bien y, a continuación, dobs, z denota la
por dos pruebas diferentes
profundidad de la parte superior del canal
observado en el pozo. Si hay múltiples
pozos, dobs, h
y dobs, z serían vectores. Los errores de
medición de datos asociados se modelan
como gaussianos independientes al azar
Variables con media cero. dejando, CD, h y
CD, z, respectivamente, denotan las matrices
de covarianza de datos asociadas con
dobs, h y dobs, z, se deduce que cada una
de estas matrices es
diagonal. Luego se da la matriz de
covarianza de datos global.
por la matriz diagonal
Finalmente, dejamos que dp = gp (m), dh =
gh (m), y dz (h) =
gz (m), respectivamente, denota los datos
correspondientes a
Dobs, p, dobs, h y dobs, z, respectivamente,
que se predecirían o calcularían a partir de
un modelo m dado. Entonces por un
Aplicación estándar del teorema de Bayes, el
a posteriori
pdf para (m) es dado por
Donde a es la constante de normalización y
Se puede obtener la estimación máxima a
posteriori.
minimizando O (m). Realizaciones de m son
generadas por
El método mencionado en Kitanidis15 y
discutido en
detalle por Oliver et al. Aquí, este método se
refiere a
como el método de probabilidad máxima
aleatorizada; ver a Oliver
y Reynolds et al.
de que la
método produce una muestra correcta de la
pdf a posteriori si
Los datos están relacionados linealmente con
el modelo.
En lo no lineal
caso, el método sólo puede dar una muestra
aproximada de
el pdf; ver Oliver et al. Brevemente, para
generar una realización.
Por el método de probabilidad máxima
aleatorizada, procedemos de la siguiente
manera: (i) generar una realización
incondicional
dobs, uc de los datos observados; generar
una realización incondicional del modelo
muestreando el pdf anterior de
Ec. 11; (iii) generar la realización
minimizando la siguiente función objetivo:
Para generar n realizaciones, repetimos el
proceso n.
veces. La función objetivo O (m) está
minimizada por una
Algoritmo de Levenberg-Marquardt; ver Bi.
Generación de ejemplos sintéticos
Se generó un caso sintético de "verdad" por
muestreo. una realización del modelo de
canal m del pdf gaussiano multivariado
anterior dado por la ec. 11. Parámetros para
Las PDL se generaron muestreando las
cuatro variables aleatorias independientes
que lo definen. A continuación, una
realización. de cada uno de los cuatro
campos aleatorios (sinuosidad horizontal,
sinuosidad vertical, ancho y relación de
aspecto) se generó usando El método de
promedios móviles y luego el campo
correspondiente de espesores de canal se
obtuvo dividiendo ancho por la relación de
aspecto. Finalmente, realizaciones de kc, φc,
Se generaron knc y φnc. Este conjunto de
parámetros especifica el verdadero modelo
de canal m. A continuación, asumimos una
ubicación de pozo, especificamos las
restricciones de pozo de producción,
especificamos fluido propiedades y ejecutar
el simulador de depósito utilizando el
verdadero Modelo m como entrada.
Añadiendo ruido aleatorio (basado en nuestro
modelo de error de medición de presión) a
las presiones de pozo generadas desde el
simulador, generamos sintéticos
Datos de presión medida. En cada pozo,
seleccionamos algunos de
Estos datos de presión para representar
nuestro condicionamiento observado
datos de presión y combinar todos estos
datos de presión para formar
El vector dobs, p. Para un caso donde el
pozo penetra en el
Canal, también añadimos ruido aleatorio al
espesor real.
y la profundidad de la parte superior del canal
para obtener valores de la
Espesor observado y profundidad observada
en cada pozo.
Ejemplo
La cuadrícula de simulación de reservorio
para este ejemplo es 60 ×
40 × 15. Cada bloque de rejilla es un cubo
con la longitud de cada
lado igual a 10 pies. Como 60 bloques de
grid en la dirección x, la dimensión de m es 4
× Nx + 8 = 248. El
el reservorio es producido por un solo pozo
completamente penetrante ubicado en (xi, yj)
= (x37, y23). El caudal es de 1, 000 RB / D.
El radio del pozo, la viscosidad del fluido y la
compresibilidad del sistema,
respectivamente, se especifican como 0.3
pies, 2.5 cp y 10−5
psi − 1. Las propiedades pertinentes de las
variables estocásticas son
dado en la Tabla 1.
Variable Media Diferencia Longitud
correlación
La Fig. 3 muestra el verdadero canal que fue
generado por
Muestreo del pdf anterior. Los datos de
presión medida fueron generados por el
proceso descrito en la sección anterior.
con la varianza de errores de medición de
presión especificada
como 1 psi2. En el pozo, la profundidad de la
parte superior del canal verdadero
corresponde a una posición de 126.3 pies
desde la parte inferior de
El depósito en forma de caja, el espesor del
canal en el pozo.
Tiene 81.6 pies. Suponiendo que el error de
medición para cada uno es
Una variable aleatoria gaussiana con media
cero y varianza.
0.5 ft2, simulamos datos un valor observado
de espesor en
el pozo igual a 81.7 pies y una profundidad
observada de la parte superior
del canal en el pozo que corresponde a una
posición
126.4 pies sobre el límite inferior del
reservorio. Tabla 2
Muestra muestra los valores de algunos de
los parámetros del modelo.
Para el modelo verdadero.
de
La duración de la prueba de reducción es de
0,5 días. los
gráfico de diagnóstico log-log estándar (con
el tiempo en días) de la
los datos de presión medida se muestran en
la Fig. 4. Los resultados de
La figura 4 sugiere que se produce un flujo
radial para 0.001 <t <0.01
días (línea horizontal en la curva derivada) y
para
0.02 <t <0.5, se produce un flujo lineal (línea
de media pendiente en la
curva derivada).
Los datos derivados no son exactamente
planos.
durante el intervalo de tiempo 0.001 <t <0.01.
Si esto es
Debido al hecho de que el grosor del canal
varía con x, y
el hecho de que las permeabilidades en
gridblocks se cruzan por
la parte superior e inferior del canal varía con
x, una consecuencia del uso de la ecuación
19 de Peaceman para relacionar el bloque de
rejilla
y las presiones del pozo, la existencia de un
pequeño componente.
de flujo vertical, o alguna combinación de
estos efectos no es
claro. Para un reservorio constituido por n
capas homogéneas.
de espesor uniforme, el derivado de presión
durante radial
el flujo es dado por
donde kl y hl, respectivamente, representan
la permeabilidad
y espesor de la capa l, y pi denota el
reservorio inicial
presión. Si asumimos cada bloque de rejilla
vertical penetrado por el pozo representa una
capa para que cada una de las 15 capas sea
10 pies de espesor y usar las
permeabilidades en bloques de rejilla de
pozo para los kl en la ec. 17, obtenemos (d
(pi - pwf (t)) / ln (t)) = 16.1 psi, mientras que
los datos mostrados en la Fig. 4 indican que
el mínimo de (d (pi - pwf (t)) / d ln (t)) durante
el tiempo intervalo 0.001 <t <0.01 días es
aproximadamente igual a 19 psi.
Una realización única Como se mencionó
anteriormente, minimizamos O (m) dado por
la ec. 16 por un Levenberg-Marquardt
Algoritmo para generar cada realización. Fig.
5 resultados
Muestra una gráfica del comportamiento de
la función objetivo de
Ec. 16 en función del número de iteración.
Nota la
El algoritmo de Levenberg-Marquardt
convergió en cuatro iteraciones. También
tenga en cuenta que la función objetivo
evaluada en
la conjetura inicial (m0 = muc) excede de 105
pero se redujo
A alrededor de las 10 en la cuarta iteración.
Se muestran los datos de presión medida
que se utilizaron como datos de
acondicionamiento.
por los puntos de datos triangulares en la Fig.
6, mientras que, el sólido
la curva en esta figura representa los datos
predichos al ingresar la realización de m en
el simulador. Los valores
de las propiedades del canal y de las rocas
no canalizadas obtenidas en
La realización con los valores
correspondientes de la inicial.
adivina y los valores verdaderos se muestran
en la Tabla 3.
Variable Estimación Realización Cierto
inicial
Realizaciones e incertidumbres múltiples,
aunque la
los resultados de la tabla anterior podrían
sugerir que los datos de presión son
suficientes para resolver las propiedades de
la roca de canal
razonablemente bien, en general, es
necesario generar múltiples realizaciones
para evaluar la reducción de la incertidumbre
En los parámetros del modelo obtenidos por
condicionamiento a presión.
o datos de producción. Por lo tanto,
generamos un adicional de 49
Realizaciones. Las figuras 7, 8, 9 y 10,
respectivamente, muestran histogramas de
kc, φc, knc y φnc. En cada figura, la
El histograma de la izquierda representa los
de las 49 simulaciones
incondicionales del modelo y el de la
La derecha representa los resultados de las
49 simulaciones condicionales. La figura 7
indica que la permeabilidad del canal está
bien.
Resuelto por los datos de presión
observados. En particular, por
condicionado a los datos de presión, la
desviación estándar ha
Se ha reducido de 24.5 md a 2.6 md.
También tenga en cuenta que la
La media de la serie de realizaciones
condicionales es 133.8 md como
a diferencia de 105.5 md para el conjunto de
realizaciones incondicionales y esta media es
cercana al valor verdadero de kc que es
igual a 134.1 md. También tenga en cuenta
que, al condicionar a los datos de presión, el
coeficiente de variación (desviación estándar)
dividido por la media) se ha reducido de 0.23
a 0.019;
es decir, se ha reducido en un factor mayor
que diez. los
El coeficiente de variación, que no tiene
dimensiones, es una estadística útil cuando
se comparan resultados de variables
aleatorias
que tienen diferentes unidades o difieren
mucho en magnitud.
De las estadísticas de la Fig. 8, vemos que la
porosidad del canal
no se resuelve tan bien como la
permeabilidad del canal, por ejemplo,
La desviación estándar y el coeficiente de
variación se reducen.
por menos de un factor de dos por
condicionamiento a presión
datos. Las figuras 9 y 10 indican que
condiciona a presión.
resultados de datos en una reducción
insignificante en la incertidumbre en
Permeabilidad y porosidad sin canal.
Los resultados de las Figs. 7 a 10 no son
inesperados
Basado en conocimientos básicos de análisis
de transitorios de presión. En
En particular, esperamos que los datos de
flujo radial se resuelvan razonablemente.
así la capacidad de flujo total (grosor
promediado por el espesor del yacimiento)
incluso en los casos en que los campos de
permeabilidad son heterogéneos; ver He et
al. Sin embargo, para
En este ejemplo, la permeabilidad sin canal
es muy pequeña.
En comparación con kc y la capacidad de
flujo total evaluada en base
en el espesor del canal en el pozo ubicado
(denotado por
hw) es aproximadamente igual a kchw. Como
el valor de hw es
datos observados y se mide con mucha
precisión (estándar
desviación del error de medición igual a 0.5
pies), esperamos
Datos de presión de flujo radial combinados
con el canal observado.
Espesor en el pozo para resolver bien kc. Por
otra parte,
La porosidad se resuelve menos bien al fluir
la presión del pozo
Datos y esto es confirmado por los resultados
de la Fig. 8.
El período de tiempo considerado, la difusión
de la presión es
confinado principalmente al canal, y la mayor
parte del fluido
Producido representa el fluido que estaba
inicialmente en el canal.
Por lo tanto, la presión del pozo no es muy
sensible a la roca.
propiedades en gridblocks que no están en o
cerca del canal
fronteras Debido a esto, no podemos esperar
que la permeabilidad y la porosidad de las
facies que no son canales estén bien
Resuelto por datos transitorios de presión.
Para fluir a un pozo productor en un
"bidimensional"
Canal homogéneo de ancho y espesor
uniforme con
La línea central del canal dado por una línea
recta, la presión
La derivada durante el flujo lineal está dada
por
donde, aquí, H y W representan el ancho
constante y
Espesor del canal, respectivamente. En la ec.
18, el tiempo está en
horas Si el tiempo es en días, la constante
2.032 debe reemplazarse por 9.95. Por un
canal bidimensional, en realidad
Significa que no se produce flujo vertical.
Basado en la ec. 18, uno podría adivinar que
si q, µ y ct
Se conocen, luego se condicionan a datos de
presión de flujo lineal.
reducirá la incertidumbre en WH√kcφc
incluso en el caso
bajo consideración donde W y H varían con
x. Desafortunadamente, la influencia que W
(xi) H (xi) tiene en los datos de presión
Depende principalmente de la distancia del
pozo. Así, porque no hay información
direccional en los datos de presión.
de un solo pozo, esperamos que los datos de
presión de flujo lineal
será más eficaz para reducir la incertidumbre
en el
siguiente función:
donde xw denota la coordenada x en la
ubicación de la
bien yd representa la distancia entre xw y un
valor
de x> xw.
Las figuras 11 y 12 muestran gráficos de W
(x) H (x)
√kcφc contra
X. La figura 11 se basa en las 50
realizaciones incondicionales.
y la figura 12 pertenece a las 50
realizaciones incondicionales.
Las figuras 13 y 14 muestran resultados
similares para la función f (d).
En las Figs. 13 y 14, f (d) se representa
frente a un índice de distancia donde un
índice de distancia igual a i corresponde a la
d = (i - 1) ∆x para el caso de una cuadrícula
uniforme en la dirección x. (Aquí, ∆x
representa el espaciado de la cuadrícula en
el
dirección x). Así, en las Figs. 13 y 14, i = 1
corresponde
a la buena ubicación. Como era de esperar
los datos de acondicionamiento.
reduce la incertidumbre en f (d) algo más que
reduce la incertidumbre en W (x) H (x)
√kcφc. En cierto sentido, la
resultados de las Figs. 11-14 son un tanto
engañosas porque una
Gran parte de la reducción de la
incertidumbre se debe al hecho de que
Que la permeabilidad del canal se resuelve
bien por el flujo radial.
Datos y el espesor del canal observado en el
pozo. A continuación, simplemente
consideramos la reducción de la
incertidumbre.
en WHφc obtenido por condicionamiento a
datos. El último
La variable está directamente relacionada
con el volumen de los poros.
Basado en nuestro modelo, volumen del poro
del canal en pies cúbicos.
es dado por
Por lo tanto, la resolución de la función W (x)
H (x) φc es importante para las reservas de
determinación. Las figuras 15 y 16 muestran
gráficas de W (x) H (x) φc contra x. La figura
15 se basa en los 50.
Realizaciones incondicionales y la figura 16
pertenece a los 50.
Realizaciones incondicionales. Está claro que
los datos de condicionamiento han reducido
la incertidumbre. A distancias mas
A 15 bloqueos del pozo, la reducción de la
incertidumbre se debe prácticamente en su
totalidad a la reducción de la incertidumbre
de φc, la reducción de la incertidumbre en
WH a
estas distancias son despreciables; ver Fig.
5.37 de Bi.14 como uno
última medida de incertidumbre calculamos el
volumen de la
parte del canal que se encuentra dentro de
15 gridblocks (en
La dirección x) del pozo. Denotamos este
volumen por Vl.
Las figuras 17 y 18, respectivamente,
muestran los histogramas para este
Volumen calculado a partir de los 50
incondicionales y 50 con-
Realizaciones adicionales. Note que la
reducción es la incertidumbre.
En VL obtenido por condicionamiento a los
datos es significativo.
Conjetura inicial para Levenberg-Marquardt
Recordemos que
se obtiene una realización específica al
generar realizaciones incondicionales del
modelo y los datos observados y
entonces minimizando la función objetivo de
la ec. 16. La forma específica del algoritmo
de Levenberg-Marquardt utilizado para
la minimización se puede encontrar en Bi.14
Permitimos que m0 denote la
Suposición inicial para el método de
Levenberg-Marquardt. Nosotros
encontró que si el pozo se encuentra en el
canal, pero el pozo
Bueno, no está en el canal representado por
el incondicional.
realización muc, el algoritmo de Levenberg-
Marquardt
Generalmente converge más lentamente si
usamos como la conjetura inicial
m0 = muc. Por otra parte, en esta situación,
el algoritmo.
ocasionalmente puede converger a un
mínimo local que da
Una coincidencia inaceptable de datos de
presión. Encontramos eso
propiedades de convergencia se pueden
mejorar mediante la generación de una
Conjetura inicial para que así se encuentre
dentro del canal representado.
en m0. A continuación se describe un
procedimiento para hacerlo.
Como las propiedades de la roca son
independientes de los parámetros
geométricos, simplemente modificamos los
parámetros geométricos; ver ecuaciones. 5 y
9. Suponemos que muc, g denota la
Vector de parámetros geométricos
contenidos en muc. Suponemos que la
coordenada x de la ubicación está dada por
xik donde ik
simplemente denota el índice de
coordenadas x en el pozo. Dejamos
xc, ik e yc, ik, respectivamente, denotan las
coordenadas x e y
del centro del canal en x = xik. De las ecs. 4,
2 y 5,
sigue eso
donde mg, l (l = 1, 3, 4 + ik) denota el
componente lth
de mg. Si existen Nw pozos en los que se
observa el canal y la coordenada x de la
ubicación del pozo viene dada por
xik, k = 1, 2, ..., Nw, luego Eq. 21 aplica para
k = 1, 2, ..., Nw
y el sistema de ecuaciones se puede escribir
como:
yc = Gmg,
donde yc = yc (mg) es un vector de columna
Nw-dimensional
con su componente kth dado por yc (xik), y G
es un
Nw × (4Nx + 4) matriz con un máximo de tres
entradas distintas de cero en
cada fila. Generar un canal mg que contenga
todos los pozos.
En el cual se observó el canal, asumimos
que conjunto de
Las coordenadas y de las ubicaciones de los
pozos representan observaciones.
del conjunto de centros de canales, yc, es
decir, que (xik, yik) denota la ubicación del
pozo k, asumimos que yik
Es una observación (medida) de yc (xik).
Dejamos yobs, c
denota el vector de estas
pseudoobservaciones o pseudomedidas, y
asumimos que los errores de medición son
independientes y gaussianos con datos
diagonales asociados
matriz de covarianza denotada por Cw.
Luego, utilizando estándar
Teoría lineal inversa (ver, por ejemplo,
Tarantola20) nos puede condicionar mg, uc a
yobs, c minimizando lo siguiente
función objetiva:
El mínimo de esta función objetivo, que se
denota por m0 g, se puede calcular
analíticamente y está dado por
En los ejemplos que hemos hecho hasta la
fecha, hemos establecido el
Elementos diagonales de Cw igual a 1 ft2.
Ahora para generar
la conjetura inicial para el algoritmo de
Levenberg-Marquardt,
simplemente reemplazamos el mg, uc
subvector de muc por m0
sol.
La Fig. 19 muestra la conjetura inicial para un
canal y la
Resultados obtenidos en la primera, segunda
y octava iteración.
del algoritmo de Levenberg-Marquardt que se
aplicó
Condicionar a presión los datos obtenidos
durante dos días.
prueba de reducción. En este ejemplo, se
asumió que las propiedades de la roca se
conocían exactamente a priori, por lo que m
= mg. En la figura 19,
hemos mostrado los resultados a valores fijos
de z, es decir, Fig. 19
Representa un corte horizontal del reservorio.
En este caso,
Ec. 24 no se aplicó para generar una
conjetura inicial. los
La conjetura inicial es igual a la realización
incondicional.
que se generó a pesar de que, a diferencia
del reservorio "verdadero", el canal
incondicional no contiene el pozo
en el que se midieron los datos de
acondicionamiento. En las Figs. 19 y
20, se muestra el pozo gridblock, que está en
una posición fija,
por blanco si el pozo está en el canal y se
muestra por negro si
El pozo no está en el canal.
En los casos en que la ubicación del pozo es
difícil de detectar en las figuras, el pozo es en
realidad
ubicado en un bloque de rejilla a lo largo del
límite del canal.
Los resultados de la Fig. 19 indican que en la
primera iteración,
el canal se mueve de manera que el pozo se
encuentra a lo largo del límite del canal.
Modificación significativa del canal.
parámetros también se realiza en la iteración
2. Otros cambios en
los parámetros del modelo son algo más
graduales con los resultados en la novena
iteración esencialmente idénticos a los
Se muestra para la octava iteración. (Se
muestra el verdadero canal
en el gráfico de la izquierda de la figura 20.).
El algoritmo de Levenberg-Marquardt requirió
9 iteraciones para converger en este ejemplo;
El valor de la función objetivo en la
convergencia fue de 24.
A continuación, modificamos la realización
incondicional de la figura 19.
utilizando la ec. 24 para obtener la conjetura
inicial que se muestra en la gráfica central de
la Fig. 20. Con esta conjetura inicial, el
algoritmo de LevenbergMarquardt requirió
solo tres iteraciones para converger a la
realización condicional que se muestra en la
gráfica en
El derecho de la Fig. 20. El valor de la
función objetivo en
La convergencia fue de 15.
Conclusiones
Hemos implementado el método de
probabilidad máxima aleatoria para
condicionar un canal estocástico
tridimensional a datos de presión de prueba
de pozo y observaciones de pozo de espesor
y profundidad de la parte superior del canal.
La generación de cada realización requiere la
minimización de una función objetivo. Esta
minimización se logra aplicando el algoritmo
de Levenberg-Marquardt.
Una técnica para generar una conjetura
inicial que cede.
Se ha presentado una rápida convergencia.
Con nuestra tecnica
Para generar una conjetura inicial, el
Levenberg-Marquardt.
El algoritmo típicamente converge en tres a
seis iteraciones. Una
La mayor contribución de nuestro trabajo es
el desarrollo de procedimientos eficientes
para generar la sensibilidad de la presión.
Datos para modelar parámetros. Aunque
nuestros métodos son
relativamente eficiente, el cálculo de un solo
condicional
Realización en una cuadrícula de 60 × 40 ×
15 con quince condicionamientos.
los datos de presión requieren del orden de
30 minutos en un Pentium 400. Como se
indica en el Apéndice A, parece que más
adelante
Mejoras en la eficiencia computacional son
posibles.
Dada la profundidad de canal observada en
el pozo, y
Datos de presión tanto en flujo radial como
lineal, canal.
La permeabilidad está bien resuelta. Dentro
de la región de influencia del pozo de prueba,
el valor promedio del ancho del canal
veces el espesor veces la porosidad del
canal es razonablemente bien
resueltos siempre que los datos de
acondicionamiento incluyan datos de presión
de flujo radial y lineal y el espesor del canal
observado
en el pozo. Esta variable está directamente
relacionada con el canal.
volumen.
Nomenclatura
C = matriz de covarianza
d = vector de datos (las unidades dependen
del tipo de datos)
G = matriz de sensibilidad de los datos. a
cambios en los parámetros del modelo
k = permeabilidad, L2, mD
m = vector de parámetros del modelo
Rasp = vector de la relación de aspecto del
canal
sxy = pendiente de la PDL en el plano x - y
sxz = pendiente de la PDL en el plano x - z
S = sinuosidad, distancia del PDL.
W = vector de anchos de canal
x = (x, y, z), coordenada espacial, L, ft
y = logaritmo natural de permeabilidad
µ = valor medio de la variable aleatoria
φ = porosidad
Subíndices
c = facies de canal
g = parámetros geométricos
h = espesor del canal
M = modelo
mod = predicho desde el simulador de flujo
obs = observado
prior = valor a priori
z = profundidad
Superíndices
T = transposición
Expresiones de gratitud
Este trabajo fue apoyado por las empresas
miembros.
de la Universidad de Tulsa Proyectos de
Explotación de Yacimientos de Petróleo.
Apoyo financiero para los estudios de
postgrado de
El primer autor fue proporcionado
principalmente por una subvención del
Departamento de Investigación Estratégica
de Mobil Technology Company y una
subvención del Departamento de Energía de
los Estados Unidos;
subcontrato No. 93–0001 / 47, contrato No.
DEAC22–
94PC91008. Este apoyo se agradece.
Referencias
[1] Georgsen, F. y Omre, H.:
"Combinación de procesos de fibra y
funciones aleatorias gaussianas para
modelar fluvial Embalses,
”Geoestadística Troia ’92 (1992).
[2] Georgsen, F., Egeland, T., Knarud,
R. y Omre, H .: “Simulación Condicional
De La Arquitectura De Facies En Fluvial
Reservorios, ”Simulaciones
Geoestadísticas, Académico Kluwer,
Dordrecht (1994) 235-250.
[3] Landa, J.L. y Horne, R.N .: “Un
procedimiento para integrar Datos de
prueba de pozo, historial de rendimiento
del yacimiento y 4-D Información sísmica
en una descripción de reservorio
(SPE38653), "1997 Conferencia técnica
anual y exposición SPE (1997).
[4] Landa, J.L.: Estimación de
parámetros de reservorio restringida a
Transitorios de presión, Historial de
rendimiento y Datos de saturación
distribuidos, Ph.D. Tesis, Universidad de
Stanford, Stanford, California (1997).
[5] Rahon, D., Edoa, P.F. y Masmoudi,
M .: “Inversión de Formas geológicas en
la ingeniería de yacimientos utilizando
pruebas de pozos e historia de
concordancia de datos de producción
(SPE38656), "Conferencia técnica anual
y exposición de la SPE 1997 (1997).
[6] Yeh, W.W.G.: “Revisión de la
identificación de parámetros en
Hidrología de aguas subterráneas: el
problema inverso, "Agua Investigación de
recursos (1986) 22, 95.
[7] Anterion, F., Karcher, B. y Eymard,
R .: "Uso de gradientes de parámetros
para la comparación del historial de
reservorios, SPE18433", 10 ° SPE
Simulación de simulación de reservorios
Symp. (1989).