UNIVERSIDAD DE ORIENTE

NÚCLEO DE ANZOÁTEGUI
ESCUELA DE INGENIERIA Y CIENCIAS APLICADAS
DEPARTAMENTO DE INGENIERIA DE PETRÓLEO

PROYECTO DE TESIS DE GRADO

CARACTERIZACIÓN DE UN YACIMIENTO DE PETRÓLEO Y GAS,

APLICANDO EL MODELO GEOESTADÍSTICO PARA EL CAMPO
SAN JOAQUÍN, ÁREA MAYOR DE ANACO.

Presentado por:

Ronny José Hidalgo Rojas.

C.I: 25.687.289

Asesorado por:

Lorenzo Arditi
Tutor
Académico

Barcelona, noviembre de 2021

1. PLANTEAMIENTO DEL PROBLEMA

La información que presenta un campo petrolero en ciertas ocasiones suele ser escasa al
momento de necesitar caracterizar el reservorio debido a los costos que implica realizar
estudios de tomas de núcleos, análisis petrofísico, atributos sísmicos, estudios de facies
sedimentarias, etc., en cada pozo perforado para un campo cualquiera.

Las técnicas de modelamiento geoestadístico convencionales en algunas

ocasiones no complacen o no coinciden con la realidad del yacimiento, debido a que no
se pueden escoger los algoritmos de interpolación de datos apropiados ya que no se
tiene un estudio real de todo el campo, por lo tanto, el nivel de incertidumbre que
reflejan los resultados, o el margen de error que se pueda presentar será un problema al
momento de realizar los modelos 3D de facies y propiedades petrofísicas.

La simulación por el método plurigaussiano necesita reunir la mayor cantidad de

información de los pozos para realizar los variogramas que permitan dar orientación a
cada propiedad del yacimiento, por lo tanto, es importante reunir pozos que contengan
estudios litológicos o de facies (litotipos), propiedades como la porosidad,
permeabilidad, saturación de agua, etc., para que los modelos se adapten al ambiente
de depositación adecuado a su formación.

Este proyecto permite que se admitan en los análisis de caracterización de

yacimientos el uso de Programas modernos a las futuras generaciones, además brinda
soluciones prácticas proponiendo resultados que permitan realizar workover o trabajos
de cañoneos. La importancia de este trabajo permite obtener características más
exactas del yacimiento de acuerdo a los datos de campo y puede servir para construir
modelos dinámicos de reservorios. También es un soporte o guía didáctica para los
estudiantes y profesionales en la rama del petróleo o carreras afines.
2. OBJETIVOS

2.1. OBJETIVOS GENERAL

Caracterizar un yacimiento de petróleo y gas, aplicando el modelo geoestadístico

para el campo San Joaquín, área mayor de Anaco.

2.2..OBJETIVOS ESPECÍFICOS

1. Recopilar los diferentes tipos de datos Petrofísicos y Geológicos del Campo San
Joaquín, Área Mayor de Anaco.
2. Establecer el uso de los Programas SEMS-beta y Surfer para la obtención del
modelo geoestadístico.

3. Aplicar las técnicas del Modelo Geoestadístico adecuadas para cada propiedad
Petrofísica y Geológica.
4. Generar el Modelo de los Variogramas Teóricos Experimentales en conjunto a
los Parámetros del Subsuelo y Propiedades Petrofísicas del área de estudio.
5. Validar el Modelo Geoestadístico del Área de estudio.
 4. MARCO TEÓRICO

4.1 QUÉ ES GEOESTADÍSTICA

La geoestadística es una rama de la estadística que comprende el estudio de una base

de datos iniciales (datos espaciales) para analizar, predecir y modelar la variabilidad
de los fenómenos que se presentan en la geografía terrestre. En el transcurso de
los años 60 Matheron definió la geoestadística como “la aplicación del formalismo
de las funciones aleatorias al reconocimiento y estimación de fenómenos
naturales”. Es decir que la geoestadística también se puede definir como un
conjunto de técnicas para análisis de valores o variables correlacionados entre sí
para procesar e inferir resultados geo referenciados en el espacio/tiempo.

4.1.1 Aplicaciones de la geoestadística en la industria

A partir de la minería, que fue la primera rama en donde se utilizó la geoestadística

luego fueron muchas en las que se usan estas técnicas actualmente; entre las que
más resaltan se tiene:

1. Industria del petróleo: Se realizan modelamientos de facies, modelos de

propiedades petrofísicas de yacimientos (porosidad, permeabilidad, saturación
de agua), para realizar una caracterización del yacimiento, cálculo de reservas
hidrocarburíferas, modelos geológicos, escalamiento de información, etc.
2. Industria de la pesca: Se usa para calcular el potencial de pesca, estimación in
situ de la distribución de especies de peces, dependiendo de parámetros como
la temperatura, salinidad, profundidad, etc.
3. Industria Minera: Para realizar cálculos de reservas, peritaje minero, análisis de
factibilidad económica del yacimiento, para identificar diferentes métodos de
explotación minera según como esté distribuida la mineralización, etc. Industria
forestal y agrícola: Análisis de la distribución de plagas que afectan las especies,
 estudios de suelos, inventarios forestales, etc.
4. Industria de la salud: Estudios para calcular la distribución de enfermedades,
análisis para reconocer la estimación a la que pueden estar expuestas las
personas a elementos nocivos como químicos, polvos, ruido, etc.
5. Medio ambiente: Estimación de contaminantes que se distribuyen en el aire,
cuerpos de agua, suelos, acuíferos, análisis de riesgos, estudios de impacto
ambiental, etc. Hidrogeología: Para reconocer los niveles piezométricos, para
optimizar diseños de redes de monitoreo, etc.

Existen otras industrias que también aplican técnicas geoestadísticas en su

medio, aunque con una menor relevancia como la ingeniería civil, cartografía,
materiales, finanzas, procesamiento de imágenes, meteorología, etc.

4.1.2 Historia de la geoestadística

Como ya se mencionó, los orígenes de la geoestadística datan de la minería, el

ingeniero de minas D. G. Krige y el estadista H. S. Sichel en los años 50
implementaron un nuevo método de estimación a pesar de que se suponía que los
métodos estadísticos clásicos no eran recomendables para el cálculo de reservas de
minerales. A inicios de los años 60 el ingeniero francés George Matheron
considerado como el padre de la geoestadística desarrolló la tesis planteada por
Krige formalizándola como “Teoría de las variables regionalizadas” lo que generó
una revolución de esta ciencia en la época; se bautizó la palabra kriging como
reconocimiento a D. G. Krige. La utilidad de la geoestadística en la minería con la
técnica de interpolación del kriging inspiró a la industria petrolera en la década de
los 70 a crear el primer software comercial llamado Bluepack. A partir de allí y con
el beneficio que traía la llegada de ordenadores personales las técnicas
geoestadísticas se extendieron hacia otras ramas de ciencias de la tierra,
consolidándose a mediados de los años 80 en áreas de la industria petrolera y
desarrollando nuevos softwares cada vez más sofisticados que permiten al usuario
 mayor facilidad y versatilidad para desarrollar los modelos geoestadísticos.

4.2 VARIABLES DE DISTRIBUCIÓN ESPACIAL

El análisis de la distribución espacial de las variables, constituye un estudio muy

importante en geoestadística ya que permite georreferenciar los datos para
determinar la distancia entre dos o más puntos, interacción, adyacencia. Estas
variables según su distribución se clasifican en: aleatorias y regionalizadas.

4.2.1 Variables aleatorias

Una variable aleatoria es una variable que toma un cierto número de valores
numéricos que siguen una cierta distribución de probabilidad. Por ejemplo, el
resultado de lanzar un dado al aire, puede ser considerado como una variable
aleatoria, la cual puede tomar un valor de 6 valores igualmente probables. Si un
tiro resulta igual a 5, entonces, por definición, se diría que 5 es una realización
particular de la variable aleatoria que resulta de lanzar un dado al aire (Journel y
Huijbregts, 1978). Similarmente, si se considera el valor z(x1)=1.5% de Cu, en un
punto particular x1en un depósito de cobre, este valor puede ser considerado
como una realización particular de cierta variable aleatoria Z(x1) definida en el
punto x1. Entonces el conjunto de valores de z(x) para todos los puntos x dentro
del depósito, puede ser considerado como una realización particular del conjunto
de variables aleatorias {Z(x), x ∈ al depósito}. Este conjunto de variables aleatorias
es conocido como función aleatoria y se denotará como Z(x) (Journel y Huijbregts,
1978).

4.2.2 Variables regionalizadas.

Es una variable distribuida a través del espacio, y que caracteriza cierto fenómeno, por
ejemplo, el espesor de las formaciones, el gradiente geotermal, la porosidad y la
permeabilidad, etc. (Journel y Huijbregts, 1978).
 Desde un punto de vista matemático, una variable regionalizada es
simplemente una función f(x), la cual toma valores a cada punto x de coordenadas
(xu, xv, xw) en un espacio tridimensional. (Journel y Huijbregts, 1978). Como en la
mayoría de los yacimientos, existen zonas que son más ricas que otras con respecto
a una propiedad en estudio haciendo que el valor 7 de la variable regionalizada f(x)
dependa de la posición espacial de x. (Journel y Huijbregts, 1978).

4.3 VARIOGRAMAS.

El variograma o también denominado semivariograma es la principal herramienta

geoestadística para explicar el comportamiento de una variable que se encuentra
en una región espacial de un área definida. El objetivo del variograma experimental
es determinar la distancia máxima en el cual se obtiene un valor que puede estar
influenciado por otros puntos a otras distancias. El variograma experimental no
puede ser modelado directamente con los métodos de interpolación, por este
motivo es necesario ajustarlo a modelos teóricos o variogramas teóricos
dependiendo la forma que se generen de la obtención de puntos. Considerando
que se tiene alguna variable regionalizada (z) conocida en un número (n) de
puntos; (x1, ….. xn). La ecuación básica del variograma experimental conocida para
un vector de separación (h) se muestra a continuación:

1
(ℎ) = ∑[z(𝑥α ) − z(𝑥β )]2
(Ec. 1)
2[(ℎ)]
𝑁(ℎ)

Dónde:

N (h)=[ ( α , β ) xα – xβ=h] (Ec. 1.1)

[N(h)] = Número de pares de puntos contenidos en el conjunto N(h).

 Debido a que generalmente los datos que se calculan están irregularmente
distribuidos en la región espacial, la ecuación anterior no genera resultados
favorables a la realidad, lo cual se hace imposible modelarlo e interpretarlo; por
esta razón se tiene en cuenta otros parámetros importantes como son:

1. Tolerancia angular Δ(θ): establece un valor angular para expandir el rango de

operación del variograma.
2. Tolerancia de lag T(h): Se define como una región de tolerancia en el vector h.

3. Ancho de banda: establece un límite a la expansión del cono que se genera

por la tolerancia angular.

4.3.1 Elementos de los variogramas.

El semivariograma o variograma consta de tres elementos principales que lo

caracterizan, estos se muestran en la Figura 1, en la que resalta una discontinuidad
en el origen (efecto agujero), que en cierto momento el variograma alcanza un
valor máximo (meseta) y se estabiliza, en ese punto se remarca el área de
influencia donde los datos están correlacionados y se visualiza a cierta distancia
(alcance).

Figura 1. Elementos que componen el variograma.

4.3.2 Efecto Nugget.

El efecto pepita o nugget (Co) representan una discontinuidad en el origen del

variograma o simplemente nulidad en el origen. Raramente se observa en los
cálculos de variogramas y se obtiene cuando se traza una línea en los primeros
puntos muestreados del variograma experimental extendiéndolo hasta interceptar
con el eje. Los valores resultantes de esta pequeña práctica serán menores a cero
y se asumen como cero puesto que no es válido tomar valores negativos en este
contexto.

4.3.2.1 Meseta

La meseta o sill representa el valor máximo que alcanza el variograma cuando la

mayoría de los puntos que la definen se estabilizan y su valor a partir de allí
permanece constante. Este valor se obtiene leyendo el mayor valor del variograma
al trazar una línea paralela a la abscisa en la intersección de esta línea con la
ordenada.

4.3.2.2 Rango

El rango o alcance es el valor que indica cuando el variograma alcanza el valor de su

meseta. El valor del rango se lo lee en la gráfica en la abscisa exactamente en el
punto donde el variograma se estabilizó y su meseta permanece constante.

4.3.3 Modelos Teóricos de Variogramas

Como se mencionó anteriormente los variogramas experimentales deben

ajustarse a modelos teóricos dependiendo de su comportamiento se tienen
diversos modelos de variogramas; entre los más usuales se encuentran el esférico,
exponencial, gaussiano y el de función de potencia.
4.3.3.1 Modelo Esférico

El modelo esférico es uno de los más utilizados en el cálculo de variogramas, la

forma de este variograma como se puede observar en la figura 2.3 consiste en un
comportamiento del tipo lineal hasta que alcanza el valor máximo de la meseta y
esta se estabiliza. La recta tangente desde el origen hasta la meseta en el punto de
abscisa (2/3) a se tiene en cuenta que a representa el valor del rango.

γ (h)=C ¿ (Ec.2)

γ(h) = 𝐶 (Ec. 3)

La ecuación 2 es válida para h≤ a; mientras que la ecuación 3 es para todos los h>a.

Figura 2. Modelo esférico de variograma.

4.3.3.2 Modelo Exponencial

El modelo exponencial se diferencia del esférico porque desde el origen crece más
rápido hasta alcanzar la meseta de forma asintótica tal como se observa en la Figura
3. El alcance efectivo o utilizado en la práctica corresponde al 95% de la meseta a
cierta distancia finita, el alcance (a) se obtiene en el punto de la abscisa con valores
de a’=3a, cuando a es un parámetro de escala. A partir del origen se encuentra la
tangente hasta la meseta en el punto a = (1/3)a’.

|h|
γ(h) = C [1 − Ex (− )] (Ec. 4)
𝑎

Para los │h│ > 0

Figura 3. Modelo Exponencial de variograma

4.3.3.3 Modelo Gaussiano

El modelo Gaussiano desde el origen muestra un comportamiento parabólico, luego

al alcanzar la meseta cambia a una forma asintótica al igual que el modelo
exponencial, es un modelo extremadamente continuo donde el valor de la abscisa
llega hasta el 95% de la meseta. El alcance práctico posee un valor de a´ = 1.73a.
Para │h│> 0 se tiene la siguiente ecuación:

|h|2
γ (h) = [1 − Ex ( )] (Ec. 5)
𝑎2
 Figura 4. Modelo Gaussiano de variograma

4.3.3.4 Modelo con función de Potencia

Esta función pertenece a un grupo de modelos que no poseen meseta, en la Figura 5,

se observa el comportamiento del variograma con valores correspondientes a 0,5
(azul), 1.0 (negro) y 1.5 (rojo).

(ℎ) = 𝑆 |h|𝑝 (Ec. 6)

Donde s se denomina factor de escala entre 0 ≤ p < 2, el comportamiento

depende del valor de la potencia p, esta ecuación representa a fenómenos no
estacionarios.

Figura 5. Modelo con función de Potencia de variograma.

4.4. ANISOTROPÍA

La anisotropía se refiere a una propiedad de la materia en la cual los parámetros a

evaluar varían según cambie la dirección en la que se examinan. Esto es importante
al calcular los variogramas, debido a que se lo realiza en cuatro direcciones
principalmente: 0°, 45°, 90° y 135°; con la finalidad de obtener rangos en todas
estas direcciones que permitan la construcción de una elipse anisotrópica.

Por lo general cuando existe un cambio de escala en alguna figura o cuerpo

quiere decir que se está hablando de anisotropía, por ejemplo, en un gráfico x-y
donde coexistan factores distintos en cada coordenada o en dependencia de
alguna función. Los tipos de anisotropía conocidos son la anisotropía geométrica,
zonal e híbrida.
4.4.1 Anisotropía Geométrica

Es cuando el variograma tiene igual meseta, pero diferentes rangos en las

diferentes direcciones en las que se lo calcula. Una de las características es que en
la dirección de mayor rango existe mayor continuidad espacial; mientras que en la
dirección de menor rango existe menor continuidad espacial. En la Figura 6, se
visualiza un ejemplo de un variograma con anisotropía geométrica en diferentes
direcciones.

Figura 6. Ejemplo de Anisotropía Geométrica

4.4.2 Anisotropía Zonal

Es cuando el variograma presenta diferentes mesetas, pero el mismo rango a

distintas direcciones en las que se lo calcula; con presencia de diferentes
estructuras tal y como se muestra en la Figura 7.

Figura 7. Ejemplo de Anisotropía Zonal

4.4.3 Anisotropía Híbrida

Este tipo de anisotropía es cuando el variograma muestra diferentes rangos y

diferentes mesetas en las diferentes direcciones en las que se realiza el cálculo;
este tipo es algo característico y común en variogramas horizontales y verticales, en
la Figura 8, se visualiza un ejemplo.

Figura 8. Ejemplo de Anisotropía Híbrida.

4.5 Kriging

Es una técnica de interpolación utilizada en geoestadística que consiste en

estimación de puntos de referencia usando los modelos de variogramas para
obtener los ponderadores que se darán a cada uno de esos puntos, basándose en
que la variabilidad espacial continúe con el mismo patrón. El término kriging se da
porque esta técnica fue desarrollada por Daniel G. Krige que se basó en análisis de
regresión de bloques de mena y muestras lo cual originó el estudio de la
geoestadística lineal.

Entre las clasificaciones de kriging de distintos autores se extraen las

principales las cuales se resumen a continuación:

4.5.1 Kriging Ordinario

Este es quizás el método más utilizado en problemas ambientales, se da

generalmente cuando las medias locales no son próximas a la media de la
población, de esta manera para poder realizar la estimación se usan puntos
vecinos. El estimador de kriging ordinario se denota con la siguiente ecuación:

1
𝑍(𝑢) = ∑ 𝑧(𝑢𝛼) (Ec. 7)
𝑁
𝛼=1

4.5.2 Kriging Simple

El método de kriging simple se da asumiendo a las medias locales como constantes y

valor parecido a la media de la población conocida. En cada estimación local se
utiliza la media de la población conjuntamente con los puntos vecindarios que se
establecen necesariamente para la estimación. La ecuación de kriging simple se
visualiza a continuación:
 𝑍(𝑢) = 𝑚 (Ec. 8)

4.5.3 Kriging Universal

El método de kriging universal consiste en visualizar una tendencia que indica

invalidación de datos. Se usa este método solo cuando se conoce que existe la
tendencia de datos y se pueda describir con una justificación científica. El
estimador insesgado se describe con la siguiente ecuación:

(𝑍 ∗ (𝑢)) = ((𝑢)) (Ec.

9)

4.6. METODOLOGÍA DEL MODELAMIENTO GEOESTADÍSTICO

Para el desarrollo geoestadístico de un proyecto es importante tener en cuenta los

procedimientos necesarios para llevarlo a cabo. Este capítulo explica en breves
rasgos cuales son estos pasos partiendo desde el levantamiento de información
clasificada en cada etapa de modelamiento. Los métodos de simulación
geoestadística ayudan a escoger el adecuado según el tipo de información que se
obtiene, esta información consiste de datos de pozos, registros eléctricos, facies
sedimentarias, topes y bases de las formaciones, fallas estructurales, datos de
producción, etc., u otro tipo de información adicional que complemente o refuerce
los resultados que se generen.

Toda esta información es clasificada para cada etapa del modelamiento; el

estratigráfico-sedimentológico, estructural, petrofísico que sentarán las bases del
modelo geoestadístico útil para la caracterización de yacimientos y el desarrollo de
este trabajo basado en inversión dinámica de datos.
4.7. PRINCIPIOS GENERALES PARA EL MODELAMIENTO

Las fuentes principales de datos que permite realizar el modelo geoestadístico de

yacimientos se pueden dividir en tres: petrofísica, sísmica y geológica. Al integrar
toda la información es procesada por cada especialista en cada área.

Luego la información se reúne conjuntamente con los modelos generados:

estratigráfico-sedimentológico, estructural y petrofísico; para generar el modelo
geoestadístico y contrastarlos con información dinámica del yacimiento como
los historiales de producción o de reacondicionamientos. En la siguiente gráfica se
visualiza la estructura general para la caracterización de yacimientos.
 Figura 9. Diagrama para la caracterización de yacimientos

4.8 MÉTODOS DE SIMULACIÓN

Los métodos de simulación geoestadística dependen de factores como tipo de

información con que se disponga, geometría de los campos, análisis geológico y
estructural del reservorio, etc. Los métodos más comúnmente conocidos son el
método basado en celdas y basado en objetos.

4.8.1 Método Basado en Celdas

El método basado en celdas consiste en convertir el yacimiento en un conjunto de

celdas muy finas en la que cada una posee un dato homogéneo de cada propiedad
en la que existan datos de entrada. De esta manera se utilizan los diferentes
métodos de interpolación como el kriging para poder poblar de datos en las zonas
en las que las celdas no contengan información y poder reproducir o simular la
totalidad del reservorio. Para este método se pueden ingresar variables categóricas
como las facies sedimentarias o variables continuas como la porosidad, saturación
de agua, etc.

Figura 10. Método de simulación basado en celdas

4.8.2 Método Basado en Objetos

El método de simulación basado en objetos crea grupos de cuerpos que

representan el yacimiento con un significado genético y reservorios de petróleo a
gran escala, pero muchas veces estos cuerpos no se distribuyen uniformemente en
el área de trabajo. Cada cuerpo representa un objeto con una geometría
reproducida en orden aleatorio para cada facie litológico, cabe recalcar que es
indispensable describir su geometría y especificar su proporcionalidad y
distribución de cada código de litofacie o parámetro que de forma al modelo final.
El objetivo de la simulación basada en objetos se fundamenta en la estadística de
las formas y relaciones de las facies que han sido interpretadas y actualmente es de
gran interés y mucha utilidad en la industria hidrocarburífera.

4.9 MODELO ESTRATIGRÁFICO SEDIMENTOLÓGICO

El modelo sedimentológico consiste en el estudio, análisis, interpretación y

clasificación de los tipos de rocas presentes en la formación, lo cual quiere decir
que se trata de explicar las causas que originaron la deposición de estas rocas
sedimentarias.

Para poder realizar este análisis el ingeniero sedimentólogo se basa en un

estudio del ambiente de depositación en la que vincula al estudio parámetros como
arquitectura, geometría, distribución y espesor de cada unidad sedimentaria. El
modelo estratigráfico permite definir los modelos sedimentológicos de cada arena
formacional, se realizan correlaciones estratigráficas de pozos para interpretar la
distribución de los cuerpos de arena, lo cual facilita la identificación de arenas
productoras.

4.10 MODELO ESTRUCTURAL

El modelo estructural representa las formaciones geológicas del reservorio en

cuerpos tridimensionales para facilitar la interpretación en el área de estudio
respetando el marco tectónico-regional. Además, el modelo estructural genera
secciones estructurales, sismogramas y mapas en tiempo–profundidad que
permiten el cálculo volumétrico de petróleo en la formación ayudando a identificar
las zonas estructuralmente más idóneas para la ubicación y perforación de nuevos
pozos.

4.11 MODELO PETROFÍSICO

El modelo petrofísico se construye mediante una base en la cual se utiliza el

modelo de facies creado para obtener las propiedades petrofísicas del yacimiento
como la porosidad efectiva (PHIE), permeabilidad (K), saturación de agua (Sw) y
contenido de arcilla (Vsh). Para el análisis de este modelo se utiliza información
proveniente de pruebas de núcleos, registros eléctricos, etc., que permitirá realizar
la evaluación de formaciones y reconocer el comportamiento del medio poroso
permeable. El modelo petrofísico es utilizado además para el cálculo volumétrico
del reservorio y para la interpretación en un marco tridimensional de sus
propiedades como se visualiza en la figura a continuación:

4.12 MODELO GEOESTADÍSTICO

El modelo geoestadístico se forma integrando la información de los modelos

descritos anteriormente para dar paso al modelo estático del yacimiento, se utiliza
toda la información generada como los registros, fallas, facies, topes, horizontes
estructurales, mapas en tiempo y profundidad para integrarlos en una malla
geoestadística que permita la caracterización del reservorio. Mediante un software
petrolero especializado en la construcción de estos modelos estáticos que
permiten la implementación de las técnicas geoestadísticas como las curvas de
proporción vertical, cálculo de variogramas, elaboración de las elipses
deanisotropía y los modelos de facies y de propiedades petrofísicas empleando
simulaciones estocásticas, es decir, construyendo múltiples realizaciones para
obtener la mejor utilizando un proceso de selección que asemeje la metodología
utilizada con la realidad geológica del campo.

Figura 11. Modelo Geoestadístico de Yacimientos

4.12.1. Cálculo de Variogramas

El cálculo de variogramas se realiza ajustando la malla geoestadística con cada propiedad

del yacimiento que se va a modelar para obtener los rangos de operación en las
direcciones de 0°, 45°, 90° y 135° y a escala vertical utilizando los modelos teóricos
descritos en la sección anterior, de esta manera se obtiene los modelos variográficos que
indiquen la tendencia que tienen estas propiedades.

4.12.2. Modelamiento de Facies

El modelo de facies se crea utilizando la información de los variogramas de las facies

sedimentarias, el conocimiento de los ambientes deposicionales del campo y la malla
geoestadística del reservorio, lo cual generará un modelo tridimensional donde se pueden
obtener múltiples realizaciones utilizando metodología estocástica para permitir escoger el
mejor escenario usando determinaciones probabilísticas. El algoritmo que se utiliza para el
modelo de facies puede ser el de simulación secuencial indicador (SIS) o de simulación
plurigaussiana (PS); para este trabajo se utiliza el método plurigaussiano debido a que
define mejor los litotipos del yacimiento tal y como se muestra en la figura a continuación
en donde se observa a la izquierda una representación del yacimiento utilizando el
algoritmo secuencial indicador y a la derecha el algoritmo de simulación plurigaussiano.

Las etapas de la modelación son las siguientes:

1. Inferir los parámetros del modelo a partir de los datos (variograma de las
Gaussianas, umbrales)

2. Simular las funciones aleatorias Gaussianas en los sitios de muestreo, es

decir condicionadas por los datos: Muestreador de Gibbs

3. Simular las funciones aleatorias Gaussianas en el resto del espacio: Método

secuencial Gaussiano o Bandas Rotantes.

4. Aplicar Truncaciones.

4.12.3. Modelamiento de Propiedades Petrofísicas

El modelo de propiedades petrofísicas se realiza con las variables continuas del

yacimiento como son la porosidad, permeabilidad, saturación de agua y contenido
de arcilla y se utiliza el algoritmo de secuencia de simulación gaussiana ideal para
este tipo de variables. Los modelos petrofísicos son condicionados con los modelos
de facies anteriormente creados y los variogramas de cada propiedad petrofísica
los cuales 37 permiten reproducir múltiples realizaciones estocásticas en cada
cuerpo de arena que represente el reservorio.
Figura 12. Modelamiento de propiedades petrofísicas.
5.. DESARROLLO DEL PROYECTO

Para cumplir con la realización del siguiente trabajo de investigación, se procederá

a seguir las etapas que se presentan a continuación:

4.1 Etapas del proyecto

Etapa 1. Revisión bibliográfica.

Esta etapa se inicia con la búsqueda, recolección y revisión de libros, tesis y

documentos técnicos de proyectos de modelamiento geoestadístico relacionados
con el área de estudio, Esto permitirá ampliar los conocimientos que son
necesarios para la realización de la caracterización de un yacimiento de petróleo y
gas, aplicando el modelo geoestadístico.

Tiempo Estimado: 24 semanas.

Etapa 2. Recopilación de los diferentes tipos de datos petrofísicos y

geológicos del campo San Joaquín, área mayor de Anaco.

El desarrollo de esta etapa se llevará a cabo con la finalidad de caracterizar el área

de estudio, donde se podrá conocer la calidad de este y el tipo de roca que lo
conforman, así como también la extensión de los yacimientos, profundidad y
composición del intervalo de interés, propiedades de la roca como la porosidad, la
permeabilidad, la compresibilidad, la resistencia de la formación y cualquier tipo de
información de pozos preexistentes que mediante su posterior correlación nos
permita realizar el modelamiento geoestadístico.

Tiempo Estimado: 8 semanas.

Etapa 3. 2. Establecer el uso de los Programas SEMS-beta y Surfer
para la obtención del modelo geoestadístico
Esta etapa consiste en establecer el uso de todas las herramientas principales de
los Programas SEMS-beta y Surfer para la obtención del modelo geoestadístico del
área de estudio.
Tiempo Estimado: 6 semanas.
Etapa 4. Aplicación de las técnicas del modelo geoestadístico
adecuadas para cada propiedad petrofísica y geológica.
En esta etapa se procederá a aplicar las técnicas que son acordes para cada una de
las propiedades petrofísicas y geológicas con el fin de constituir los sistemas
matemáticos para el mejor rendimiento de análisis en los valores o variables
correlacionados entre sí para procesar e inferir resultados geo referenciados en
dichas propiedades.
Tiempo Estimado: 4 semanas.

Etapa 5. Generación de los variogramas teóricos experimentales en

conjunto a los parámetros del subsuelo y propiedades petrofísicas del
área de estudio.
En esta etapa se generará los variogramas teóricos experimentales con la
información que se obtendrá correspondiente al área de estudio la cual constará de
coordenadas de pozos, surveys, registros eléctricos, facies sedimentarias, topes
formacionales e información adicional que permitirán desarrollar el proyecto. Esta
investigación se basa en la descripción y orden de datos importantes recolectados.
Consiste en la descripción de registros eléctricos, historiales de producción,
algoritmos de interpolación, etc.
Tiempo Estimado: 8 semanas.
Etapa 6. Validación el modelo geoestadístico del área de estudio.
Luego de a ver generado el modelo geoestadístico procedemos a validarlo para
identificar las características de la realidad y se puede establecer las relaciones de
causa y efecto.

Tiempo Estimado: 3 semanas.

Etapa 7. Elaboración de la Tesis de Grado.

Una vez obtenido y analizado los resultados, se procederá a realizar la redacción del
trabajo de grado, para su posterior defensa.

Tiempo Estimado: 11 semanas.

7. TÉCNICAS DE ANÁLISIS

Para el desarrollo y cumplimiento de los objetivos se pondrán en práctica las

siguientes técnicas:

1. Lectura (Documental): se basa en la comprensión de información o ideas que

son transmitidas mediante un código, el cual puede ser visual o táctil, luego
esta información se decodifica en la mente de cada individuo y se procesa para
su aprendizaje.
2. Lenguaje de simulación: es un programa de simulación de naturaleza general y
posee algunas características especiales para ciertas aplicaciones.
3. Observación (Directa - Indirecta): consiste en observar de una forma detenida
y atenta algún fenómeno, hecho o caso, del cual se toma alguna información la
cual se registra para posteriormente analizarla, este es un elemento
fundamental en todo proceso de investigación en la cual se apoya el
investigador para obtener mayor cantidad de datos.
4. Verificación: radica en validar la información que se obtuvo a través de las
diversas investigaciones realizadas, a fin de comprobar que la información
utilizada para los distintos propósitos sea real y precisa.
8..MATERIALES, EQUIPOS, SUSTANCIAS Y HERRAMIENTAS

8.1..Equipos:

 Computador portátil, tipo Laptop: Lenovo, Procesador Intel ®Core™ 2 Duo,

Windows 7 Ultimate.

8.2..Materiales:

• Trabajos de Grado.

• Fuentes Documentales.

• Manuales

• Programas de adiestramiento.

8.3..Sustancias:

 No se requieren.

8.4..Herramientas:

 Microsoft Excel 2010.

 Microsoft Word 2010.
 Programa SEMS-beta.
 Programa Surfer.
9. BIBLIOGRAFÍA

1. Yudelis Carolina, 2015. “Determinación de los parámetros operacionales que

permitirá la optimización en la construcción de pozos productores, en el campo
San Joaquín, área mayor de Anaco”. Universidad de Oriente Núcleo Anzoátegui.
2. Andrés Castaño, Francisco Vergara, 2004. “Simulación Geoestadística aplicada

al Modelamiento de Yacimientos de Petróleo”

3. Andre G. Journel. "Fundamentals of Geoestatistics in Five Lessons", 1989.
American Geophysical Union. Volumen 8. 1-57.
4. Bernal, M. C., 1992. "Modelos de caracterización del yacimiento: geológico, de

distribución de fluidos y petrofísicos". Ecopetrol.

5. Dake, L. P., 1978. "Fundamentals Of Reservoir Engineering". Developments in

Petroleum Science 8, Elsevier, Amsterdam.

6. Díaz Viera, Casar González, 2009. “Geoestadística Aplicada” Instituto de

geofísica UNAM. 144p.

7. Hurtado Lagos Sebastián, 2009. Simulación de Variables Categóricas

considerando estadísticas de patrones.

8. Isasks Edward, Srivastava Mohan, 1990 "An introduction to Applied

Geoestatistics", 1- 380.
9. Kelkar Mohan, Pérez Godofredo, 2002. Geoestadística aplicada para la

caracterización de reservorios. SPE.1-187, 226-238.

10. BIBLIOGRAFÍA ADICIONAL
1. Leonard F Koederitz. “Lecture Notes on Applied Reservoir Simulation”. University
of Missouri Rolla, World Scientific, USA.
2. Rojas, G INGENIERÍA DE YACIMIENTOS DE GAS CONDENSADO, Octubre, 2003.
3. Nolte, Kenneth RESERVOIR SIMULATION, second Edition, Schlumberger
Educational Services, Houston Texas, 1989.
4. Richard C. Selley, Applied Sedimentologogy, Edition: 2 – 2000.