UNIVERSIDAD ESTATAL PENÍNSULA DE

SANTA ELENA
FACULTAD CIENCIAS DE LA INGENIERÍA
CARRERA DE PETRÓLEOS
GRUPO # 1
INTEGRANTES:
 ANGIE MANUELA BORBOR JAIME
 EDER MIGUEL ORTIZ CAMPOVERDE
 LUIS ADRIÁN TIGRERO GONZALES
 NALLELY PRISCILA TOMALÁ TOMALÁ

ASIGNATURA:
FLUJO DE FLUIDOS EN MEDIOS POROSOS

DOCENTE:
ING. FIDEL CHUCHUCA AGUILAR

TEMA:
ENSAYO ARGUMENTATIVO

PERIODO LECTIVO:
2022-1
INTRODUCCIÓN

Para empezar, analizaremos la información presentada en este artículo, sabemos que para la simulación
de flujos en medios porosos necesitamos de una simulación a escala completa como por ejemplo el
modelo de malla fina, esto implica un alto costo computacional y se requiere la resolución de un gran
sistema de ecuaciones diferenciales no lineales.

Para la simulación de flujos bifásicos en medios porosos, veremos las ecuaciones diferenciales parciales
que se utilizaron, se propone el modelo de orden reducido (ROM) E2C que implica proyectar el sistema
desde un espacio de alta dimensión a un subespacio de baja dimensión utilizando el codificador-
decodificador, aproximar la progresión del sistema de un paso de tiempo al siguiente utilizando un
modelo de transición lineal y, finalmente, proyectar el sistema de nuevo al espacio de alta dimensión
utilizando el codificador-decodificador.

Considerando la física en este modelo se buscaba la conservación de la masa y las leyes físicas que
muchos enfoques ya existentes no tomaron en cuenta, se adoptó la formulación mixta de elementos
finitos en la función de pérdida de la red neuronal, combinada con la función de pérdida original basada
en datos. Además, se introducen 3 componentes del marco de incrustación a control (E2C) que
contribuirán a la función perdida.

Entonces identificaremos como lograran lo propuesto, y finalmente se presentará por medio de un

ejemplo numérico, los resultados y conclusiones de este modelo que nos será útil en cuanto a
cuantificación de la incertidumbre o el ajuste de la historia.

DESARROLLO

Formulación del modelo bifásico incompresible

Partiendo de que tenemos dos fases: agua y petróleo. Si asumimos que el flujo en el yacimiento está
dominado por el flujo viscoso; se despreciara el efecto de la gravedad, la presión capilar y la
compresibilidad.

De la ecuación de la Ley de Darcy, tenemos que:

−k ri ( s)
ui= K ∇ p Ec 1.1
μi

Donde:
 i = fase agua o petróleo
 ui = velocidad de la fase
 k ri = permeabilidad relativa a la fase i
 s = saturación
 μi = viscosidad
 K = tensor de permeabilidad
 ∇ p = gradiente de presión
Así mismo para la conservación de la masa, tenemos la siguiente expresión:
∂ si
∅ ∇ ⋅ui=qi Ec 1.2
∂t
Donde:
 ∅ = porosidad
 t = tiempo
 q i = fuente volumétrica de la fase i
Al combinar la ecuación de Darcy, la ley de la conservación de masa y aplicando la restricción de
saturación sw + so =1
Obtendremos:
∇ ⋅ u=q w +q o
∂s q
∅ ∇ ⋅ [ f w ( s ) u ]= w
∂t ρw
Donde:
 f w = flujo fraccionario de agua
 ρ = densidad
La movilidad de la fase i, λ i, controla la interacción entre las rocas y los fluidos y se expresa:
k ri (s)
λ i=
μi
El fujo fraccionario se expresa mediante:
λ w (s)
f w=
λ ( s)
Donde:
 λ (s) = movilidad total
λ ( s ) =λw ( s)+ λ o (s )
Tomando en cuenta estas expresiones, reemplazamos:
k rw ( s)
f w=
μw + λ w ( s)+ λ o (s)

k rw (s)
f w=
μ
k rw ( s )+ w k ro (s)
μo
Entonces la fórmula de flujo total es:
u=uw +uo =−λ ( s ) K ∇ p
Esta expresión es el modelo de flujo bifásico.
Resolviendo por método mixto, obtendremos el siguiente sistema de primer orden:
u+ λ ( s ) K ∇ p=0
∇ u=q
Estas dos ecuaciones serán usadas como restricción en la red neuronal para que cumpla con la física y
podemos hallar p y u.
Reducción del modelo mediante POD-TPW
Las instantáneas POD se calculan de forma económica con técnicas locales de reducción de modelos que
se basan en el método generalizado de elementos finitos multiescala (GMsFEM). Por lo que se considera
que los modelos de orden reducido son eficaces para reducir el coste computacional y la complejidad,
manteniendo al mismo tiempo una precisión de alto nivel.
El método composicional POD-TPWL expresa nuevas soluciones en términos de linealizaciones en torno
a los estados generados (y guardados) durante las ejecuciones de "entrenamiento" previamente
simuladas. Los estados de alta dimensión se proyectan (de manera óptima) en un subespacio de baja
dimensión mediante el uso de POD.
Se construye una matriz de proyección.
La correlación entre los estados de alta dimensión y el subespacio de baja dimensión se expresa como:
X ≈ Φξ
Donde:
X ∈ R 2 nb = estado de alta dimensión
ξ ∈ R lξ = variable de baja dimensión
X es ortonormal, por ende, podemos expresarlo como:
ξ ≈Φ T X
La formulación TPWL, siguiendo el término X ≈ Φξ :
X t +1=J i +1 Φ ξi +1−[ Ai +1 Φ ( ξt −ξ i ) + Bi+1 ( ut +1−ui +1 ) ]
J i+1 ^
Esto a su vez:
∂ gi+1 2n × 2 n
J i+1 = i+1
∈R b b

∂X
∂ gi +1 2 n × 2n
Ai +1= i
∈R b b

∂X
i+1
∂g 2 n ×n
Bi+1= i+1 ∈ R b w

∂u
Donde:
 n w = número de pozos
 t y t+ 1 = pasos de tiempo en la ejecución de prueba
 i y i+1 = pasos de tiempo en las ejecuciones de entrenamiento
 ξ t = solución proyectada de baja dimensión de la solución del sistema totalmente implícito
discretizado de alto orden en el paso de tiempo.
 ^
X t +1 = variable de orden completo aproximada a través del paso de linealización
 ut +1 y ui +1 = ajustes del pozo
De la misma forma, ahora resolviendo la siguiente expresión ξ ≈Φ T X :
[
ξ^ t +1=ξ i+1− ( J ⅈ+ 1) [ A ⅈ+1 ( ξt −ξ i ) + B ⅈ+1 ( ut +1−ui+ 1) ]
r −1 r r
]
Y de esta expresión, tenemos estas matrices derivadas reducidas:
r I ξ× I ξ T
J ⅈ+1 ∈ R =( Ψ i+1 ) J i +1 Φ
Arⅈ+1 ∈ R I ×I =( Ψ i+ 1) T A i+1 Φ
ξ ξ

Brⅈ+1 ∈ RI ξ × nw
=( Ψ i+1 )T Bi+1
Donde:
 ξ̂ t +1 ∈ R I ξ̂ = variable reducida aproximada por linealización
 Ψ i +1 = matriz de reducción de restricciones
Para proyectar la solución aproximada de vuelta al espacio de alta dimensión, utilizamos esta ecuación:
X ≈ Φ ξ^
^
Durante el procedimiento, se produce el error de proyección expresado como:
2
e proj=‖ X−Φ Φ X‖2
T

El error de reducción de restricciones, lo expresamos como:

2
e cr =‖ ^
X−Φ ξ^‖Θ
La norma ǁ ǁΘ se define como:

‖e‖Θ=√ e T Θ e
Donde: Θ = simétrica positiva definida como matriz.

La matriz de reducción de restricciones Ψ se determina minimizando el error de reducción de

restricciones:

Ψ =argΨ min ecr

E2C y método mixto

En el modelo dinámico latente localmente lineal para el control a partir de imágenes sin procesar en
2015, se introdujo el E2C que consiste en un modelo generativo profundo, perteneciente a la familia de
los autocodificadores variacionales, que aprende a generar trayectorias de imagen a partir de un espacio
latente en el que la dinámica está restringida a ser localmente lineal. El modelo propuesto en 2015
admite la predicción a largo plazo de secuencias de imágenes.

La arquitectura de incrustación a control tiene tres pasos principales, un codificador, un modelo de

transición lineal y un decodificador

Figura 1-Estructura de la imagen a control.

Ciertamente, lo que caracteriza o diferencia este modelo de otros, es que para considerar y mantener la
física se introdujo la formulación del método mixto en la función de pérdida de las redes neuronales. Y
por otro lado, para la conservación de la masa se introdujo el campo de velocidad.
 Nos permite Predice la variable Es el reverso del
representar latente para el codificador y se
instantáneas de siguiente paso de expresa como:

MODELO DE TRANSICIÓN LINEAL

orden completo en tiempo.
una representación
de baja dimensión
(variable latente) Este modelo se
; optimiza

DECODIFICADOR
minimizando una
CODIFICADOR

pérdida de transición

Donde:

 I z = dimensión de la variable latente

 Zt = variable latente resultante del proceso de codificación
 Qeϕ n c = Representación del codificador y toma instantáneas del modelo complete
 ^
X t +1 = variable de estado reconstruida (instantánea)

La función de pérdida

Con respecto a esta función, como se observó en las ecuaciones anteriores tenemos parámetros
aprensibles como φ , ψ ,θ ; los cuales cambian para lograr que se minimice la función de pérdida total.

EJEMPLO NÚMERICO

El modelo de simulación es un modelo CMG bidimensional de aceite negro de dos fases (agua y aceite)
que contiene 3600 bloques de malla (60x60) con dimensiones de 30mx30m x10m, y este tiene cuatro
inyectores y cinco productores.

Como datos para este ejercicio, tendremos:

 Porosidad constante de 0,2

 Campo de permeabilidad isotrópico gaussiano con una media de 100 mD
 Desviación estándar de 1
0
 k rw = 0,5
0
 k ro = 1
 s¿ = 0,3
 swr = 0,1
 a = 3,6
  b = 1,5
Para el petróleo:
 ρ=800 kg/m3
 μ=¿0,91 cp
Para el agua:
 ρ=1000 kg/m 3
 μ=¿0,30 cp
Como datos iniciales:
 Sw =0,1
 p=5000 Psi en el tope del yacimiento.

Las funciones de permeabilidad relativa, se expresarán mediante:

( )
a
0 s w −s wr
k rw ( S w ) =k rw
1−s wr −s¿

( )
b
0 1−s w −s¿
k ro ( S w )=k ro
1−s wr −s ¿

Los pozos de producción productores fueron controlados por BHPs que van de 3500 psi a 4000 psi y los
inyectores por tasas de agua que van de 1500 a 6500 bbl/día. Se utilizó el simulador CMG-CMOST para
generar más de 300 ejecuciones de simulación variando aleatoriamente las tasas de inyección entre
1500 y 6500 bbl/día y las BHPs entre 3500 y 4000 psi.
Se consideró importante normalizar los datos para evitar que estén dominados por datos con grandes
magnitudes, para luego pasar el conjunto de datos al modelo de orden reducido de incrustación a
control.

p− pmin
pnorm =
p max− p min
q−qmin
q norm=
q max −qmin
Como punto adicional, de las predicciones de saturación del modelo de aprendizaje profundo de orden
reducido se obtuvieron datos de las permeabilidades relativas, las ratios de movilidad y el índice de
productividad del pozo. Que posteriormente estos mismo fueron usados para otro modelado de pozos,
mediante la expresión:

WPI∗λ ( S )
q= ( pblock −p BHP )
Bi

Donde:

 WPI = índice de productividad del pozo

 λ ( S ) = relación de movilidad en función de la saturación
 Bi = factor de volumen de la formación para la fase i
  pblock = presión en el píxel de la imagen
 pBHP = presión del fondo del pozo

Al examinar el comportamiento de las permeabilidades relativas antes dadas, mediante este modelo se
observó que la curva de permeabilidad relativa sigue exactamente el rango que utilizamos al crear el
conjunto de datos de simulación Pasamos ahora a discutir el error basado en la física. La parte de la
función de pérdida basada en los datos fue relativamente fácil de minimizar y la interdependencia entre
las predicciones de saturación mediante el modelo de aprendizaje profundo y los cálculos de la
permeabilidad relativa añadió más complejidad.

Figura 2-Mapa de permeabilidad relativa en dos dimensiones calculado a partir de las

predicciones de saturación

A continuación, se muestran los resultados de la predicción de las variables de estado globales: presión,
saturación y velocidad en comparación con el modelo de física completa. La razón principal del error
cero en el flujo es el factor de ponderación que añadimos a la función de pérdida para forzar el proceso
de optimización a poner más énfasis en la parte física de la función de pérdida total modelo de orden
reducido.

Figura 4-Mapas de saturación previstos (arriba) frente a los resultados de la simulación (centro) por para pasos de
tiempo consecutivos.
Figura 5-Mapas de presión predichos (arriba) frente a los resultados de la simulación (centro) para pasos de tiempo
consecutivos

Figura 6-Mapas del flujo predicho utilizando la ROM de aprendizaje

profundo

Cabe resaltar que los modelos ROM están basados en la descomposición ortogonal adecuada (POD).

CONCLUSIÓN

En cuanto a reducción de costes y complejidad computacional, este modelo propuesto será de gran
utilidad, especialmente si se utiliza para la cuantificación de la incertidumbre o el ajuste de la historia ya
que el significativo aumento de velocidad conseguido y la precisión existente, resulta ser un método
análogo a los de malla fina. Concuerdo que se siga investigando e implementando la viabilidad de utilizar
el modelo de orden reducido desarrollado para la cuantificación de la incertidumbre y el ajuste de la
historia.