MAESTRÍA EN PETRÓLEOS

CON MENCIÓN EN RECOBRO POR INYECCIÓN DE

AGUA Y GAS
(Tercera Cohorte)

Febrero, 2023
Unidad4
Modelamiento de propiedades petrofísicas.
4.1. Fundamentación del modelaje de propiedades petrofísicas.
4.2. Geoestadística espacial.
4.3. Flujo de trabajo y Limitaciones.
 Aproximaciones del Modelamiento Tradicional

Consiste en atribuirle a Usados para realizar El sistema físico a ser

Modelos Analógicos

Modelos Físicos

Modelos Matemáticos
un objeto que se mediciones directas de modelado debe ser
investiga, las las propiedades de flujo expresado en
propiedades de otro en medios porosos ecuaciones
análogo que ya es matemáticas.
conocido Este proceso casi
siempre involucra
asunciones. Desde un
punto de vista práctico,
las asunciones y/o
aproximaciones son
necesarias para hacer el
problema manejable
 Aproximaciones del Modelamiento Tradicional

Modelo Análogo Sistema Lineal

1.127 KA( P1 − P2 )
Q=
L
∆𝑉
𝑅=
𝐼
Aproximaciones del Modelamiento Tradicional

Modelo
Físico
 Aproximaciones del Modelamiento Tradicional

Modelo
Matemático

𝜕2𝑝
=0 ➔ p=p0 at x=0, p=pL at x=L
𝜕𝑥 2 𝜕𝑝
Distribucion de Presion = 𝐶1 𝑝 𝑥 = 𝐶1 𝑥 + 𝐶2
1.2 𝜕𝑥
1 𝑝0 = 𝐶2
0.8
Presion

0.6 𝑝𝐿 = 𝐶1 𝐿 + 𝑝0
0.4

0.2
𝑝𝐿 − 𝑝0
0
𝑝 𝑥 = 𝑥 + 𝑝0
0 0.2 0.4 0.6 0.8
Longitud
1 1.2 1.4 1.6
𝐿
 Modelos
Analiticos
Modelos
Estocásticos
Modelo
Matemático Modelos
Modelos Numéricos
Determinísticos
 Modelos
Estocásticos

Aproximaciones
Estadísticas
 Modelos (mi − mo ) j + (ms ) j = maj
Deterministicos

Balance de
Materia

7758 𝐴ℎ∅(1−𝑆𝑤𝑖) Modelos

N= Analiticos
𝐵𝑜𝑖
 Ecuaciones para petróleo negro
Modelos Simulación de usadas en simuladores
Numéricos Yacimientos convencionales de yacimientos.


  S o     
( )

  − . M o k . p −  oDz  = Ro sc
t  Bo   

 
  S w   
( )
 
  − . M w k . p − Pcow −  wDz  = Rw sc
t  Bw   

   S g Rs So      
 
 Rs M o     R M
  +  − . M g k .1 + p + Pcgo −  g + s o Dz   = Rg sc
t   Bg 
Bo    Mg    M g   

Modelos
Analiticos

Modelos
Numéricos
➔ Fundamentación del modelaje de propiedades petrofísicas
Modelo
Geoestadístico
Modelo
de Datos

Modelo
Simulación
Estructural
Estocástica

VIII VIII
VII
z VII
VI
x VI

Modelo y
V V

Estratigráfico IV

Modelo
IV

Estático
Poblar espacialmente los volúmenes
interpozos, interpolando la información

Modelo
Sedimentológico
Modelo Modelo
Petrofísico Estático
 ➔ Geoestadística Espacial

En la presencia de información limitada, cualquier descripción de yacimientos

envuelve el uso de la estadística. De esta manera, se define la geoestadística
como una técnica estadística que considera las relaciones espaciales de
variables para estimar los valores de esas mismas variables en locaciones no
muestreadas o no observadas.
 Etapas de un estudio geoestadístico

Etapa 1: Recolección de Datos

Etapa 2: Análisis Estadístico o Exploratorio de los Datos

Etapa 3: Análisis Estructural o de Continuidad Espacial

Etapa 4: Análisis Geoestadístico

Ing. Maika Gambús, PhD.

 Indicadores Estadísticos Análisis de Gráficos Tipos de Distribución

ETAPA 2
Distribuciones Discretas Distribuciones Contínuas
Histogramas
Medidas de Tendencia
Medidas de Dispersión
Central

Uniforme Gamma
Papel Probabilístico

Media Varianza
Binomial Exponencial
Cross-plots ó
Scatter-plots
Mediana Desviación Estándar
Multinomial Ji cuadrada

Frecuencia Acumulada
Moda Coef. Variación
Weibull
Binomial Negativa

Geométrica Gaussiana

Hipergeométrica Lognormal

Poisson
 Construcción del Variograma Selección y Construcción del Validación del Modelo Obtención de los

ETAPA 3 Experimental Modelo Teórico Teórico Parámetros de Variabilidad

Semivariograma Modelos Acotados Modelos no Acotados Visual Rango

Mínimos Cuadrados Meseta

Semivariograma Cruzado

Lineal Potencia Validación Cruzada Pepita o Nugget

Madograma

Circular Efecto Pepita Puro

Covarianza

Correlograma Esférico Logaritmico

El variograma puede
construirse en: 1D, 2D, 3D
dependiendo del estudio
que se requiera
Variograma de Exponencial
Logaritmos

Gaussiano

Efecto Agujero
 Etapa3: Análisis Estructural de los Datos

El variograma o
semivariograma, es una
herramienta que permite analizar
el comportamiento espacial de una
variable sobre un área definida,
obteniendo como resultado la
influencia de los datos a diferentes
distancias

SPE56654. Methodology for Variogram Interpretation and Modeling for Improved Reservoir Characterization
E. Gringarten, SPE, Landmark Graphics Corp., and C. V. Deutsch, SPE, University of Alberta
 La expresión matemática que define al Variograma, se establece como la media de
las diferencias cuadráticas entre pares de muestras, separadas por una distancia h:

1
 *( h ) =
2 N (h )
 ( z ( xi ) − z ( x j )) 2
xi − x j = h
Variograma Experimental – Descripción Espacial
 Interpretación de un Variograma Experimental

• Indica una tendencia (terminando hacia arriba)

• Pudiera ser interpretado como un fractal (patrón)
 Interpretación de un Variograma Experimental

• La ciclicidad pudiera ser ligado a periodicidad geológica subyacente

• Pudiera ser debido a datos limitados
• Centrarse en el efecto pepita y en estimar un valor de rango razonable
Construcción de un Variograma Experimental
Construcción de un Variograma Experimental
 Construcción del Variograma: Ejemplo

h=1; h= 1/2x8 [(1-2)2+(2-3)2+(3-4)2+(4-5)2+(5-4)2+(4-3)2+(3-2)2+(2-1)2]= 0,5

h=2; h= 1/2x7 [(1-3)2+(2-4)2+(3-5)2+(4-4)2+(5-3)2+(4-2)2+(3-1)2]= 1,71

h=3; h= 1/2x6 [(1-4)2+(2-5)2+(3-4)2+(4-3)2+(5-2)2+(4-1)2]= 3,17

Ing. Maika Gambús, PhD.

 Espesor Acumulado (m) Permeabilidad (md) Porosidad (%)
1 100 26.8
2 822 35.4
3 436 26.4
Ejemplo:
Ejemplo Análisis Estructural
– Etapa3:Análisis Estructural 4
5
220
348
26
25.8
Construcción de un Variograma experimental 6 265 27.2
Construcción de un Variograma experimental 7 150 25.6
8 127 25.5
9 36 27.2
10 779 25.7
11 945 26.3
12 815 29.5
Datos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 13 1190 27.7
14 928 35.5
k, mD 100 822 436 220 348 265 150 127 36 779 945 815 1190 928 238 78 1780 1510
15 238 28.6
logk, mD 2.000 2.915 2.639 2.342 2.542 2.423 2.176 2.104 1.556 2.892 2.975 2.911 3.076 2.968 2.377 1.892 3.250 3.179 16 78 27.4
h 0.0898 0.1361 0.1543 0.1512 0.1411 0.1274 0.1051 0.1205 0.1485 0.1811 0.1677 0.1665 0.1646 0.1589 0.1378 0.1905 0.2097 0.2273 17 1780 26.2
18 1510 26.9
19 1720 26.6
Probability Density Function for Permeability 20 500 27.5
K, mD 21 495 26.9
0 200 400 600 800 1000 1200 1400 1600 1800 2000
1.2 0.001
22 612 20.6
0.0009 23 897 26.4
1
0.0008 24 974 27.2
0.0007 25 790 35.1
0.8

0.0006 26 955 35.8

LOGK 27 1030 27.3
fn(k)

fn(k)

0.6 0.0005
K

0.0004
28 784 26.6
0.4 29 491 26.2
0.0003

30 623 31.3
0.0002
0.2
31 557 25.5
0.0001
32 937 35.8
0 0
0 0.5 1 1.5 2 2.5 3 3.5 33 854 27.9
LogK, mD
34 818 27.2
35 363 28.5
36 306 31.5
 Modelos teóricos del
Semivariograma

Modelo Esférico:
(h) = C [ (3/2)(h/a) - ½(h/a)3 ] ha
(h) = C h>a
Modelo Exponencial:

(h) = C [1 - Exp (-3h/a)], |h|  0

Modelo Gaussiano:

(h)= C [1 - Exp(-3h2/a2)] , |h| 0

Rango, m 3 Rango, m 3
Modelos teóricos del
Meseta 0.15
Meseta 0.15
Semivariograma
Pepita 0 Pepita 0.05

Rango, m 3
Rango, m 3
Meseta 0.15
Meseta 0.15
Pepita 0.02
 Etapa4: Análisis Geoestadístico

Técnicas de Estimación Técnicas de Simulación

Geoestadísticas Geoestadísticas

Simulación Cosimulación
Kriging Cokriging
Secuencial Secuencial
Gaussiana Colocada

Simple Simple

Ordinario Ordinario

Colocado
 Kriging
El krigeaje o krigeado es un método geoestadístico de estimación de puntos que utiliza un
modelo de variograma para la obtención de datos. Calcula los pesos que se darán a cada punto
de referencias usados en la valoración. Esta técnica de interpolación se basa en la premisa de
que la variación espacial continúa con el mismo patrón.
n
z (x ) =  i z(x i )
*

i =1
 Kriging Simple Kriging Ordinario

n n

 i ij
2
=  oj
2
j = 1, ..., n 
i =1
i  ij 2 =  oj 2 +  j = 1, ..., n
i =1

 112 ...  12n   1   012   112 ...  12n 1  1   012 

  .     .  
 . ... .  x   =  .   . ... . 1 x   =  . 
 n21 ...  nn2   n21 ...  nn2 1  n   0n2 
 n   0n2       
       1 1 1 0 
   1 
     
 Relación entre Covarianza y Semivariograma

Covarianza: Es una medida de la variación común a dos variables y, por tanto, una
medida del grado y tipo de su relación. Usada en Geoestadística como la simple inversión
del semivariograma.
𝛾 ℎ =𝐶 0 −𝐶 ℎ
𝛾 ℎ = 𝜎𝑖𝑖2 − 𝜎𝑖𝑗2 ; ℎ = 𝑑𝑖𝑠𝑡(𝑖, 𝑗)
Variograma

Variograma

Covarianza

Distancia
 Ejemplo – Etapa4: Kriging Ordinario

Considere un yacimiento con el siguiente arreglo de porosidades en locaciones conocidas.

X2
=5%
20 m
O
=?
X3
=15%
X1
=10%

Estime el valor de la porosidad en el punto O, dado que el 0.01h h  400

semivariograma que modela la dispersión de los valores en  (h ) = 
el área, es:  4 h  400
 n


i =1
i  ij 2 =  oj 2 +  j = 1, ..., n

 11
2
...  12n 1  1   01
2

   .   
 . ... . 1
x   =  .2 
0.01h h  400
 (h ) = 
 n21 ...  nn
2
1  n   0n 
     
 1 0    1 
h  400
1 1
 4
 11
2
 12
2
 13
2
1  1   01
2

 2     2
 21  22
2
 23
2
1
x  2 =  02   112 =  222 =  332 = Cov(0) = 4
 31 1  03
2 
 32  33  3   012 =  022 =  032 = Cov(100) = Cov(0) −  (100) = 4 − (0.01*100) = 3
2 2 2

     

 1 1 1 0
    1 
 122 =  212 =  132 =  312 = Cov(0) −  (200) = 2
 232 =  322 = Cov(0) −  (20) = 3.8
𝛾 ℎ = 𝜎𝑖𝑖2 − 𝜎𝑖𝑗2 ; ℎ = 𝑑𝑖𝑠𝑡(𝑖, 𝑗)
Weight Vector
A x   = B  1 0.487

4 2 2 1  1   3 2 0.256

2 4 3 .8 1    3   = A −1
 x B 3 = 0.256
  x  2 =    0.026
2 3 .8 4 1  3   3 sum of weights = 1.000
     
 
 (o ) = 10(0.487) + 5(0.256) + 15(0.256) = 9.99%
1 1 1 0 1
 Trabajo Autónomo:
Estimación Geoestadística – Kriging Ordinario

Instrucciones:
A continuación se presenta el siguiente ejercicio con el objetivo de que usted
pueda reforzar conocimientos adquiridos en clase, y desarrollar habilidad
numérica en la aplicación de la técnica de estimación estadística Kriging
Ordinario. Como evidencia se pide la carga del ejercicio desarrollado en una
hoja de cálculo Excel

Problema:
La figura 1 muestra la distribución de permeabilidad en un yacimiento
heterogéneo de petróleo en 7 locaciones llamadas 1 a 7. Se requiere estimar
la permeabilidad en la locación denominada 0, en la cual ninguna muestra fue
tomada.
Trabajo en Clase: Estimación Geoestadística – Kriging Ordinario

Fuente: www.revistarupturas.com/debacle-petrolera.html
Trabajo Autónomo: Estimación Geoestadística – Kriging Ordinario

La estructura espacial de la variación de la permeabilidad en este campo

puede ser descrita por una función de covarianza de la forma

Se pide:

• Identificar la meseta, el rango y el efecto pepita si lo hubiera

• Calcular la matriz y el vector de covarianzas

• Resolver el sistema de matrices para determinar los pesos

• Estimar el valor de la permeabilidad en la locación 0

 Etapa4: Análisis Geoestadístico

Técnicas de Estimación Técnicas de Simulación

Geoestadísticas Geoestadísticas

Simulación Cosimulación
Kriging Cokriging
Secuencial Secuencial
Gaussiana Colocada

Simple Simple

Ordinario Ordinario

Colocado
 ➔ Flujo de Trabajo y Limitaciones

La Simulación Estocástica se basa en la posibilidad de generar múltiples modelos o

realizaciones con la misma probabilidad de ocurrencia. Puede tener las siguientes
propiedades:

1. Tendrá la misma distribución estadística de los valores originales y el mismo

semivariograma inferido para el atributo en estudio.
2. Esta coincidirá en valor con la variable verdadera en las localizaciones donde se encuentra.
3. Esta variable simulada no es única, por lo cual existen infinitas variables con las
propiedades expresadas en los puntos anteriores.
 Ventajas
• La mayoría de los métodos de estimación • La mayoría de las técnicas de estimación no
usados para interpolar y extrapolar son permiten el uso de la información cualitativa
altamente empíricos. Estos métodos aunque en la estimación de una variable en una
matemáticos, no proveen un razonamiento locación no sampleada. Las técnicas
físico para usar los valores de sampleo para geoestadisticas si.
estimar valores en las locaciones no
sampleadas. Sin embargo, métodos que
usan geoestadística están basados en las
relaciones espaciales entre los valores
sampleados.

• La mayoría de los métodos de estimación • Las técnicas geoestadísticas honran la data

no proveen el calculo de errores con base al sampleada
valor estimado. Los procedimientos
geoestadísticos proveen la estimación de las
incertidumbres asociadas.
Limitaciones de geoestadística
Aunque los procedimientos geoestadísticos ofrecen varias ventajas sobre los métodos
convencionales, se debe tener cuidado sobre algunas desventajas

Desventajas
• Las técnicas geoestadísticas permiten la manipulación solo de los datos disponibles. Las
incertidumbres pueden ser reducidas al incorporar datos adicionales.

• Similarmente a cualquier otro procedimiento estadístico, las técnicas geoestadísticas

envuelven tomar decisiones subjetivas.
• Los métodos geoestadísticos permiten una mayor flexibilidad en adoptar varias fuentes de
información para describir al yacimiento.
Construcción de Modelos Estáticos a través de técnicas
geoestadísticas – Software CMG®