transformados; el Gaussiano y el indicador de transformación
eliminan la sensibilidad a los valores de los datos atípicos. La
distribución gaussiana resultante no tiene valores atípicos por
construcción y sólo hay 0 y 1 después de la transformación del
indicador.
La varianza correcta para la interpretación del variograma
es la varianza ingenua con igual ponderación calculada
después de la eliminación de los valores atípicos.

Metodología de Interpretación y Modelado de

Variogramas. La metodología defendida en este trabajo es
clásica en el sentido de que asume que la variable
regionalizada está compuesta por una suma de variables
aleatorias independientes. Cada variable aleatoria
constituyente tiene su propia estructura de variograma. Las
estructuras de variogramas de componentes pueden ser
agregadas aritméticamente para crear un modelo completo de
variograma tridimensional lícito para algoritmos
geoestadísticos. Dado que cada estructura de variograma
corresponde a un fenómeno geológico subyacente específico,
la fase de modelado real (ejercicio tradicional de ajuste de
curvas) es precedida por una etapa de interpretación necesaria.
En un enfoque similar a la parte bien establecida de
identificación de modelos de la interpretación de pruebas de
pozos12, donde la respuesta de presión se divide en diferentes
regiones temporales, la varianza total del fenómeno bajo
estudio se divide en regiones de varianza. El comportamiento
del variograma en cada región se identifica entonces como de
un tipo de estructura específico. Esto es análogo al paso de
reconocimiento del modelo de análisis de pruebas de pozos,
donde la firma derivativa de la presión de cada región de
tiempo se asocia a un régimen de flujo específico. El análisis
de prueba de pozos define tres regiones de tiempo: (1) tiempo
temprano correspondiente a los efectos cercanos al diámetro
del pozo (por ejemplo, almacenamiento del pozo, fracturas
hidráulicas); (2) tiempo medio caracterizado por el
comportamiento básico del yacimiento (por ejemplo,
porosidad simple o doble, compuesto); y (3) tiempo tardío que
toma en cuenta los límites del yacimiento (por ejemplo, fallas,
ausencia de flujo o límites de presión constante). De manera
similar, se pueden definir tres regiones principales de varianza
para el análisis de variogramas: (1) varianza a pequeña escala
(efecto pepita), (2) varianza a escala intermedia (anisotropía
geométrica - puede existir más de una de estas estructuras), y
(3) varianza a gran escala (anisotropía zonal, efecto agujero).
La metodología procede de manera secuencial, identificando
primero la varianza a corto plazo, luego las estructuras a
escala intermedia y finalmente las características a gran escala.
Para que la interpretación del variograma sea consistente en 3-
D, todas las estructuras que contribuyen a la varianza total
deben existir en todas las direcciones y sus contribuciones de
varianza deben ser iguales.
Los pasos de la metodología son los siguientes:
Calcular y trazar variogramas experimentales en lo que se cree
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS Y MODELADO PARA UNA MEJOR CARACTERIZACIÓN 1
cubiertos en este documento). Si la información geológica es
DEL YACIMIENTO 1
ambigua, se pueden utilizar mapas de variogramas 2D para
determinar las principales direcciones horizontales de
continuidad (un mapa de variogramas es un diagrama de
valores de variogramas experimentales en un sistema de
coordenadas (hx, hy) con el centro del mapa correspondiente
al variograma con un desfase de 0,04). Tenga en cuenta que
puede existir más de una dirección principal de anisotropía,
lo que podría deberse, por ejemplo, a la presencia de
múltiples conjuntos de fracturas o diagénesis. Considere los
variogramas experimentales horizontales y verticales
mostrados en la Fig. 10(a).
Coloque una línea horizontal que represente el umbral
teórico. Utilice el valor de la varianza experimental
(estacionaria) para las variables continuas (1 si los datos se
han transformado en puntuación normal) y p(1-p) para las
variables categóricas, donde p es la proporción global de la
categoría de interés. Una característica de nuestra
metodología propuesta es que los variogramas se ajustan
sistemáticamente al umbral teórico y toda la variación por
debajo del umbral debe explicarse en los siguientes pasos.
Si el variograma experimental se eleva claramente por
encima del umbral teórico, es muy probable que exista una
tendencia en los datos. La tendencia debe ser eliminada
como se detalla en la sección anterior Eliminando la
Tendencia, antes de proceder a la interpretación del
variograma experimental.

Interpretación:
Variación en escala corta: el efecto nugget es una
discontinuidad en el variograma en el origen que
corresponde a la variabilidad en escala corta. En el
variograma experimental, puede deberse a errores de
medición o a estructuras geológicas con rangos de
correlación más cortos que la resolución de muestreo. Debe
elegirse de manera que sea igual en todas las direcciones. Se
toma del variograma experimental direccional que muestra
la pepita más pequeña. Es decisión del intérprete
posiblemente bajarlo o incluso ajustarlo a 0.0. La estructura
del ejemplo de la Fig. 10(b) corresponde al efecto nugget.
Variación a escala intermedia: la anisotropía
geométrica corresponde a un fenómeno con diferentes
rangos de correlación en diferentes direcciones. Cada
dirección encuentra la variabilidad total de la estructura.
Puede haber más de una de estas estructuras de desviación.
La estructura dos de la Fig. 10(c) representa la anisotropía
geométrica con el mayor rango de correlación en la
dirección horizontal.
Desviación a gran escala: (1) La anisotropía zonal
se caracteriza por variogramas direccionales que alcanzan
una meseta con una variación inferior a la del umbral
teórico, es decir, la variabilidad total del fenómeno no es
visible en esas direcciones. La estructura tres de la Fig.
10(d) corresponde a la anisotropía zonal, sólo la dirección
vertical contribuye a la variabilidad total del fenómeno a esa
escala; (2) el efecto agujero es representativo de un
fenómeno "periódico" (ciclicidad) y se caracteriza por
ondulaciones en el variograma. El efecto agujero no
contribuye realmente a la varianza total del fenómeno, sin
embargo, su amplitud y frecuencia deben ser identificadas
durante el procedimiento de interpretación, además, sólo
puede existir en una dirección.
12 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

Modelado. Una vez que se han explicado todas las regiones debido a las variaciones sistemáticas de las áreas en la porosidad
de varianza y se ha relacionado cada estructura con un proceso media.
geológico conocido, se puede proceder al modelado de Tres regiones de varianza fueron para el variograma
variogramas seleccionando un tipo de modelo lícito (esférico, horizontal y vertical de la Fig. 9; véase el cuadro que figura a
exponencial, gaussiano...) y rangos de correlación para cada continuación. Los dos primeros componentes son estructuras
estructura. Este paso puede ser referido como la parte de esféricas anisotrópicas de variogramas. El último variograma
estimación de parámetros del análisis de variogramas. captura la anisotropía zonal en la dirección vertical.
Limitación del modelo de variograma mediante una
interpretación previa
con la identificación de los tipos de estructura puede llevar a Desviaci Tipo de Horizontal Vertical
una solución ón
ajuste automático de los variogramas experimentales. Contribution Variogram Rango,ft Rango, pies
0.50 Spherical 750.0 6.0
En presencia de datos horizontales escasos, las estructuras 0.40 Spherical 2000.0 50.0
de varianza visibles en el variograma vertical deben ser 0.10 Spherical 7000.0
forzadas sobre variogramas horizontales experimentales a
menudo inexistentes. Los rangos horizontales Las Figs. 10 y 11 muestran facies (presencia de caliza
correspondientes a estas estructuras se "toman prestados" a codificada como 1, dolomita y anhidrita codificada como cero)
partir de datos auxiliares (afloramientos analógicos, campos y variogramas de porosidad calculados a partir de un
densamente perforados, modelos deposicionales, sísmicos), yacimiento importante de Arabia Saudita, ver Ref. 14 para los
como se muestra en la sección Incorporación de datos variogramas originales. Observe los variogramas horizontales
analógicos. interpretables y los variogramas verticales y horizontales
Los profesionales se han abstenido de interpretar y consistentes. También se observa la presencia de una
modelar rigurosamente los variogramas debido a la escasez de anisotropía zonal en el caso de porosidad, pero no en el caso
datos y al software inadecuado. Cada vez se dispone de más del variograma indicador de facies.
datos de pozos horizontales y de campos o afloramientos Se identificaron dos regiones de varianza para el
análogos. El software también puede ser diseñado para ayudar variograma de facies de la Fig. 10, véase el cuadro que figura
en la interpretación y modelación de variogramas en 3-D en a continuación. Tenga en cuenta que el umbral en este caso es
lugar de promover las malas prácticas, lo que incluye la mala de 0,24 (relacionado con la proporción relativa de piedra
interpretación de las tendencias, la anisotropía zonal y la no caliza
vinculación de variogramas verticales y horizontales. / dolomita). Ambos son variogramas exponenciales
anisotrópicos.

Ejemplos de Desviaci Tipo de Horz. Horz. Gama Vertical

Embalses ón Alcance,
La Fig. 8 muestra variogramas horizontales y verticales de un Contribution Variogram NW-SE,ft NE-SW, ft Alcance,
yacimiento canadiense. El variograma se equipó con dos pies
0.10 Exponential 150.0 400.0 0.8
modelos exponenciales (estructura de escala corta y estructura 0.14 Exponential 2500.0 4000.0 1.2
de largo alcance) y un modelo de efecto agujero amortiguado
en la dirección vertical. Nótese que el buen variograma Se identificaron tres regiones de varianza para el
horizontal se debe a la disponibilidad de pozos horizontales. variograma de porosidad de la Fig. 11; véase el cuadro
Cinco regiones de varianza se referían a las regiones siguiente. La tercera región define la anisotropía zonal en la
horizontal y vertical dirección vertical.
de la Fig. 8, véase la tabla de la parte superior de la página Desviaci Tipo de Horizontal Horizontal Vertical
ón
siguiente.
El primer componente pequeño es un efecto nugget isotrópico. Contribution Variogram Rango,ft Range, ft Rango, pies
El
las siguientes tres son estructuras de variogramas exponenciales con 0.35 Exponencial 400.0 500.0 0.6
diferentes
parámetros de rango. Se requieren tres estructuras exponenciales para 0.40
0.25 Exponencial
Exponential 2000.0
12000.0 4000.0
40000.0 0.6
capturan el punto de inflexión con un valor de varianza de
aproximadamente 0,3 en el variograma vertical y la estructura
de largo alcance en el variograma vertical en la región de Incorporación de datos analógicos
varianza de 0,8 a 1,0. La estructura del variograma del quinto El uso de datos analógicos es esencial en la caracterización de
efecto de agujero amortiguado sólo se aplica en la dirección yacimientos de petróleo. Rara vez se dispone de datos
vertical y no añade ninguna contribución neta a la varianza. suficientes que permitan un cálculo fiable de todas las
Tenga en cuenta que el factor de amortiguación es cinco veces estadísticas necesarias, incluido el variograma. Esto es
mayor que el rango. particularmente cierto en el caso de los proyectos horizontales.
Variance Tipoof Horizontal Vertical variograma en presencia de un número limitado de pozos
Contribution Variogram Range, m Alcance, m verticales.
La Fig. 12 muestra la puntuación normal vertical y
horizontal
0.05 Nugget semivariograma de porosidad de un reservorio fluvial-deltaico
0.29 Exponencial 100.0 0,015 con dos pocillos. Tenga en cuenta que sólo un punto de variograma puede ser
0,450 calculada
0.46 Exponencial 175.0 en la dirección horizontal - a la interdistancia
SPE 566540.20
METODOLOGÍA PARA LA INTERPRETACIÓN
Exponencial 100.0 DE VARIOGRAMAS Y MODELADO PARA UNA MEJOR CARACTERIZACIÓN
0.500 1
DEL YACIMIENTO
0.20 Agujero 0,060 entre los dos pozos (600 m). Datos analógicos (tal como se publicaron, 3
Humedecido
Efecto por ejemplo, en Ref. 15) debe utilizarse para construir un
modelo de variograma horizontal.
La Fig. 9 muestra variogramas horizontales y verticales No existe información suplementaria que indique la presencia
para los datos de Amoco, que se pusieron a disposición del de una anisotropía zonal, es decir, si se observan los dos
Centro de Previsión de Reservorios de Stanford para probar perfiles de pozo, no hay una fuerte indicación de una
los algoritmos geoestadísticos13. Observe la anisotropía zonal correlación horizontal generalizada. Los datos analógicos
en la vertical publicados indican que una relación de anisotropía horizontal
a vertical de 50:1 es razonable. Trazado de gráficos
14 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

el variograma vertical con esta relación de anisotropía (a la Además, una metodología rigurosa implicaría que diferentes
derecha de la Fig. usuarios llegarían a modelos de variogramas similares.
12) concuerda con el único punto a 600m. Se deben realizar
estudios de sensibilidad ya que existe una gran incertidumbre
en esta relación de anisotropía de 50:1.

Discusión
La metodología y los ejemplos presentados anteriormente
tienen una serie de implicaciones en el diseño de software para
el cálculo, la interpretación y el modelado de variogramas. En
primer lugar, es evidente que deben considerarse
simultáneamente varias direcciones. Es una mala práctica
considerar cada dirección de forma independiente e intentar
fusionar variogramas 1-D después del modelado. Las
contribuciones de las diferencias identificadas en una
dirección deben persistir automáticamente en todas las
direcciones
Uno puede imaginar un procedimiento de ajuste
semiautomático en el que una vez que la varianza total se ha
dividido en diferentes estructuras anidadas, los parámetros de
las estructuras anidadas (es decir, el tipo de modelo y los
rangos) se estiman con algún tipo de procedimiento de
optimización restringida. Siempre que la contribución de todas
las estructuras sea consistente en las tres direcciones
principales, esto es todo lo que se necesita para construir un
modelo de variograma 3D lícito. Un algoritmo de ajuste de
variogramas completamente automático, incluso si genera
modelos 3D consistentes, puede conducir potencialmente a
modelos no geológicos. Además, no permitiría la
incorporación de información externa en presencia de datos
escasos.
Los programas basados en Kriging que utilizan los
modelos de variogramas aquí propuestos deberían ser capaces
de aislar o filtrar cualquier estructura anidada en particular.
Esto podría ser de alguna ventaja cuando se consideran, por
ejemplo, los datos sísmicos, que son un filtro de paso bajo; los
componentes de alta frecuencia o escala corta pueden filtrarse
en la medición. Un procedimiento de interpretación
sistemática puede poner algo de rigor en la partición a menudo
arbitraria del variograma con el propósito de Factorial Kriging.
La consecuencia evidente de la simulación estocástica es
que un modelo de variograma lícito puede utilizarse en una
variedad de métodos de simulación estocástica. Otra
implicación es que la variable de interés puede ser construida
como una suma de diferentes variables aleatorias, cada una de
las cuales corresponde a una de las estructuras anidadas. Una
ventaja es que hay métodos que permiten la simulación rápida
de una estructura anidada en particular, por ejemplo, métodos
de ventanas en movimiento para las estructuras de
variogramas esféricos, exponenciales o gaussianos (tenga en
cuenta que los métodos de tipo ventana en movimiento son
especialmente atractivos con las computadoras de
procesamiento paralelo). La ventaja de la velocidad de la CPU
en las computadoras convencionales de un solo procesador es
cuestionable.)
Lo más importante es que la implementación de un
procedimiento sistemático de interpretación y modelado de
variogramas elimina el misterio y el arte que generalmente han
rodeado al análisis de variogramas. Permite a los usuarios
inferir, de forma sencilla y fiable, modelos de variogramas
lícitos, a la vez que adquieren una comprensión de la
continuidad/variabilidad espacial del fenómeno en estudio.
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS Y MODELADO
u =PARA
vectorUNA MEJOR CARACTERIZACIÓN
de localización 1
Conclusión
DEL YACIMIENTO 5
El variograma se utiliza en todo el modelado geoestadístico
de yacimientos como medida de la variabilidad espacial. Los
modelos de yacimientos tridimensionales subsiguientes
(incluyendo facies, porosidad y permeabilidad) honran
mediante la construcción del variograma, en un sentido
estadístico. Por esta razón, es esencial que el variograma sea
representativo de la verdadera heterogeneidad presente en el
reservorio. Representa la comprensión cuantitativa del
modelador de la variabilidad espacial de la propiedad de
interés dados los datos, y cualquier información geológica y
geofísica adicional relacionada que pueda estar disponible.
Los métodos de interpretación presentados en este
trabajo recuerdan la revolución en la prueba de pozos que se
produjo con el derivado de la presión y el desarrollo de una
metodología de análisis rigurosa basada en los principios de
identificación y verificación de modelos. La identificación
del modelo consiste en dividir la respuesta de presión en
regiones de tiempo. Cada región de tiempo se asocia a un
régimen de flujo específico basado en la firma de la
respuesta de presión (reconocimiento del modelo) y se
evalúan los parámetros requeridos para modelar cada
régimen (estimación de parámetros). En el caso de los
variogramas, la varianza se divide en diferentes regiones que
corresponden a diferentes escalas de variabilidad geológica.
Cada región (estructura) de varianza se caracteriza por un
comportamiento de variabilidad geológica específico (efecto
nugget, anisotropía geométrica y zonal, y efecto agujero).
Cada comportamiento es modelado analíticamente y requiere
un tipo de modelo lícito (esférico, exponencial, gaussiano...)
y un rango de correlación. En el análisis de pruebas de
pozos, la verificación del modelo se logra en parte
comparando los modelos resultantes con varias
representaciones gráficas de la respuesta de presión que no
sean el diagrama derivado de la presión (o logaritmo). En el
análisis de variogramas, este paso se incorpora asegurando
una interpretación consistente en todas las direcciones
principales.
Aunque la importancia y el impacto potencial del modelo
de variograma es generalmente reconocida, la práctica del
análisis de variogramas a menudo se hace de manera poco
entusiasta, si es que se hace. Este documento no presenta
nada nuevo para el experto y experimentado profesional que
entiende y aplica en general todos los principios aquí
discutidos. Sin embargo, la geoestadística es cada vez más
utilizada por geólogos, geofísicos e ingenieros que a menudo
se encuentran perdidos cuando tienen que inferir un modelo
representativo de variograma. La metodología presentada
aquí proporciona un marco para entender los variogramas
experimentales y complementarlos con información auxiliar
en presencia de datos dispersos, dando como resultado un
modelo consistente y lícito de variogramas 3D.

Nomenclatura
A = área de muestra
C = covarianza
espacial D2 =
varianza de dispersión
E = valor esperado
GOR = relación
gasóleo
h = distancia vectorial
m = media
p = proporción global
16 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

Y = variable aleatoria
semivariograma
Semivariograma medio
2
= Desviación estacionaria
ˆ 2 = varianza de la muestra
Agradecimientos
Los autores agradecen a David Revus por su ayuda en el uso del
simulador de flujo VIP.

Referencias
1. Journel, A.G., y Huijbregts, Ch. J..: Mining Geostatistics,
Academic Press, Nueva York (1978) 600.
2. Armstrong, M.: "Improving the Estimation and Modeling of
the Variogram," Geostatistics for Natural Resources
Characterization, G. Verly et al. (eds.), Reidel, Dordrecht
(1984) 1, 585.
3. Olea, R. A.: "Fundamentals of Semivariogram Estimation,
Modeling, and Usage," Stochastic Modeling and
Geostatistics: Principles, Methods, and Case Studies, J. M.
Yarus and R. L. Chambers (eds.), AAPG Computer
Applications in Geology, Tulsa (1995) No. 3, 369.
4. Goovaerts, P.: Geostatistics for Natural Resources
Evaluation, Oxford University Press, Nueva York (1998)
483.
5. Scholle, P. A., y Spearing, D.: Sandstone Depositional
Environments, The American Association of Petroleum
Geologists, Tulsa, Oklahoma (1982).
6. Yao, T. y Journel, A. G.: "Automatic modeling of (cross)
covariance tables using fast Fourier transform," Math
Geology (1998) 30, No. 6, 589.
7. Myers, D. E.: "Pseudo-cruz variograms, positive-
definiteness, and cokriging," Math Geology (1991) 6, No. 23,
805.
8. Proceedings of the 1997 SPE Annual Technical Conference
and Exhibition, San Antonio, Oct 5-8.
9. Proceedings of the 1998 SPE Annual Technical Conference
and Exhibition, New Orleans, Sept. 27-30.
10. Barnes, R. J.:"La solera del variograma y la varianza de la
muestra".
Math Geology (1991) 23, No. 4, 673. Fig. 1: Semivariograma con los diagramas de dispersión h
11. Omre, H.: "The Variogram and its Estimation", Geostatistics correspondientes a tres distancias de retardo diferentes.
for natural resources characterization, G. Verly et.al. (eds.), Nótese que la correlación en la gráfica de dispersión h es
Reidel, Dordrecht (1984) 1, 585. positiva cuando el valor del semivariograma está por
12. Gringarten, A.G.: "Computer-Aided Well Test Analysis", debajo del umbral, cero cuando el semivariograma está en
documento SPE 14099 presentado en la Reunión el umbral, y negativa cuando el semivariograma está por
Internacional de Ingeniería del Petróleo de 1986, Beijing, encima del umbral.
China, 17-20 de marzo.
13. Journel, A.G.: "El Conjunto de Datos Amoco: Exploratory
Data Analysis," Stanford Center for Reservoir Forecasting
(1991) 1, No. 4.
14. Benkendorfer, J.P., Deutsch, C.V., LaCroix, P.D., Landis, L.
H., Al-Askar, Y.A., y Cole, J.: "Integrated Reservoir
Modelling of a Major Arabian Carbonate Reservoir"
(Modelización integrada de un importante yacimiento de
carbonato árabe), documento SPE 29869, presentado en el
Salón del Petróleo de 1995 de la SPE en Oriente Medio,
Bahréin, marzo 11-14.
15. Kupfersberger, H. y Deutsch, C. V.: "Methodology for
integrating analogue geologic data in 3D variogram
modeling", que aparecerá en el AAPG Bulletin en agosto de
1999.
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS Y MODELADO PARA UNA MEJOR CARACTERIZACIÓN 1
DEL YACIMIENTO 7

Fig. 2: Imágenes de 100 x 50 píxeles con variogramas
horizontales y verticales asociados. Estas imágenes
muestran comportamientos básicos de variogramas:
anisotropías geométricas y zonales, efecto agujero y
tendencias.
Fig. 4: Tres imágenes geológicas diferentes con los
correspondientes variogramas direccionales. Observe la
ciclicidad, las tendencias, la anisotropía geométrica y la
anisotropía zonal.

Fig. 3: En presencia de tendencias de área (ilustradas a la

izquierda) cada pozo no"verá" el rango completo de
variabilidad, es decir, los pozos en las áreas de mayor valor
(por ejemplo, el pozo A) encuentran valores mayormente
altos mientras que los pozos en las áreas de menor valor
(por ejemplo, el pozo B) encuentran valores mayormente
bajos. El variograma vertical en este caso no alcanza la
variabilidad total, es decir, muestra una anisotropía zonal.
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS Y MODELADO PARA UNA MEJOR CARACTERIZACIÓN 11
DEL YACIMIENTO

Variograma de puntuación normal de (a), la tendencia

vertical se revela como un aumento continuo del
variograma por encima del valor de umbral de 1,0; (c)
Perfil vertical de los valores de porosidad residual tras la
eliminación de la tendencia lineal; (d) Variograma de
puntuación normal de los valores de porosidad residual,
alcanza el umbral esperado de 1,0.

Fig. 5: Resultados de la simulación de flujo para el Caso A

donde el modelo del variograma toma en cuenta
explícitamente la anisotropía zonal y el Caso B donde el
modelo del variograma ignora la anisotropía zonal y
considera sólo una estructura geométrica de anisotropía. a)
y b) Campos de permeabilidad para los casos A y B,
respectivamente. c) y d) Perfil de saturación del aceite
durante la producción para los casos A y B,
respectivamente. (e) y (f) Distribuciones de tiempos para
alcanzar un GOR de 0,6 (justo después del avance) basado
en 100 realizaciones tanto para los Casos A como B.
50

45
Regresión:
y=-1.5807x+51.611
40

35

30 (b)
3.00 Semivariograma - Porosidad de la puntuación normal
ndida
Profu

25
d

20
(a) 2.50

2.00
15 1.50

1.00
10

0.50
5

0
0 52530 0.00
Porosida 0.0 5.0 10.0 15.0 20.0 25.0 30.0
d
Distancia

50

45

40

35

30
(d)
3.00 Semivariograma - Resultados normales residuales
ndida
Profu

25

(c)
d

2.50
20 Fig. 7: (a) Experimental horizontal and

2.00
15
10 1.50
variogramas verticales; b) La estructura uno
5 1.00
representa un efectoFig. 7: (a)
0
-8 -6 -4 -28
0.50 Experimental horizontal and pepita;
Residuos
0.00
0.0 5.0 10.0 15.0 20.0 25.0 30.0
(c) La estructura dos representa anisotropía geométrica;
Distancia
(d) La estructura tres representa anisotropía zonal.
Fig. 6: (a) Perfil de porosidad a lo largo de un pozo vertical
con una tendencia vertical clara (el modelo de tendencia lineal
se ajusta a los datos); (b)
12 E. GRINGARTEN, C. V. DEUTSCH SPE 56654

se calcularon variogramas a partir de los datos

"Amoco"13, que se pusieron a disposición para probar los
algoritmos geoestadísticos. Observe la anisotropía zonal
evidente en la dirección vertical y la tendencia en el
variograma horizontal.

Fig. 8: Variograma horizontal y vertical con una

combinación de variogramas de efecto de agujero
exponencial y amortiguado. Calculado a partir de un
yacimiento canadiense.

Fig. 10: Variograma de facies horizontal y vertical para un

importante yacimiento de carbonato de Arabia14.

Fig. 9: Horizontal and vertical variogram fitted with a

combination three spherical variogramas. Estos
SPE 56654 METODOLOGÍA PARA LA INTERPRETACIÓN DE VARIOGRAMAS Y MODELADO PARA UNA MEJOR CARACTERIZACIÓN 13
DEL YACIMIENTO

Fig. 11: Variograma de porosidad horizontal y vertical

para un importante yacimiento de carbonato de Arabia14.

Fig. 12: Semivariograma vertical y horizontal de dos pozos

verticales en un reservorio fluvial-deltaico. Las viñetas son
los puntos calculados experimentalmente y la línea sólida
es el modelo ajustado. El modelo en dirección horizontal se
basa en una combinación de datos analógicos y el punto
único calculado a la distancia entre los pozos.