Simulación Monte Carlo

Introducción a la Simulación Montecarlo

• Todos los modelos numéricos tienen valores de
entrada

• Los valores de entrada pueden ser:

– Un número discreto como 1, 5, 621
– Un número continuo tal como 1.234532 o 99.23421
109
 Simulación Monte Carlo
Introducción a la Simulación Montecarlo

• El valor de entrada puede ser:

– Determinístico: Absolutamente seguro
– Estocástico: Seguir un patrón aleatorio
• La entrada estocástica (probabilística) valora la
norma en modelos
• La certeza absoluta es un lujo!!!
110
 Simulación Monte Carlo
Introducción a la Simulación Montecarlo
• Los valores de entrada seguirán cualquiera de los
numerosas distribuciones estadísticas

Distribuciones Estadísticas 111

 Simulación Monte Carlo
 Básicamente la simulación Monte Carlo es un
experimento cuyo propósito es estimar la
distribución de una variable de salida del modelo
que depende de variables de entrada aleatorias
/Pseudo-aleatorias

112
 Simulación Monte Carlo
 La simulación Monte Carlo es una técnica que
combina conceptos estadísticos (muestreo aleatorio)
 Se ayuda de la capacidad que tienen los ordenadores para
generar números pseudo-aleatorios y automatizar
cálculos

Número Pseudo-aleatorio: Números que son generados por

medio de una función y que aparentan ser aleatorios
• Fundamentalmente son empleados los números pseudo-
aleatorios, ya que son mas rápidos de generar que los números
aleatorios
113
 Simulación Monte Carlo
 Piense en A, h, φ, Sw y Bo como parámetros de
entrada y N como la salida. Una vez que
especificamos los valores para cada entrada
podemos calcular un valor de salida

1. A
2. H
3. Φ N
4. Sw
5. Bo 114
 Simulación Monte Carlo -Historia
 Los orígenes de esta técnica están ligados al trabajo
desarrollado por Stan Ulam y John Von Neumann a
finales de los 40 en el laboratorio de Los Alamos,
cuando investigaban el movimiento aleatorio de los
neutrones

116
Simulación Monte Carlo - Historia
 En años posteriores, la simulación de Monte Carlo se
ha venido aplicando a una infinidad de ámbitos como
alternativa a los modelos matemáticos exactos o
incluso como único medio de estimar soluciones
para problemas complejos

117
 Simulación Monte Carlo
 La simulación Monte Carlo (MC) es una técnica
cuantitativa
 MC aproxima, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no
dinámicos
 El método crea un modelo matemático del sistema,
identificando aquellas variables cuyo
comportamiento aleatorio determina el
comportamiento global del sistema

118
 Simulación Monte Carlo-Detalles
1. Cada valor de entrada es muestreada aleatoriamente
en una iteración, configurando un conjunto de valores
de entrada
2. El modelo toma estas entradas y calcula las salidas
3. Estas salidas se registran
4. El proceso se repite n veces hasta que se recojan
muestras suficientes para proporcionar un desglose de
probabilidad para un rango de valores de salida

• Este análisis será más preciso si el número de experimentos

ejecutados es elevado
119
 Simulación Monte Carlo
 Son muchos los autores que han apostado por
utilizar hojas de cálculo para realizar simulación MC.

 La potencia de las hojas de cálculo reside en su

universalidad, en su facilidad de uso, en su
capacidad para recalcular valores y, sobre todo, en
las posibilidades que ofrece con respecto al análisis
de escenarios (“what-if anaylisis”).

120
 Simulación Monte Carlo
 En el mercado existen varios complementos de Excel
(Add-Ins) específicamente diseñados para realizar
simulación MC, siendo los más conocidos:
 @Risk
 Crystall Ball
 Insight.xla
 SimTools.xla
 Otros…

121
 Distribuciones de Probabilidad
Variables aleatorias

Qué
distribución de
probabilidad
????
122
 Distribuciones de Probabilidad
 La distribución de probabilidad de una variable
aleatoria es una función que asigna a cada suceso
definido sobre la variable aleatoria la probabilidad de
que dicho suceso ocurra.

123
 Distribuciones de Probabilidad
 La distribución de probabilidad está definida sobre el
conjunto de todos los eventos rango de valores de la
variable aleatoria

 Sabido que las variables aleatorias de entrada siguen

una determinada distribución, la simulación genera
los valores de estas variables a partir de las
distribuciones

124
 Distribuciones de Probabilidad
 El primer paso en la selección de la distribución de
entrada es decidir qué familia de distribuciones
parece ser más apropiada, sin preocuparse de los
valores en concreto que deben tomar los parámetros
de la distribución

 En algunas ocasiones se dispone a priori del

conocimiento suficiente acerca de la variable
aleatoria como para poder seleccionar la distribución
o al menos para poder descartar algunas otras

125
 Distribuciones de Probabilidad
 Esto se hace sobre la base de conocimientos teóricos
y no es necesaria ninguna medida experimental para
ello

 Los datos experimentales pueden ajustarse a

diferentes tipos de distribuciones teóricas. La
distribución con el parámetro de ajuste óptimo será
la que se use para generar los valores de las variables
aleatorias durante la simulación

126
 Distribuciones de Probabilidad
 Puede ser definida una distribución empírica, a partir
de los valores experimentales, específica para
nuestro problema, diferente de las distribuciones de
probabilidad teóricas comúnmente usadas.

 Conviene usar el primer método, ya que una

distribución empírica obtenida a partir de un
conjunto de observaciones puede diferir mucho de la
obtenida a partir de otro conjunto de observaciones
del mismo proceso

127
 Distribuciones de Probabilidad
 Las distribuciones log-normal a menudo se usan para muchas
de las entradas del modelo volumétrico
 Sesgadas a la derecha/sesgo positivo (modo < media)

Log-Normal
Probabilidad
Densidad de

Area
128
 Distribuciones de Probabilidad
Distribución log-normal
 Excepción: La razón Net-Gross y la saturación de
hidrocarburos rara vez son sesgadas a la derecha y
siempre están truncadas bruscamente.

129
 Distribuciones de Probabilidad
Distribución log-normal

Parámetros: Lognormal (media aritmética , desvío standard /sigma)

130
 Distribuciones de Probabilidad
Distribución Triangular :
 La razón Net-Gross y la saturación de hidrocarburos rara vez
son sesgadas a la derecha (Log-Normal) y siempre están
truncadas bruscamente
Triangular
Probabilidad
Densidad de

Sw 131
 Distribuciones de Probabilidad
Distribución Triangular :

Triangular
Distribuye entre
un máximo, un
Probabilidad
Densidad de

mínimo y un
valor promedio
conocidos

Sw
Parámetros: Triang (min, +prob, max) 132
 Distribuciones de Probabilidad
Distribución Normal
 Apropiada cuando las observaciones se construyan a partir de sumas o
promedios de variables aleatorias independientes entre si y tales que cada
una de ellas realiza una pequeña contribución a la suma

Normal
Probabilidad
Densidad de

Porosidad 133
 Distribuciones de Probabilidad
Distribución Normal
 Variable Aleatoria con variación simétrica
 Media: Valor más probable
 Sigma: (máximo - más probable) / 2

Normal
Probabilidad
Densidad de

Porosidad 134
 Distribuciones de Probabilidad
Distribución Uniforme
 cuando es equi-probable que X tome cualquier valor en el intervalo
[MIN,MAX]
 Parámetros : Uniform (min,max)

UNIFORME
Probabilidad
Densidad de

a
135
 Distribuciones de Probabilidad
Distribuciones: Normal, Triangular y Uniforme
Densidad de Probabilidad

µ
136
 Distribuciones de Probabilidad
Distribuciones: Normal, Triangular y Uniforme y LogNormal
Densidad de Probabilidad

µ
137
 Procedimiento - Simulación MC
1. Diseñar el modelo matemático que representa el problema
2. Especificar distribuciones de probabilidad para las variables
aleatorias relevantes
3. Incluir posibles dependencias entre variables
4. Muestrear valores de las variables aleatorias
5. Calcular el resultado del modelo según los valores del
muestreo y registrar el resultado
6. Repetir el proceso iterativamente hasta tener una muestra
estadísticamente representativa
7. Obtener la distribución de frecuencias del resultado de las
iteraciones
8. Calcular media, desvío y curva de percentiles acumulados

138
 Simulación Monte Carlo - Limitaciones
• Las combinaciones crecen exponencialmente cuantas
más variables aleatorias haya en juego
• Definir la aleatoriedad de cada variable como valores
con probabilidades discretas ignora la posibilidad que
las variables sean de tipo continuo
• No tiene en cuenta que los valores más probables
tienen una probabilidad de ocurrencia mucho mayor
que los extremos
• Montecarlo genera una serie de escenarios posibles,
pero tiene en cuenta todos los valores que una variable
puede tomar y pondera cada escenario por su
probabilidad de ocurrencia
139
 Estimación de Reservas HC
 El hidrocarburo original in situ (OHCIP por sus siglas
en inglés) es un dato importante que debe conocerse
de un yacimiento pues representa la materia
disponible para su explotación
 Una estimación adecuada del OHCIP puede
realizarse con un cálculo volumétrico, a partir de
las dimensiones del modelo geológico y la
distribución de los atributos petrofísicos y de
hidrocarburos

140
 Estimación de Reservas HC
 El OHCIP puede ser
también calculado de
manera inversa
(indirecta) por medio de
diversas técnicas de
balances de materiales,
para reservorios o
yacimientos que cuentan
con historias de
producción y presión
relativamente detalladas y
extensas
141
 Estimación de Reservas HC
 Al inicio de la etapa prospectiva son inciertos varios
de los parámetros que sirven de insumo para el
cálculo del OHCIP

 Se realiza usualmente una estimación

probabilística del tipo Monte Carlo de modo que la
variable de salida sea una distribución de
probabilidad de los valores posibles que podría
exhibir el OHCIP

142
 Estimación de Reservas HC
 La base de cálculo para esta simulación es la fórmula
volumétrica:

 Donde
 A: Área del prospecto
 h: el espesor
 φ : porosidad
 Sw : la saturación de agua
 Bh : factor de volumen de formación de la fase considerada.

143
 Ejercicio de Aplicación 1
• La estimación de reservas se
puede realizar con facilidad
recurriendo a herramientas de
software especializado, como el
IPM Mbal®

• En un proyecto nuevo,
seleccione la opción
MonteCarlo del menu Tools

144
 Parámetros de Modelo
• Introduzca la siguiente
información en la
seccione Options

145
 Parámetros de Modelo
• Introduzca la siguiente
información en la
seccione Options

• Reservoir Fluid: Ret. Condensate

• Company: Ghost Oil Co.
• Field: Toborochi
• Location: Paití
• Analyst:

146
 Parámetros de Modelo

• Introduzca la siguiente
información en la sección PVT

Fluid Properties

147

• Separator Pressure: 1030 psia
• Separator temperature: 91 deg. F
• Separator GOR: 37737 scf/STB
• Separator gas gravity: 0.617 sp. gravity
• Tank GOR: 41013 scf/STB
• Mole Percent H2S: 0
• Mole Percent CO2: 1.01
• Mole Percent N2: 0.05
Options PVT –Correlaciones
Gas viscosity Lee et al

• Tank Gas gravity: 0.7081 sp. gravity

• Condensate gravity: 53.3 API
• Water Salinity: 4320 ppm
• Dew Point at reservoir
temperature: 5404 psia
• Reservoir Temperature: 230 deg F
• Reservoir Pressure: 6290 psia

148
 Parámetros del Modelo
• Input Distribution

149
 Parámetros del Modelo
• Input Distribution

• Introduzca los valores

referenciales para cada
variable del modelo
• Escoja la distribución
triangular como función base
• Establezca la cantidad de
simulaciones
• Pulse Calc. 150
 Parámetros del Modelo
• Input Distribution

151
 Parámetros del Modelo
• Input Distribution

152
Parámetros del Modelo

153
Parámetros del Modelo

154
 Parámetros del Modelo
• Input Distribution

• Seleccionando la opción Calculation, introduzca los valores

referenciales para cada variable del modelo y escoja la distribución
triangular como función base.
• Establezca la cantidad de simulaciones y pulse Calc.

155
 Parámetros del Modelo
 Input Distribution
 Seleccionando la opción Calculation, introduzca los valores
referenciales para cada variable del modelo y escoja la
distribución triangular como función base.
 Establezca la cantidad de simulaciones y pulse Calc.

156
Parámetros del Modelo

157
 Ejecución de la Simulación
 En la ventana de cálculo, pulse directamente el boton Calc
para iniciar el cómputo.

158
Visualización de Resultados

159