Resumen

Este trabajo describe una nueva metodología basada en 12 pasos para el análisis de decisiones integradas
relacionadas con el desarrollo y la gestión de campos petroleros, considerando la simulación de yacimientos, el
análisis de riesgos, la comparación de historial, las técnicas de reducción de incertidumbre, los modelos
representativos y la selección de la estrategia de producción bajo incertidumbre. El ejemplo de aplicación es el
campo UNISIM-I-D, que es un caso de referencia basado en el campo Namorado, Cuenca de Campos, en Brasil. El
objetivo principal de los resultados es mostrar que el método se puede utilizar en aplicaciones prácticas, es decir,
reservorios complejos en diferentes etapas de campo (desarrollo y gestión) porque permite la integración de datos
estáticos (imágenes geoestadísticas generadas por información del reservorio) y dinámicos (producción de pozos y
presión) para reducir las incertidumbres que permiten el análisis de riesgos, integrando las incertidumbres
geológicas, económicas y otras, dando como resultado un análisis de decisión basado en técnicas de riesgo-retorno.
En esta metodología, no se utiliza ningún modelo proxy, por lo que la simulación de reservorio se utiliza
directamente para reproducir el rendimiento de campo. También mostramos que la metodología es eficiente y fácil
de usar, incluso en casos complejos donde el tiempo de cálculo es una preocupación importante y en operaciones
en tiempo real.

Introducción

El análisis de decisiones relacionado con el desarrollo y la gestión de los campos petroleros implica riesgos debido a
varias incertidumbres, principalmente en los parámetros de yacimientos y fluidos, el modelo económico y la
disponibilidad operativa. El efecto de todas estas incertidumbres debe combinarse para estimar el riesgo
involucrado en las decisiones.

Este proceso no es sencillo de modelar debido al tipo de decisiones (proyectos a largo plazo) y la complejidad del
problema (reservorio de petróleo, instalaciones de producción, evaluación económica y técnicas de estadísticas). El
proceso también puede llevar mucho tiempo cuando se utilizan modelos de alta fidelidad y técnicas estadísticas
específicas. Por lo tanto, algunas simplificaciones se utilizan a menudo para permitir el análisis, pero algunas de
estas simplificaciones pueden producir resultados erróneos, por lo que es importante tener mucho cuidado debido
a la importancia de las decisiones relacionadas con el desarrollo de los campos petroleros.

Para permitir una metodología con resultados confiables, se deben garantizar algunos pasos importantes:

● Los modelos utilizados para simular el problema deben respetar todos los datos dinámicos;

● El modelo de simulación de reservorio debe estar completo pero lo suficientemente rápido para generar un
resultado confiable de cada escenario;

● El análisis estadístico debe elegirse cuidadosamente para evitar un alto número de evaluaciones para el problema
(lo que requiere mucho tiempo);

● La decisión (selección de la estrategia de producción) debe reflejar, en los modelos, lo más exactamente posible
los efectos sobre el problema real; en este problema particular, existe una gran influencia de la estrategia de
producción en el desempeño del proyecto y, por consiguiente, en la evaluación de riesgos;

● La evaluación económica debe integrarse con la evaluación técnica porque las decisiones están influenciadas por
el rendimiento económico del proyecto;

Muchas soluciones presentadas en la literatura y utilizadas en algunas compañías abordan algunos de estos puntos,
pero pueden tener algunos inconvenientes en otros puntos que pueden ser cruciales para casos complejos. Por lo
tanto, estamos presentando una metodología que fue el resultado de varios casos de estudio y que creemos que
contiene las partes principales del análisis de decisiones que son necesarias para un buen proceso de toma de
decisiones.
El primer punto importante es que intentamos preservar un modelo de alta fidelidad para la simulación física del
problema (mediante un modelo de simulación de yacimiento preciso) debido a la compleja integración entre la
decisión (estrategia de producción) y el rendimiento del sistema. Como consecuencia de esto, tuvimos que
desarrollar una técnica estadística simplificada (Schiozer et al, 2015) que se probó exhaustivamente en varios
ejemplos con buen rendimiento considerando la precisión de los resultados y el tiempo computacional. También
hemos desarrollado una metodología para reducir el número de escenarios que se utilizarán para seleccionar
estrategias de producción utilizando un número reducido de modelos representativos. La metodología tiene un
bajo costo de computación y es lo suficientemente simple como para ser aplicado día a día en las empresas.

La metodología se aplicó aquí en el caso UNISIM-I-D, que es un caso de referencia basado en el Campo Namorado,
Cuenca Campos, en Brasil (http://www.unisim.cepetro.unicamp.br/unisim-i).

Objetivo

El objetivo de este trabajo es proponer una metodología basada en 12 pasos para ser aplicados en los procesos de
análisis de decisiones relacionados con el desarrollo y la gestión de campos petroleros que integran la simulación de
yacimientos, el análisis de riesgos, la comparación de antecedentes, las técnicas de reducción de incertidumbre, los
modelos representativos y la selección de Estrategia de producción bajo incertidumbre.

La metodología está desarrollada para ser utilizada en aplicaciones prácticas (reservorios complejos) y tiene la
flexibilidad para ser aplicada a reservorios en diferentes etapas de campo (antes y después del desarrollo del
reservorio), una vez que esta metodología se puede aplicar parcialmente (un subconjunto de los 12 pasos).

Metodología

Los pasos de la metodología se describen a continuación:

1. Caracterización de yacimientos bajo incertidumbres (para construir modelos, desarrollar escenarios y estimar
probabilidades). Este es un paso crucial y se debe aplicar un enfoque multidisciplinario para considerar todas las
posibles incertidumbres importantes que, para este problema, son principalmente: parámetros de reservorio,
fluidos, económicos y operativos.

2. Construir y calibrar el modelo de simulación: para tener una cuantificación precisa del riesgo, es necesario confiar
en la respuesta del modelo para cada escenario creado; por lo tanto, es necesario calibrar el modelo de simulación
para tener una respuesta rápida pero lo suficientemente robusta para evitar la evaluación de sesgos. Creemos que
aquí es necesario un modelo de alta fidelidad debido a la interacción entre el modelo de reservorio y la estrategia
de producción, por lo que no usamos modelos de baja fidelidad (proxies, emuladores, por ejemplo). La calibración
normalmente se realiza con un estuche base (llamado Base0 en este trabajo).

3. Verifique las inconsistencias del Caso base con datos de dinámica de pozo: corrección de escenarios e
incertidumbre. Este paso normalmente se simplifica en las metodologías de cuantificación de riesgo, pero es un
paso muy importante porque, en muchas ocasiones, puede evitar la inconsistencia entre el modelo y los datos de
los campos. En este paso se puede utilizar un procedimiento típico de comparación de historial (Maschio y Schiozer,
2008).

4. Generación de escenarios considerando todos los escenarios posibles (Schiozer et al, 2015).

5. Reducción de escenarios con datos dinámicos: el Caso base y las incertidumbres en las propiedades de los
reservorios y los fluidos se utilizan para generar escenarios probabilísticos (Schiozer et al, 2015). Se pueden utilizar
varias técnicas (Armstrong M. et al., 2012; Maschio y Schiozer, 2015) para reducir el número de escenarios posibles
que representan el caso, según la complejidad del caso y la cantidad de datos. Con los modelos seleccionados, se
debe seleccionar un caso base para usar en el siguiente paso (Base1). La recomendación habitual es usar un modelo
que esté cerca de P50 en todos los indicadores principales de la estrategia inicial. El paso de seleccionar un nuevo
Caso Base que representa un caso intermedio (Base1) puede ser necesario si la Base0 no respeta los datos
dinámicos o se convierte en un caso optimista o pesimista.

6. Selección de la estrategia de producción determinística para el caso base. La decisión (estrategia de producción) y
la cuantificación del riesgo tienen una influencia mutua, por lo que es importante utilizar una técnica iterativa para
seleccionar la estrategia de producción. La primera estrategia de producción (llamada aquí E1) se selecciona
mediante un procedimiento de optimización y el Modelo Base1 (Ravagnani, et al, 2011).

7. Se debe hacer la primera estimación de la curva de riesgo, considerando E1 con todos los escenarios posibles del
Paso 5. En muchos casos presentados en la literatura, esta curva de riesgo se usa en los proyectos, pero en este
documento mostramos que la curva de riesgo final puede ser muy diferente de esta opción.

8. Selección de modelos representativos (RM) (Schiozer, 2004; Costa, A.P. et al., 2008) basada en todas las
funciones objetivas y variables de entrada.

9. Selección de la estrategia de producción para cada RM repitiendo el Paso 6 para cada RM.

10. Selección de la estrategia de producción bajo incertidumbre, incluidas las incertidumbres económicas y de otro
tipo, utilizando un análisis de riesgo-retorno que combina todas las estrategias posibles y todos los escenarios
posibles. Si la cantidad de escenarios combinados con el tiempo de simulación de cada escenario requiere
demasiado tiempo, se puede utilizar el RM para representar las incertidumbres.

11. Identificación del potencial de cambio en la estrategia de producción para mejorar las posibilidades de éxito en
función del valor de la información, el valor de la flexibilidad y la solidez de la estrategia de producción, lo que
implica posibles modificaciones y una estrategia final.

12. Curva de riesgo final y análisis de decisión.

Solicitud

La metodología de 12 pasos se aplica en un caso presentado por Avansi y Schiozer (2015a) que se basa en datos del
campo Namorado en Brasil. Se construyó un campo sintético, denominado UNISIM-I-R (modelo de referencia), para
tener un punto de referencia. Se construyó un modelo de simulación (UNISIM-ID) para representar el campo para
un proyecto desarrollado en la fecha (05-31-2013), es decir, en una etapa inicial del plan de manejo de campo bajo
incertidumbres, incluidos 4 años de datos de producción (2013). -2017) y considerando la información de 4 pozos
de producción (del caso de referencia). El bloque de cuadrícula se definió como 100x100x8 m discretizado en una
cuadrícula de esquina con 81x58x20 celdas con un total de 36,739 celdas activas.

Resultados

Paso 1

Las incertidumbres del modelo fueron compuestas por (resumidas en la Tabla 1):
Table 1—Uncertainties parameters for the simulation model (Avansi and Schiozer, 2015a).
Attribute Uncertainty Type Levels (Probability - %)

Facies discrete (realization) 500 (equi-probable realizations)

Porosity discrete (realization)
NTG, correlated with facies
fraction correlated with
Permeabili porosity presence (0.7); absence (0.3)
ty discret krw0 (0.2); krw1 (0.2); krw2 (0.2); (0 k (0.2)
East structural e krw3 .2 r
 model krw discret PVT0 (0.34); PVT1 (0.33); PVT2 ); w
PVT e (0.33) 4
WOC, CPOR, discret Triangular distribution
Kz e
continu
ous

● Realizaciones geoestadísticas de facies, porosidad, NTG, permeabilidad y este modelo estructural: los escenarios
de facies y porosidad se generan utilizando una semilla aleatoria durante las facies y el modelado petrofísico. La
distribución de NTG y permeabilidad se calcula luego en función de las facies y la porosidad, respectivamente.

● Atributos: la permeabilidad relativa del agua (krw), PVT, la profundidad de contacto del agua y el aceite (WOC), la
compresibilidad de la roca (CPOR) y el multiplicador de la permeabilidad vertical (kz) se consideran durante el
modelado del yacimiento.

● Las incertidumbres económicas se presentan en la Tabla 2.

Table 2—Economic Parameters and Uncertainties (Schiozer et al, 2015).

● Los atributos de incertidumbre técnica (operacional) incluyen la disponibilidad del sistema (SA) y el multiplicador
de índice de pozo (dWI) (Tabla 3).
Table 3—Uncertainty Levels for Discrete Technical Parameters
(Schiozer et al, 2015).
Lev
els
Parameter Type 0 2
1
System availability Platfo 0. 1.0 0.90
rm 9 0
5
Group 0. 1.0 0.91
9 0
6
Produ 0. 1.0 0.91
cer 9 0
6
Inject 0. 1.0 0.92
or 9 0
8
Well index multiplier dWI 1. 1.4 0.70
0 0
0
Probability (%) 3 34 33
3
Avansi y Schiozer (2015a) realizaron la explicación completa del modelo de simulación, el modelo económico y las
incertidumbres. Los modelos y archivos para reproducir los resultados se encuentran en la descripción del caso de
referencia (http://www.unisim.cepetro.unicamp.br/unisim-i).

Pasos 2 y 3

El Paso 2 se realizó para garantizar que la ejecución de la simulación sea lo suficientemente robusta para
representar el reservorio y lo suficientemente rápida para ser incluida en una metodología que exige miles de
ejecuciones de simulación. En nuestro caso, el tiempo de simulación fue de aproximadamente 5 minutos en
paralelo en un clúster. Esta metodología es aplicable a casos con tiempo de simulación de horas. Si se requieren
modelos de reservorio más complejos, algunas simplificaciones pueden ser necesarias según el tiempo y el alcance
del proyecto.

El paso 3 se realizó para garantizar que el modelo fuera compatible con la respuesta inicial del modelo (balance de
materiales, presión y producción inicial).

Etapa 4

En el Paso 4, se generaron escenarios para iniciar el proceso. En varios casos, la curva de riesgo se genera
directamente desde estos escenarios pero, en general, las empresas tienen los datos dinámicos que deben
respetarse. En la Figura 1, mostramos la curva de riesgo para 500 y 100 escenarios.

Figure 1—Risk curve for 100 and 500 scenarios (Step4); risk curve for 214 filtered scenarios (Step 5) and Base model (Base0).

Paso 5

En el Paso 5, como el caso tiene una producción inicial de 4 pozos, se usó un indicador de coincidencia para filtrar
los escenarios. El indicador se normalizó para cada pozo y cada función objetivo (Qo, Qw, Qg y BHP). Los valores
entre -1 y 1 se consideraron aceptables. La figura 2 muestra que se seleccionaron 214 de los 500 modelos iniciales.
La Figura 3 muestra las curvas de producción de agua para los 4 pozos como ejemplo. La figura 1 muestra la curva
de riesgo con los 214 modelos seleccionados. El índice NQDS representa una desviación cuadrática normalizada con
signo (Avansi y Schiozer, 2015b; Bertolini et al, 2015); En este trabajo, valores entre -1 y +1 representan una baja
desviación con los datos del historial y, por lo tanto, se acepta que los modelos se usen en la secuencia del trabajo.
 Figure 2—Normalized quadratic deviation with sign (NQDS) for 214 selected models (286 not selected models in gray).

Figure 3—Water production for the 4 initial wells with history data (500 initial models and 214 selected models).

Con el modelo seleccionado, se debe usar una estrategia inicial (E0) para seleccionar un caso base. Esta estrategia
inicial no es crítica porque se mejorará en los próximos pasos; Simplemente se utiliza para seleccionar el caso
Base1. El enfoque más habitual para elegir el caso Base1 es seleccionar el caso determinista (utilizando todos los
atributos en el valor más probable: nivel 0). Como en este trabajo, este modelo no fue seleccionado entre los 214
modelos, luego usamos la estrategia inicial (E0), que está compuesta por 14 productores y 11 inyectores, que
arrojan los resultados de la Figura 4, para seleccionar el caso Base1 (un caso intermedio).
 Figure 4 —Np, Wp, NPV and ORF for the 214 models and selection of an intermediate case (Base1) using the strategy E0.

Paso 6

Después de elegir un caso intermedio (Base1), tiene lugar la selección de una estrategia de producción
determinista. Para optimizar la estrategia de producción de Base1, se consideraron como parámetros de
optimización las variables de decisión (G1) y operación (G2) relacionadas con la definición de UNISIM-I-D (Gaspar et
al, 2014). Las variables G1 fueron: número, tipo (vertical u horizontal), ubicación y calendario de pozos y
restricciones de capacidad (producción de líquidos, petróleo y agua e inyección de agua) de la plataforma. Las
variables G2 fueron: corte máximo de agua, producción máxima de líquidos e inyección de agua en los pozos.

El procedimiento de optimización se dividió en las siguientes fases: (1) número y tipo de restricciones de pozos y
capacidades; (2) horario de los pozos; (3) ubicación de las restricciones de pozos y capacidades (afinación);

(4) horario de los pozos; (5) corte de agua, producción máxima de líquidos e inyección de agua en pozos; (6)
sintonía fina.

Las fases 1, 3 y 5 se realizaron utilizando el software de CMG ©, donde el método optimizador utilizado fue DECE
(Yang et al, 2007). La función objetivo utilizada fue el VPN, basado en la propuesta UNISIM-I-D y calculado con el
software UNIPAR (desarrollo interno de UNISIM).

A continuación se muestra un resumen de la evolución del VAN (Figura 5), para algunas fases intermedias.

Figure 5—Intermediate phases of the optimization procedure: (a) Phase 3 and (b) Phase 5.

La configuración de la estrategia seleccionada (adoptada como final y llamada E1) es:

● Número y tipo de pozos: 18 en total, 10 productores horizontales y 2 verticales, 6 inyectores horizontales (todos
los pozos convencionales);
● Limitaciones de capacidad: 16275 m3 / día (producción de líquido / aceite), 9068 m3 / día (producción de agua) y
23328 m3 / día (inyección de agua).

A los 10957 días, los indicadores de la estrategia son: USD 2.236E9 (VAN), 6.498E7 m3 (Np), 5.046E7 m3 (Wp),
6.892E9 m3 (Gp), 1.380E8 m3 (Wi), 0.561 (ORF). El mapa de petróleo por unidad de área (total) a 1461 (Figura 6a) y
10957 días (Figura 6b), con la ubicación de los pozos perforados se muestra en la Figura 6.

Figure 6 —Oil per unit area map at (a) 1461 and (b) 10957 days, including wells locations.

Paso 7

En este paso, se realizó la primera estimación de la curva de riesgo considerando la estrategia E1 con todos los
escenarios posibles del Paso 5 (Figura 7). En muchos casos presentados en la literatura, estas curvas de riesgo se
utilizan en los proyectos, pero en este documento mostramos que la curva de riesgo final puede ser muy diferente
de esta opción; esta no es la curva de riesgo real porque la estrategia de producción no se optimizó bajo
incertidumbre.

Figure 7—Risk curve with strategy obtained in Step 6 (E1) (a) NPV with and without economic uncertainties; (b) N p.

Paso 8

La estrategia E1 se optimizó para el modelo Base1, por lo que es necesario verificar la calidad de esta decisión
teniendo en cuenta las incertidumbres. Por lo tanto, es necesario verificar otras posibilidades, especialmente para
escenarios que son diferentes de Base1. Luego recomendamos seleccionar algunos modelos representativos (RM)
(Schiozer et al, 2004) y verificar otras estrategias que sean adecuadas para otros escenarios.

En este trabajo, seleccionamos 9 RM según la Figura 8 (variables de salida principales) pero también garantizamos
que todas las variables de entrada estén bien representadas (incluidos todos los niveles de los atributos, excepto las
realizaciones geoestadísticas que tienen 500 niveles y solo se usaron 9) . El caso Base1 se vio obligado a ser uno de
los RM (Base1 = RM1) porque la estrategia E1 ya estaba seleccionada para este modelo, por lo que ahorra tiempo
en los siguientes pasos.
 Figure 8 —Np, Wp, NPV and ORF for the 214 models and selection of an intermediate case (Base1) using the strategy E1; selection of
9 representative models (RM).

Un punto interesante para resaltar aquí y que normalmente se descuida en muchos enfoques es la relación de las
incertidumbres y la estrategia de producción. El RM1 que era el caso intermedio para E0 se convirtió en un caso
optimista para E1 y este comportamiento ocurrió en todos nuestros casos evaluados. Una vez que se optimiza una
estrategia para un modelo en particular, se vuelve más optimista considerando los parámetros de salida
optimizados (NPV, por ejemplo).

Paso 9

Después de seleccionar el RM, se debe definir la estrategia de producción de cada RM. En este paso, repetimos el
procedimiento de optimización descrito en el Paso 6 para que cada RM obtenga el conjunto de estrategias
optimizadas [E2, E3,

. . .E9], donde Ei es la estrategia optimizada definida para RMi.

Para cada RM, el VAN subrayado (Tabla 4) identifica la mejor estrategia. Como se muestra, la estrategia optimizada
para cada RM es la mejor estrategia entre todas las demás estrategias aplicadas a esa RM (los mejores resultados
seguidos).
Table 4 —Strategies applied to all RM (NPV in USD millions).

Una de las incertidumbres consideradas en este estudio es el "modelo estructural este". La presencia o ausencia de
esta incertidumbre asociada con el hecho de que no hay conectividad entre los “bloques estructurales oeste y este”
(debido a una falla sellada) juega un papel importante en la selección de la estrategia de producción, una vez que
puede afectar considerablemente la cantidad total y El drenaje del petróleo en el campo y, por consiguiente, la
definición de la estrategia de producción.

Los modelos representativos RM3, RM6 y RM7 (la Figura 9a muestra RM7 con E7) no tienen el "bloque este", a
diferencia de los otros modelos. La Figura 9b muestra RM9 donde es posible ver el "bloque este" y la estrategia de
producción seleccionada (E9).
 Figure 9 —Oil per unit area map (a) RM7 including (E7) and (b) RM9 including (E9).

La ausencia del "bloque este" también tiene un impacto principal en las curvas de riesgo, como se puede ver en el
Paso 10, debido al hecho de que las estrategias optimizadas para RM3, RM6 y RM7 no tienen pozos perforados en
esa área y luego El aceite no se drena.

Paso 10

Teniendo en cuenta las 9 estrategias optimizadas en el Paso 9, hay varias formas de seleccionar la mejor alternativa.
El enfoque habitual es considerar los valores típicos que representan el retorno del proyecto considerando las
incertidumbres y el riesgo. Para el retorno, el valor monetario esperado, EMV, es el indicador más usual. Se utilizan
varios indicadores de riesgo para estimar el riesgo (desviación estándar, P10-P90, probabilidad de tener un VAN por
debajo de una tolerancia y otros). En nuestro ejemplo aquí, hemos considerado solo el EMV para seleccionar la
mejor estrategia (Figura 10). En ambos casos, la Figura 10 (a) y (b), E9 fue la estrategia seleccionada. Es importante
observar la diferencia de la curva de riesgo a medida que se realizan los pasos.

Figure 10 —Risk curve considering the 9 strategies (a) without and (b) with economic uncertainties.

Pasos 11

El paso 11 está dedicado a un análisis detallado de la estrategia seleccionada en el paso anterior (E9 en nuestro
caso). Este paso es necesario porque hay varias mejoras que se pueden hacer a la estrategia considerando las
incertidumbres y la aversión al riesgo de las empresas. Los estudios más comunes que deben incluirse en este paso
son: información, flexibilidad y solidez que pueden reducir el riesgo o mejorar el EMV de los proyectos, pero tienen
algunas inversiones y costos asociados; por lo tanto, es importante contar con metodologías cuantitativas para
estimar los beneficios de estos 3 enfoques. Ligero et al (2005) muestran una manera típica de estimar el valor de la
información (VoI). Marques et al (2013) muestran una metodología para estimar el valor de la flexibilidad. La
robustez (Narahara et al, 2004; Moczydlower, B. et al, 2012; Salomão, M.C., 2007) puede asociarse a la producción
de NPV o petróleo y es una función de la aversión al riesgo de las empresas; para un proyecto sólido relacionado
con el NPV, se pueden hacer inversiones menores para evitar valores de NPV negativos o más bajos para los
escenarios pesimistas; para un proyecto sólido relacionado con la producción de petróleo, se pueden hacer
mayores inversiones para estar preparados para producir tasas más altas desde escenarios optimistas, por ejemplo.

Estos 3 conceptos no se incluyeron en este documento porque son análisis complejos y, por lo tanto, se tratarán en
trabajos futuros.

Paso 12 y Discusiones

Después de pasar por todos los pasos detallados anteriormente, creemos que tenemos un proceso sólido que se
utilizará en el análisis de decisiones que arroja una estrategia adecuada para el caso, respetando los datos históricos
y considerando todas las incertidumbres asignadas para cada caso en particular.

El procedimiento de 12 pasos debe repetirse cada vez que se obtenga nueva información importante y, por lo
tanto, es un proceso continuo que debe ser utilizado por la empresa. El momento más crítico es, por supuesto, el
momento de preparar el plan de desarrollo, seleccionar las instalaciones de producción. La cantidad de pozos y la
ubicación de los pozos también son una consecuencia importante de dicho análisis, pero el procedimiento también
puede ser útil en tiempos posteriores para la gestión de reservorios, como se mostrará en trabajos futuros (gestión
de reservorios en tiempo real).

Conclusiones

Hemos presentado una metodología basada en 12 pasos para ser utilizados en un análisis de decisión relacionado
con el desarrollo y manejo de yacimientos de petróleo bajo incertidumbres.

Muchas veces, las empresas no realizan varios pasos para acelerar los proyectos, pero creemos que con la
simplificación presentada aquí, la metodología puede aplicarse a casos reales, incluso en casos complejos con un
tiempo de simulación prolongado.

Es muy importante observar que una mayor simplificación puede dar lugar a decisiones subóptimas. El nivel de
detalle de cada paso es una función de la importancia del estudio y la complejidad del caso. La parte que consume
más tiempo es la optimización de la estrategia de producción y los resultados son una función de la calidad de este
proceso; por lo tanto, es importante utilizar procesos de optimización robustos. Los resultados y el consumo de
tiempo también son consecuencia del número de modelos representativos; para las pruebas realizadas hasta ahora,
se necesita un mínimo de 9 modelos para representar todas las incertidumbres y los parámetros de salida; Si se
puede utilizar más RM se esperan mejores resultados.

La metodología es lo suficientemente flexible como para ser aplicable al reservorio en diferentes etapas de vida.
Hemos presentado un caso en una fase de desarrollo, pero se puede utilizar en otras etapas. También es lo
suficientemente simple como para ser usado en una aplicación práctica porque no requiere modelos proxy, o
herramientas complejas para ser aplicadas.

Expresiones de gratitud

Los autores agradecen a UNISIM, DE-FEM, CEPETRO y PETROBRAS por apoyar este trabajo. También agradecemos a
CMG y Schlumberger por las licencias de software.

Nomenclatura

Presión de fondo de pozo BHP

Producción acumulada de gas de gas.

NQDS normalizó la desviación cuadrática con la producción acumulada de petróleo de Sign Np

Valor actual neto del VAN

Factor de recuperación de aceite ORF

Tasa de gas Qg

Tasa de aceite Qo

Tasa de agua Qw

Modelos representativos de RM

VoI valor de la información

VoF valor de la flexibilidad

Inyección de agua acumulativa wi

Producción acumulativa de agua.

References
Armstrong, M. et al. Scenario reduction applied to geostatistical simulations. Mathematical Geosci-
ences, 2012.
Avansi, G.D; Schiozer, D.J.: “UNISIM-I: Synthetic Model for Reservoir Development and Manage-
ment Applications//”, International Journal of Modeling and Simulation for the Petroleum
Industry, in press, 2015.
Avansi, G.D; Schiozer, D.J.: A New Approach to History Matching Using Reservoir Characterization
and Reservoir Simulation Integrated Studies, OTC-26038, 2015.
Bertolini, A.C., Maschio C.; Schiozer, D.J. A Methodology to Evaluate and Reduce Reservoir
Uncertainties using Multivariate Distribution, Journal of Petroleum Science and Engineering, in
press, 2015.
Costa, A.P. et al. Use of representative models to improve the decision making process of chemical
flooding in a mature field. SPE-115442. SPE Russian O&G Techn. Conf. Exhib., 2008.
Gaspar, A.T.F.S.; Barreto, C.E.A.G.; Munhoz Mazo, E.O.; Schiozer, D.J., “Application of Assisted
Optimization to Aid Oil Exploitation Strategy Selection for Offshore Fields”, SPE LACPEC,
Maracaibo, Venezuela, 2014.
Ligero, E.L.; Xavier, A.M.; Schiozer, D.J., “Value of Information during Appraisal and
Development of Petroleum Fields”, 18° COBEM, Ouro Preto, 2005.
Marques, M.D.; Gaspar, A.T.F.S.; Schiozer, D.J., “Use of Oil Reservoir Simulation to Estimate
Value of Flexibility”, SPE EUROPEC, London, 2013.
Maschio, C.; Schiozer, D.J., “A New Methodology for Assisted History Matching Using
Independent Objective Functions”, Petroleum Science and Technology, pp. 1047–1062, v.
26, 2008
Maschio, C.; Schiozer, D.J., “A New Optimization Framework Using Genetic Algorithm and
Artifi- cial Neural Network to Reduce Uncertainties in Petroleum Reservoir Models”,
Engineering Optimization, v. 47, pp. 72–86, 2015.
Moczydlower, B.; Salomão, M.C.; Branco, C.C.M.; Romeu, R.L.; Homen, T.R.; Freitas, L.C.S;
Lima,
H.A.T.S. Development of the Brazilian Pre-Salt Fields - When to Pay for Information and
When to Pay for Flexibility. SPE Latin American and Caribbean Petroleum Engineering
Conference, Mexico. SPE-152860-MS. 2012. DOI: http://dx.doi.org/10.2118/152860-MS.
Narahara, G.M.; Spokes, J.J.; Brennan, D.D.; Maxwell, G.; BastT, M. Well Count Optimization
Incorporating a Wide Range of Uncertainties for the Deepwater Agbami Field. Offshore Tech-
nology Conference, Houston, OTC-16988-MS. 2004. DOI: http://dx.doi.org/10.4043/16988-MS.
Ravagnani, Ana Teresa Ferreira da Silva Gaspar; Mazo, Eduin Orlando Muñoz; Schiozer, Denis
José., “A Case Study of the Structure of the Process for Production Strategy Selection”,
International
Journal of Modeling and Simulation for the Petroleum Industry, v. 4, pp. 9 –15, July, 2011.
Salomão, M.C.; Figueiredo, Júnior, F.P. Risk Analysis for Comparison of Development Plans -
Application of Utility Theory and Value of Information in a Real Field. EUROPEC/EAGE
Conference and Exhibition, London, U.K. SPE-107194-MS. 2007. DOI:
http://dx.doi.org/10.2118/ 107194-MS.
Schiozer, D.J, Avansi, G.D. and Santos, A.A.S.: A New Methodology for Risk Quantification
Combining Geostatistical Realizations and Discretized Latin Hypercube, Journal of
Petroleum Science and Engineering, in press, 2015.
Schiozer, D.J.; Ligero, E. L.; Suslick, S.B.; Costa, A.P.A.; Santos, J.A.M., “Use of
Representative Models in the Integration of Risk Analysis and Production Strategy
Definition”, Journal of Petroleum Science and Engineering, pp. 131–141, n, 1-2, v. 44,
October, 2004.
Yang, C. Nghiem, L., Card, C., Bremeier, M., Reservoir Model Uncertainty Quantification
through Computer-Assisted History Matching”, SPE Annual Technical Conference and
Exhibition held in Anaheim, California, U.S.A., 11–14 November 2007. SPE 109825.