Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Monte Carlos
Monte Carlos
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
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
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
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
125
Distribuciones de Probabilidad
Esto se hace sobre la base de conocimientos teóricos
y no es necesaria ninguna medida experimental para
ello
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.
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
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
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
146
Parámetros de Modelo
• Introduzca la siguiente
información en la sección PVT
Fluid Properties
147
• Mole Percent H2S: 0
• Separator Pressure: 1030 psia
• Mole Percent CO2: 1.01
• Separator temperature: 91 deg. F
• Mole Percent N2: 0.05
• Separator GOR: 37737 scf/STB
• Separator gas gravity: 0.617 sp. gravity Options PVT –Correlaciones
• Tank GOR: 41013 scf/STB Gas viscosity Lee et al
148
Parámetros del Modelo
• Input Distribution
149
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
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