Jorge Fernandez

UNIVERSIDAD SIMN BOLVAR
DECANATO DE ESTUDIOS PROFESIONALES

COORDINACIN DE INGENIERA GEOFSICA

METODOLOGA DE CONVERSIN TIEMPO-PROFUNDIDAD Y ANLISIS
ATRIBUTOS SSMICOS-PROPIEDADES PETROFSICAS PARA DATOS DEL GOLFO
DE MXICO

Por:
Jorge Enrique Fernandez-Concheso Marn

INFORME DE PASANTA
Presentado ante la Ilustre Universidad Simn Bolvar
como requisito parcial para optar al ttulo de
Ingeniero Geofsico

Sartenejas, Mayo de 2009

UNIVERSIDAD SIMN BOLVAR
DECANATO DE ESTUDIOS PROFESIONALES
COORDINACIN DE INGENIERA GEOFSICA

DE MXICO

Por:

Realizado con la asesora de:
Tutor Acadmico: Dra. Milagrosa Aldana
Tutor Industrial: Flavio Oliver (Schlumberger)

INFORME DE PASANTA
Presentado ante la Ilustre Universidad Simn Bolvar
como requisito parcial para optar al ttulo de
Ingeniero Geofsico

Sartenejas, Mayo de 2009

ii
DE MXICO

Por:

RESUMEN
El objetivo del presente trabajo consiste en la aplicacin de diversos mtodos para la
conversin tiempo-profundidad y para la estimacin de propiedades petrofsicas a partir de
atributos ssmicos, en datos correspondientes al norte del Golfo de Mxico, especficamente en la
zona costa afuera del estado de Louisiana, Estados Unidos de Norteamrica. El rea de estudio se
encuentra dominada por un estilo tectnico asociado a domos salinos. Se realiz la interpretacin
de fallas principales y se obtuvieron mapas estructurales en tiempo a partir de la refinacin de
interpretaciones previas. Con esto se gener un modelo esttico en tiempo, cuyas caractersticas
coinciden con los rasgos estructurales de la zona.

Se generaron diversos modelos de velocidad tomando en cuenta variaciones en la
disponibilidad de datos. Se realizaron modelos nicamente con informacin de velocidad de
pozos en forma de check shots, modelos con velocidad de apilamiento y modelos combinando
velocidades de apilamiento con velocidades de pozo. A su vez, estos modelos se aplicaron tanto
para el caso de contar con 26 pozos, como para el caso de contar con 4 pozos nicamente. En
general, todos los modelos mostraron un campo de velocidades que aumenta con la profundidad,
con valores entre 4800 y 11200 pies/s. La comparacin cuantitativa arroj errores porcentuales
promedio de profundidad entre 0,7 y 0,8 para todos los modelos y sus variaciones, y errores
porcentuales promedio de validacin cruzada entre 0,1 y 0,57. Los mtodos que arrojaron errores
menores fueron el de kriging (pozos nicamente) y cokriging (pozos y velocidades de
apilamiento). A partir de estos modelos se generaron mapas estructurales en profundidad,
caracterizados por un sistema de fallas principales de rumbo aproximado este-oeste y
truncaciones hacia el domo salino.

Se generaron mapas de atributos ssmicos para dos horizontes de inters: Houston y Paris.
Se establecieron correlaciones entre estos atributos y cuatro propiedades petrofsicas: porosidad
total, lentitud de onda P, volumen de arcilla e impedancia acstica. Los coeficientes de
determinacin obtenidos fueron en general bajos. Se implement el mtodo de regresin por
pasos (stepwise regression) para determinar cules y cuntos atributos utilizar en la regresin
lineal multi-atributos para la estimacin de las propiedades. A su vez, se realizaron
entrenamientos de redes neuronales para crear modelos de estimacin de dichas propiedades. A
partir de estos modelos, se generaron mapas de pseudo-propiedades para ambos horizontes,
caracterizados por la presencia de zonas de alta porosidad, alta lentitud de onda P, y bajo
contenido de arcilla, ubicadas al noreste y norte del rea de estudio. Los resultados de estos
mapas no son concluyentes, pero permiten inferir una relacin entre la tectnica asociada al
cuerpo salino y la sedimentacin, lo cual podra ser corroborado por estudios ms detallados.

iii

DEDICATORIA

A mis padres, smbolos, prceres, ngeles
A los seres queridos que ya no se encuentran con nosotros

iv
AGRADECIMIENTOS

En primer lugar, agradezco a Dios y a la Virgen Mara, por darme las bendiciones de
todos los das. Ustedes le dan sentido a mi vida.
A mi padre Aurelio, por ser siempre un pap excepcional, por estar all siempre que te
necesito, por darme siempre ese ejemplo de fortaleza, serenidad y empeo, y por esos sabios y
oportunos consejos. A mi hermosa madre, Mara Eugenia, la mejor mujer del universo, por tu
abnegacin, tu cario, tu dulzura, tu fe y tu amor puro e incondicional hacia nosotros.
A mis bellas hermanas, Mara Beatriz y Patricia, por ser las mejores hermanas que uno
pueda soar. Gracias por su apoyo, sus consejos de mujeres, siempre necesarios, y por darme
alegras diarias con su buen humor y sus ocurrencias.
A mis abuelos, a quienes Dios me ha dado la invalorable oportunidad de verlos vivos a los
cuatro. Papa, Mamma Mia, Na y Fifa, son ustedes un ejemplo de alegra, vitalidad, intelecto y de
los ms altos valores humanos. Me siento privilegiado de tenerlos a todos. Cada da aprendo ms
de ustedes.
A mis tos Luis Miguel y Josefina, Javier y Carolina, lvaro y Nilda, Marcos y Beatriz, y
a mis primos Luismi, Andrea, Andresito, Alejandro El Tui, Marquitos, Sabrina y Ricardo, por
ser parte de m. La familia es lo ms importante, y cada uno de ustedes es pieza fundamental en
ella. Debo mencionar especialmente a mis tos y primos de Maracaibo, que siempre estuvieron a
la orden para cualquier cosa que necesitaba estando por all, y a Luismi, que ms que mi primo
es mi hermano. Eres mi dolo, s que el cielo es el lmite para ti.
A mis amigos y hermanos, no los voy a nombrar a todos, pero ustedes saben quines son.
Gracias por los buenos momentos, las innumerables reuniones en mi casa (sea para ver los juegos
o simplemente para divertirnos) las fiestas, los futbolitos, los viajes, los guaguazos, las idas al
Universitario, etc., etc. Y tambin por los no tan buenos, donde han demostrado tener siempre el
antdoto para remediar la tristeza, la angustia o el estrs. Esperemos que esa hermandad siga
creciendo y se perpete.
A mis compaeros de estudio, en especial el grupo de los 03, pero tambin unos ms
viejos y otros ms jvenes. Gracias por todos estos aos de amistad y trabajo en equipo. S que a
veces me pierdo, pero a pesar de ello mi sentimiento hacia ustedes no cambia. Es un privilegio
haber compartido con ustedes, todos son grandes tanto a nivel acadmico y profesional como a
nivel personal.

v
A la familia Portillo Boyer, que me abri las puertas de su hogar y me acogi como si
fuera uno de los suyos. Siempre los tendr presentes.
A Leo, Milagros, Bianca, Vanessa y Pablo, que hicieron ms divertida mi estada en
Maracaibo, gracias por sacarme del aburrimiento y por estar pendiente de m.
A toda la gente de Schlumberger Information Solutions en Caracas, que me ayud en mis
primeros pasos en la empresa. A Diego Tortella y a Ludner Noel, que me socorrieron varias
veces cuando no tena qu hacer ni dnde ir.
A Vicente Issa, quien me abri las puertas del proceso con gran amabilidad y buen humor,
y a mi madrina, Giovannina Ragusa, sin la cual esta experiencia no hubiese sido posible.
Gracias Giova, por creer en m cuando nadie ms lo haca. Tu lucha por m creo que nunca la
olvidar.
A mi tutor industrial, Flavio Oliver, quien a pesar de sus incontables responsabilidades
siempre sac tiempo para atenderme y guiarme en lo que necesitaba para llevar adelante el
trabajo. Y adems por sus sabios consejos y enseanzas a nivel profesional y personal.
Al excelente equipo de SIS West, por haberme acogido como a uno ms de la familia y
por el apoyo brindado. Gracias a Henry, Maro Macas, Mario Rivas, Juan, Jos Arias, Jos
Rojas, Alejandro, Nataly, Mara Anglica, Yomar, Maritza, Tayruma, Carmen, por el buen
humor que siempre le impriman a los largos das de trabajo en la oficina. Creo que sin sus
ocurrencias y chistes jams hubiese sido lo mismo. Y al equipo de G&G, con Alejandro Rangel,
Natalie, Diana, Luisalic y el seor Vctor, que siempre estuvieron prestos a ayudarme con
cualquier duda o pregunta y de los cuales aprend mucho.
A mi tutora acadmica, Dra. Milagrosa Aldana, porque siempre mostr su gran
disposicin a ayudar en cualquiera de las etapas de este trabajo, y por tener la paciencia necesaria
para realizar los correctivos del mismo. Muchas gracias por ese apoyo abnegado que brinda a sus
estudiantes para estos proyectos.
En fin, hay mucha gente a la cual agradecer, pero s sigo no terminar nunca. A quienes
han formado parte de mi vida y no nombr aqu, saben que mi agradecimiento no es menor por
eso. Igual sin ustedes no estara aqu ahora.

vi
INDICE GENERAL

RESUMEN ..................................................................................................................................... ii
DEDICATORIA ............................................................................................................................ iii
AGRADECIMIENTOS ................................................................................................................ iv
INDICE GENERAL ..................................................................................................................... vi
INDICE DE FIGURAS ................................................................................................................ ix
INDICE DE TABLAS .................................................................................................................. ix
CAPTULO I. INTRODUCCIN ............................................................................................... 1
CAPTULO II. UBICACIN Y GEOLOGA DEL REA DE ESTUDIO ............................. 4
2.1. Ubicacin geogrfica y geolgica. ........................................................................................ 4
2.2. Geologa Regional. Cuenca del Golfo de Mxico ................................................................ 5
2.2.1. Historia tectnica ........................................................................................................... 5
2.2.2. Geologa estructural. Entrampamiento de hidrocarburo ................................................ 6
2.2.3. Historia depositacional del Cenozoico .......................................................................... 7
2.3. Geologa local. Zona costa afuera de Louisiana en el Golfo. ............................................... 8
2.3.1. Historia tectnica y de depositacin .............................................................................. 8
2.3.2. Geologa estructural. ...................................................................................................... 9
2.3.3. Estilo estructural y estratigrafa de algunos campos en la zona................................... 10
2.4. rea de estudio ................................................................................................................... 11
CAPTULO III. MARCO TERICO ....................................................................................... 14
3.1. Conceptos fundamentales de ssmica ................................................................................. 14
3.1.1. La ssmica de reflexin. .............................................................................................. 14
3.1.2. Impedancia acstica y coeficiente de reflexin ........................................................... 14
3.1.3. Modelo convolucional de la traza ssmica ................................................................... 15
3.14. Interpretacin ssmica en tiempo. Correlacin de reflectores y generacin de mapas
estructurales. .......................................................................................................................... 16
3.1.5. Deteccin y mapeo de fallas. ....................................................................................... 16
3.1.6. Deteccin y mapeo de domos salinos. ......................................................................... 16
3.1.7. Resolucin vertical. Efecto de entonacin ................................................................... 17
3.2. Velocidades y conversin tiempo-profundidad .................................................................. 18
3.2.1. Trminos de velocidad. ................................................................................................ 18
3.2.2. Ecuacin de Dix ........................................................................................................... 19
3.2.3. Registros snicos ......................................................................................................... 20
3.2.4. Tiros de verificacin (Check Shots) ........................................................................... 20
3.2.5. Modelos de velocidad .................................................................................................. 21
3.2.6. Conversin tiempo-profundidad. Importancia ............................................................. 21
3.2.7. Una nota sobre migracin ............................................................................................ 22
3.3. Atributos ssmicos ............................................................................................................... 22
3.3.1. Atributos de tiempo ..................................................................................................... 23
3.3.2. Atributos de amplitud .................................................................................................. 23
3.3.3. Atributos de frecuencia ................................................................................................ 24
3.3.4. Hbridos ....................................................................................................................... 26
3.4. Petrofsica ........................................................................................................................... 26
3.4.1. Porosidad () ................................................................................................................ 26
3.4.2. Volumen de Arcilla ...................................................................................................... 27
3.5. Regresin lineal. Anlisis multivariado .............................................................................. 28

vii
3.6. Redes neuronales ................................................................................................................ 28
3.6.1. Qu es una red neuronal? ........................................................................................... 28
3.6.2. Aprendizaje supervisado .............................................................................................. 29
3.6.3. Red Neuronales Anticipativa de Mltiples Capas (MLFN). ....................................... 29
3.6.4. Validacin cruzada y sobre-entrenamiento .................................................................. 30
3.7. Geoestadstica y variable regionalizada .............................................................................. 31
3.7.1. Variograma .................................................................................................................. 31
3.7.2. Anisotropa ................................................................................................................... 32
3.7.3. Modelos tericos de variograma .................................................................................. 33
3.7.4. Efecto nugget o pepita .............................................................................................. 33
3.7.5. Modelos en tres dimensiones ....................................................................................... 34
3.7.6. Kriging ......................................................................................................................... 34
3.7.7. Geoestadstica multivariada. Cokriging. ...................................................................... 35
CAPTULO IV. METODOLOGA ........................................................................................... 36
Figura 4.1. Diagrama de flujo de lo realizado en este estudio ....................................................... 36
4.1. Carga de datos y control de calidad .................................................................................... 37
4.1.1. Ssmica ......................................................................................................................... 37
4.1.2. Pozos. ........................................................................................................................... 38
4.1.3. Marcadores. .................................................................................................................. 39
4.1.4. Interpretaciones de horizontes. .................................................................................... 39
4.1.5. Velocidades de apilamiento. ........................................................................................ 39
4.2. Interpretacin y modelo esttico en tiempo. ....................................................................... 40
4.2.1. Resolucin vertical ...................................................................................................... 40
4.2.2. Interpretacin estructural. ............................................................................................ 42
4.2.3. Modelado de fallas. ...................................................................................................... 45
4.2.4. Mallado de pilares (Pillar gridding) ............................................................................ 46
4.2.5. Insercin de horizontes ................................................................................................ 47
4.2.6. Control de calidad de la malla 3D. .............................................................................. 48
4.3. Conversin Tiempo-Profundidad........................................................................................ 48
4.3.1. Control de Calidad de los Datos. ................................................................................. 48
4.3.1.1. Revisin de los Check Shots. ................................................................................ 48
4.3.1.2. Calibracin del Snico con los Check Shots. ....................................................... 49
4.3.1.3. Amarre Ssmica-Pozo. .......................................................................................... 50
4.3.2. Construccin de modelos de velocidades .................................................................... 53
4.3.2.1. Modelos de velocidades basados en curvas T-Z de los pozos .............................. 55
4.3.2.2. Modelos de velocidades basados en velocidades de apilamiento ......................... 56
4.3.2.3. Modelos de velocidades basados en funciones definidas por el usuario .............. 57
4.3.2.4. Modelos de velocidades combinando informacin de pozo con velocidades de
apilamiento (Factor de anisotropa) ................................................................................... 59
4.3.2.5. Modelo de velocidades basado en interpolacin por kriging de los valores de
velocidad en los pozos. ...................................................................................................... 59
4.3.2.6. Modelos de velocidades basados en geoestadstica combinando informacin de
pozo con velocidades de apilamiento ................................................................................ 61
4.3.3. Validaciones cruzadas. ................................................................................................. 62
4.4. Anlisis de atributos ssmicos ............................................................................................. 63
4.4.1 Seleccin de los horizontes y de la ventana de tiempo para el clculo de los mapas de
atributos. ................................................................................................................................ 63
4.4.2. Generacin de mapas de atributos ............................................................................... 64
4.4.3. Seleccin de las propiedades petrofsicas a correlacionar con los atributos ................ 64

viii
4.4.4. Extraccin de los valores de las propiedades y de los atributos en la vecindad de los
pozos. ..................................................................................................................................... 64
4.4.5. Anlisis propiedad-atributos ........................................................................................ 65
4.4.5.1. Mediante regresin lineal ...................................................................................... 65
4.4.5.2. Redes neuronales .................................................................................................. 67
4.4.6. Mapas de pseudo-propiedades ................................................................................. 68
CAPTULO V. ANLISIS DE RESULTADOS ....................................................................... 70
5.1. Interpretacin y modelo esttico ......................................................................................... 70
5.1.1. Interpretacin ssmica. ................................................................................................. 70
5.1.2. Sistema de fallas. ......................................................................................................... 70
5.1.3. Mapas en tiempo. ......................................................................................................... 74
5.1.4. Modelo Esttico de celdas ........................................................................................... 78
5.1.4.1. Fallas ..................................................................................................................... 78
5.1.4.2. Horizontes ............................................................................................................. 79
5.2. Modelos de velocidades ...................................................................................................... 82
5.2.1. Basados en curvas TZ de los pozos. ............................................................................ 82
5.2.2. Basados en velocidades de apilamiento. ...................................................................... 85
5.2.3. Basados en funciones ................................................................................................... 86
5.2.4. Factor de anisotropa. ................................................................................................... 87
5.2.5. Kriging con informacin de velocidad de los pozos: .................................................. 89
5.2.6. Geoestadstica combinando informacin de pozo con velocidades de apilamiento. ... 91
5.2.7. Comparacin de los diferentes modelos de velocidades.............................................. 92
5.2.7.1 Errores porcentuales de profundidad (promedio para todos los pozos) ................. 92
5.2.7.2. Validacin cruzada................................................................................................ 92
5.3. Mapas en profundidad......................................................................................................... 94
5.4. Anlisis de atributos ssmicos ............................................................................................. 99
5.4.1. Mapas de atributos ....................................................................................................... 99
5.4.2. Anlisis propiedad-atributos ...................................................................................... 102
5.4.2.1. Houston ............................................................................................................... 102
5.4.2.1.1 Mediante regresin lineal .............................................................................. 102
5.4.2.1.2. Mediante Redes neuronales ......................................................................... 109
5.4.2.2. Paris .................................................................................................................... 111
5.4.2.2.1. Mediante regresin lineal ............................................................................. 111
5.4.2.2.2. Mediante Redes Neuronales ........................................................................ 120
5.4.3. Mapas de Pseudopropiedades .................................................................................... 121
5.4.3.1. Houston ............................................................................................................... 121
5.4.3.2. Paris .................................................................................................................... 131
5.4.3.3. Discusin ............................................................................................................ 142
CAPTULO VI. CONCLUSIONES Y RECOMIENDACIONES ........................................ 144
CAPTULO VII. REFERENCIAS ........................................................................................... 147
APNDICE 1. MTODO DE MINIMIZACIN DE ERROR DE LA PROFUNDIDAD .......
..................................................................................................................................................... 150

ix
INDICE DE FIGURAS

Figura 2.1. Ubicacin del rea de estudio....4
Figura 2.2. Reconstruccin del golfo de Mxico; evolucin de 20 millones de aos del
movimiento de Yucatn en sus etapas (a), (b) y (c) (explicadas en el texto)...5
Figura 2.3. Diagrama de de trampas de hidrocarburos asociadas con cuerpos salinos....7
Figura 2.4. Los tres sistemas depositacionales (I, II y III, explicados en el texto) identificados en
secuencias del Cenozoico del Golfo.8
Figura 2.5. Mapa tectnico del norte del Golfo de Mxico, mostrando la sal alctona (negro), las
fallas (lneas negras), pliegues en agua profunda (lneas negras segmentadas), y la ubicacin del
rea de estudio..9
Figura 2.6. Seccin ssmica de un campo en Green Canyon, costa afuera de Louisiana...10
Figura 2.7. Perfiles de gamma ray y resistividad, ambientes depositacionales y edades del pozo
GC-158-1....11
Figura 2.8. Secciones ssmicas en el rea (no interpretadas. (a) Oeste-Este, (b) Norte-Sur...12
Figura 2.9. Registros de SP y Resistividad del pozo Albite, restringidos a la zona de inters..13
Figura 3.1. Esquema del modelo convolucional de la traza ssmica..15
Figura 3.2. Efecto de entonacin17
Figura 3.3. (a) Duracin de loop inferior. (b) Duracin de loop superior..25
Figura 3.4. (a) Definicin grfica del skewness de loop superior. (b) Definicin grfica de la
kurtosis de loop...25
Figura 3.5. Esquema mostrando la lnea de arena y la lnea de lutita definidas para calcular el
volumen de arcilla..27
Figura 3.6. Diagrama de flujo del aprendizaje supervisado...29
Figura 3.7. Arquitectura de una MLFN..30
Figura 3.8. Grfica idealizada de error promedio vs nmero de iteracin tanto para las muestras
de entrenamiento como para las de validacin...31
Figura 3.9. Elementos de un variograma32
Figura 3.10. Modelos de variograma..34
Figura 4.1. Diagrama de flujo de lo realizado en este estudio36
Figura 4.2. Mapa base del rea de estudio con ubicacin de las lneas (en rojo) y del cubo ssmico
(en azul)..37
Figura 4.3. Mapa base con la ubicacin de los pozos.38
Figura 4.4. Vista en 3D de los puntos de velocidades de apilamiento...40
Figura 4.5. Histograma de frecuencia instantnea para el horizonte Houston, mostrando la
frecuencia dominante (25,5 Hz).41
Figura 4.6. Histograma de frecuencia instantnea para el horizonte Paris, mostrando la frecuencia
dominante (22,5 Hz)...41
Figura 4.7. Vista en planta de la interpretacin del horizonte Houston y de los planos de las
fallas....43
Figura 4.8. Cubos de atributos generados para ayudar en la interpretacin estructural. (a)
Crossline 500 del cubo de Varianza generado a partir del cubo ssmico original. (b) Crossline 500
del cubo de Ant Tracking...44
Figura 4.9. Composicin y geometras de planos de falla modeladas por el software...45
Figura 4.10. (a) Dibujo esquemtico de la malla media del esqueleto. (b) Dibujo esquemtico del
proceso de Pillar Gridding.....46

x
Figura 4.11. Esquema de la interpolacin (segmento rojo punteado) del horizonte a partir del dato
de entrada (azul) en la zona adyacente a una falla normal, dependiendo de la distancia de
interpolacin seleccionada (zona amarilla)47
Figura 4.12. Grfica Velocidad Iintervlica (escala en pies/s) vs Profundidad (escala en pies) para
el check shot del pozo Jasper..49
Figura 4.13. Registro snico (rojo) junto con curva de de velocidad proveniente de check shots
(panel izquierdo) y registro calibrado (panel derecho). (a) Pozo Diamond, (b) Pozo Quartz, y (c)
pozo Barite..50
Figura 4.14. Seccin ssmica orientada de manera que pase por varios pozos. En la seccin se
muestra el horizonte Kobe interpretado (pico de amplitud positiva) y los topes en tiempo de los
pozos (puntos blancos)...53
Figura 4.15. Grfica Velocidad Promedio (escala en pies/s) vs Tiempo doble (escala en ms) para
todos los pozos, con su funcin de ajuste (lnea oscura)58
Figura 4.16. Grfica Profundidad(escala en pies) vs Tiempo doble (escala en ms) para todos los
pozos, con su funcin de ajuste (lnea oscura)...58
Figura 4.17. Grfica Funcin de Anisotropa (adimensional) vs Tiempo doble (escala en ms), con
su funcin de ajuste suavizada (lnea negra)..60
Figura 4.18. Mapa de varianza para la propiedad de velocidad promedio derivada de los
pozos...61
Figura 5.1. Crossline 500 interpretado con la identificacin de los horizontes..71
Figura 5.2. Inline 500 interpretado con la identificacin de los horizontes...72
Figura 5.3. (a) Vista 3D del cubo de Ant-Tracking, mostrando el crossline 500 y un time slice en
1500 ms, junto con los planos de 3 de las fallas interpretadas...73
Figura 5.4. Mapa en tiempo del horizonte Caracas74
Figura 5.5. Mapa en tiempo del tope de Houston...75
Figura 5.6. Mapa en tiempo del tope de Kobe....76
Figura 5.7. Mapa en tiempo del tope de Paris....77
Figura 5.8. Mapa en tiempo del tope del domo salino (Salt)......78
Figura 5.9. Vista 3D del modelo de fallas..79
Figura 5.10. Vista 3D del horizonte Paris creado para el modelo de celdas. (a) Antes y (b) de las
ediciones en la zona del salto de falla.80
Figura 5.11. Vista en 3D del modelo esttico de celdas, con fallas, horizontes e intervalos
estratigrficos de inters. (a) vista desde el oeste, (b) vista desde el este...81
Figura 5.12. Registros de velocidad generados por los modelos (curva en negro) junto con
registro snico corregido con los check shots. (a) Modelo sin correccin por topes de pozo. (b)
Modelo corregido por topes83
Figura 5.13. Vista en 3D del modelo de velocidades TZ2.85
Figura 5.14. Registros de velocidad. (a) basados en velocidades de apilamiento, (b) funciones a
partir de los pozos, (c) factor de anisotropa ssmica-pozo88
Figura 5.15. Vista en 3D del modelo de velocidad por kriging con 26 pozos...90
Figura 5.16. Mapa en profundidad del horizonte Caracas..94
Figura 5.17. Mapa en profundidad del horizonte Houston.....95
Figura 5.18. Mapa en profundidad del horizonte Kobe..96
Figura 5.19. Mapa en profundidad del horizonte Paris..97
Figura 5.20. Mapa en profundidad del tope del domo salino (Salt)...98
Figura 5.21. Mapa de amplitud RMS para el horizonte Houston..99
Figura 5.22. Mapa de amplitud RMS solapado con el mapa de espesor de arena para el horizonte
Houston.100

xi
Figura 5.23. Inline 500 del cubo ssmico con las interpretaciones del horizonte Houston y del
domo salino, mostrando el fenmeno de entonacin...101
Figura 5.24. Mapa de amplitud RMS para el horizonte Paris..102
Figura 5.25. Grfico cruzado Porosidad Total vs Polaridad aparente para el horizonte
Houston.104
Figura 5.26. Grfico cruzado Lentitud de onda P vs Arc lenght para el horizonte Houston105
Figura 5.27. Grfico cruzado Volumen de arcila vs Amplitud RMS para el horizonte
Houston.106
Figura 5.28. Grfico cruzado Impedancia acstica vs Segunda derivada para el horizonte
Houston.106
Figura 5.29. Grfico de error RMS de porosidad vs nmero de atributos utilizados en la
regresin...107
Figura 5.30. Grfico de error RMS de volumen de arcilla vs nmero de atributos utilizados en la
regresin...108
Figura 5.31. Grfico de error de validacin (fraccin de porosidad) vs iteracin de entrenamiento
para la propiedad de porosidad.110
Figura 5.32. Grfico de error de validacin (fraccin de volumen de arcilla) vs iteracin de
entrenamiento para la propiedad de volumen de arcilla...111
Figura 5.33. Grfico cruzado Porosidad Total vs t*atenuacin para el horizonte Paris...113
Figura 5.34. Grfico cruzado Lentitud de onda P vs Half energy para el horizonte Paris...114
Figura 5.35. Grfico cruzado Volumen de arcilla vs desviacin estndar de la amplitud para el
horizonte Paris......115
Paris..116
regresin...117
Figura 5.38. Grfico de error RMS de lentitud de onda P vs nmero de atributos utilizados en la
regresin...118
Figura 5.39. Grfico de error RMS de impedancia vs nmero de atributos utilizados en la
regresin...119
Figura 5.40. Grfico de error de validacin (fraccin de porosidad) vs iteracin de entrenamiento
para la propiedad de porosidad.120
Figura 5.41. Grfico de error de validacin (escala en s/pie) vs iteracin de entrenamiento para
la propiedad de lentitud de onda P....121
Figura 5.42. Grfico cruzado de los resultados del modelo de regresin lineal multi-atributos para
la propiedad de porosidad.122
Figura 5.43. Grfico cruzado de los resultados del modelo de redes neuronales para la propiedad
de porosidad..123
Figura 5.44. Histogramas de porosidad total (fraccin) para los mapas obtenido a partir de
regresin lineal multiatributos (violeta) y redes neuronales (azul)..123
la propiedad de volumen de arcilla...124
de volumen de arcilla....125
Figura 5.47. Histogramas de volumen de arcilla (fraccin) para los mapas obtenido a partir de
regresin lineal multiatributos (verde) y redes neuronales (azul)....126
Figura 5.48. Mapa de pseudo-porosidad total para el horizonte Houston, obtenido mediante
regresin lineal multi-atributos.127

xii
entrenamiento con redes neuronales.128
Figura 5.50. Mapa de pseudo-volumen de arcilla para el horizonte Houston, obtenido mediante
redes neuronales...131
la propiedad de porosidad (Horizonte Paris)....132
de porosidad en el horizonte Paris....133
Figura 5.54. Histogramas de porosidad total (fraccin) para los mapas obtenido a partir de
regresin lineal multiatributos (azul) y redes neuronales (verde) en el horizonte Paris...134
la propiedad de lentitud de onda P....135
de lentitud de onda P....135
Figura 5.57. Histogramas de lentitud de onda P (s/pie) para los mapas obtenido a partir de
regresin lineal multiatributos (verde) y redes neuronales (rojo) en el horizonte Paris...136
Figura 5.58. Mapa de pseudo-porosidad total para el horizonte Paris, obtenido mediante regresin
lineal multi-atributos.137
Figura 5.59. Mapa de pseudo-porosidad total para el horizonte Paris, obtenido mediante redes
neuronales.138
Figura 5.60. Mapa de pseudo-lentitud de onda P para el horizonte Paris, obtenido mediante
Figura 5.61. Mapa de pseudo-lentitud de onda P para el horizonte Paris, obtenido mediante redes
neuronales..141

xiii
INDICE DE TABLAS

Tabla 4.1. Valores de resolucin ssmica vertical para los intervalos de inters .......................... 42
Tabla 4.2. Lista de pozos con diferencias mayores a 10 ms en el amarre con la ssmica.............. 51
Tabla 4.3. Modelos de velocidades basados en curvas TZ de los pozos ....................................... 55
Tabla 4.4. Modelos de velocidad generados a partir de velocidades de apilamiento .................... 57
Tabla 4.5. Modelos de velocidades generados combinando velocidades de pozo con ssmica
mediante geoestadstica ................................................................................................................. 62
Tabla 5.1. Promedios de porcentajes de error de profundidad para los modelos de velocidades
basados en curvas TZ de los pozos ................................................................................................ 82
Tabla 5.2. Promedios de porcentajes de error de profundidad para los modelos basados en
velocidades de apilamiento ............................................................................................................ 86
funciones ........................................................................................................................................ 86
Tabla 5.4. Promedios de porcentajes de error de profundidad para los modelos con factor de
anisotropa ...................................................................................................................................... 87
Tabla 5.5. Promedios de porcentajes de error de profundidad para los modelos con kriging a
partir de velocidades de pozo. ........................................................................................................ 89
Tabla 5.6. Promedios de porcentajes de error de profundidad para los modelos con Geoestadstica
combinando informacin de pozo con velocidades de apilamiento .............................................. 91
Tabla 5.7. Errores porcentuales de profundidad promedio para todos los modelos y sus variantes
....................................................................................................................................................... 92
Tabla 5.8. Errores promedio para la validacin cruzada dejando fuera un pozo, para todos los
modelos y sus variantes ................................................................................................................. 92
Tabla 5.9. Coeficientes de determinacin entre atributos ssmicos (filas) y propiedades
petrofsicas (columnas) para el horizonte Houston en las ubicaciones de los pozos. .................. 103
petrofsicas (columnas) para el horizonte Paris en las ubicaciones de los pozos. ....................... 112

CAPTULO I
INTRODUCCIN

En la exploracin de hidrocarburos, la ssmica de reflexin es una herramienta
fundamental para interpretar la composicin, contenido de fluido, extensin y geometra de las
rocas en el subsuelo (Sheriff, 1991), debido a su cobertura lateral y el poder de penetracin que
alcanza. Cuando se combina con la informacin de pozo, proporciona conocimientos necesarios
para la caracterizacin de los yacimientos.
La interpretacin ssmica permite generar superficies o mapas estructurales en tiempo, los
cuales usualmente se correlacionan al tope o la base de eventos geolgicos. Para la perforacin
hacia alguna zona de inters prospectivo, o para la generacin de mapas de espesores de ciertos
intervalos, estos mapas deben ser convertidos de tiempo a profundidad. A pesar de que en teora
estas dos variables se relacionan linealmente mediante la velocidad, la determinacin de
velocidades en el subsuelo es un problema muy lejano a la trivialidad, debido a muchos factores,
entre ellos la complejidad de las trayectorias de las ondas ssmicas a travs de medios
anisotrpicos, las estructuras y estratigrafa de las rocas en el subsuelo, entre otros. Existen
maneras de determinar velocidad en el subsuelo de manera ms o menos precisa, mediante
registros de velocidad en los pozos. Sin embargo, es informacin limitada lateralmente en
contraste con la ssmica. Por lo tanto, la conversin tiempo-profundidad es un proceso basado en
una gran cantidad de aproximaciones y sujeto a un alto grado de incertidumbre.
El enfoque primario para la conversin a profundidad de tiempos de viaje derivados de la
ssmica consista en la aplicacin de funciones que permitieran modelar la variacin vertical de
velocidad con la profundidad, utilizando datos de velocidad en pozos (Slotnick, 1936; Faust,
1951). En los ltimos aos se han hecho grandes avances en la precisin de las conversiones de
dominio, en especial a partir de la aplicacin de la migracin en profundidad. A pesar de esto,
todava muchas reas cuentan nicamente con ssmica migrada post-apilamiento en tiempo, por

2

lo cual la interpretacin debe realizarse en este dominio para posteriormente convertir a
profundidad mediante diversos mtodos, utilizando informacin de pozos, derivadas de la
ssmicas y aplicando geoestadstica, funciones, trazado de rayos, y otras tcnicas (Marsden, 1989;
Hwang y McCorkindale, 1994; Ravve y Koren, 2007).
Por otra parte, los avances en la generacin de atributos ssmicos y el creciente nfasis en
geofsica de produccin han llevado al uso extendido de atributos ssmicos para la prediccin de
propiedades de yacimiento (Hart y Balch, 2000; Leiphart y Hart, 2001; Hampson et al, 2001). En
muchos casos, se puede mostrar una relacin fsicamente justificable entre un atributo y una
determinada propiedad, que nos permite reducir la incertidumbre en las predicciones de
propiedades de yacimiento en las zonas alejadas del control de pozo. Una serie de mtodos se
pueden utilizar para dicha prediccin (geoestadstica, regresin lineal o no lineal, redes
neuronales). El propsito es la estimacin de hidrocarburo en sitio y la toma de decisiones en el
manejo de yacimiento. El problema consiste en identificar los atributos a utilizar en el proceso
(Kalkomey, 1997).
El objetivo de este estudio consiste en integrar datos ssmicos con datos de pozo para
desarrollar diversos mtodos, tanto de conversin tiempo-profundidad como de prediccin de
propiedades de yacimiento a partir de atributos ssmicos, que permitan generar un modelo y
caracterizar el rea de estudio.
Este estudio se realiza en base a datos correspondientes a un rea ubicada en la Cuenca
del Golfo de Mxico, especficamente en la zona costa afuera de Louisiana, Estados Unidos. La
provincia petrolera donde se encuentra es una de las ms prolficas del mundo. Esta es una regin
ampliadamente documentada y estudiada. La produccin proviene mayoritariamente de
sedimentos siliciclsticos del Cenozoico. La acumulacin y entrampamiento de hidrocarburo en
esta regin est estrechamente asociada a la interaccin entre la sedimentacin y la tectnica
asociada a cuerpos salinos, lo cual es el enfoque de varios de los estudios en la zona (Rowan y
Weimer, 1998). Estudios recientes (Hentz y Zeng, 2003) aplican estratigrafa secuencia de alta
resolucin para obtener un mejor entendimiento de los sistemas depositacionales a gran escala.
El estudio se desarroll en el marco de una pasanta realizada en SIS (Schlumberger
Information Solutions), que es un segmento cuyo principal objetivo es brindar asesora, soporte, y
adiestramiento en los distintos software desarrollados por Schlumberger, a las empresas
operadoras en el rea de exploracin y produccin de hidrocarburos, que utilizan dichas

3

aplicaciones para manejar sus yacimientos. Las empresas que tienen campos en etapas
exploratorias, realizan la construccin de un modelo estratigrfico-estructural como primer paso
para el modelado de facies y de propiedades petrofsicas que permitirn predecir posibles
localizaciones de inters prospectivo, calcular volumetras y llevar a simuladores de flujo para
generar modelos dinmicos de yacimiento. Ello implica la generacin de flujos de trabajo que le
permitan sacar el mximo provecho de sus aplicaciones para actualizar y robustecer sus modelos.
Y la aplicacin de la geofsica es fundamental en este proceso.
El trabajo se desarrolla en base a las siguientes etapas: en primer lugar en la construccin
de un modelo esttico en tiempo, realizando una interpretacin estructural e incluyendo las
superficies ya interpretadas de topes de intervalos de inters en el rea. Posteriormente se generan
una serie de modelos de velocidades mediante distintas tcnicas y tomando en cuenta algunas
variaciones en cuanto a disponibilidad de datos. Analizando y comparando los mtodos, y en
funcin de los resultados obtenidos, se implementa la conversin de tiempo a profundidad.
Finalmente, mediante los mtodos de regresin lineal y de redes neuronales, se generan mapas de
pseudo-propiedades petrofsicas a partir de atributos ssmicos.
Se emplea el software Petrel, diseado para el desarrollo de flujos de trabajo integrados
desde ssmica hasta simulacin, en un ambiente amigable al usuario.

CAPTULO II
UBICACIN Y GEOLOGA DEL REA DE ESTUDIO

2.1. Ubicacin geogrfica y geolgica.
El rea de estudio se encuentra ubicada geogrficamente en la costa norte del Golfo de
Mxico, al sur del estado de Louisiana, Estados Unidos de Norteamrica. Geolgicamente
pertenece a la cuenca del Golfo de Mxico. Se encuentra en la zona central de planificacin de la
regin de la plataforma continental exterior del Golfo, la cual se encuentra integrada por varias
subdivisiones. El rea en cuestin se encuentra en la subdivisin de Vermilion Sur (Figura 2.1).

Figura 2.1. Ubicacin del rea de estudio

5

2.2. Geologa Regional. Cuenca del Golfo de Mxico

2.2.1. Historia tectnica
La forma del Golfo de Mxico requiere que al menos un lmite transformante ocenico-
continental estaba activo mientras la cuenca se estaba abriendo. Los modelos de evolucin
disienten entre aquellos que alegan que la cuenca se abri por rotacin a lo largo de un solo lmite
transformante y aquellos que sostienen que sta se abri por rotacin a lo largo de un par de
lmites subparalelos. Aunque se han propuesto muchos modelos, la mayora de los autores
coinciden en que la rotacin, en sentido contrario a las agujas del reloj, del bloque de Yucatn,
alejndose de la placa Norte Americana, involucrando un solo lmite transformante ocenico-
continental, llev a la formacin de la cuenca. Muchos de estos autores sugieren que esta rotacin
ocurri entre 160 y 140 Ma. La ubicacin del polo de rotacin del bloque de Yucatn es an
motivo de discusin, sin embargo, la mayor parte de los autores considera la rotacin del bloque
de ser entre 42 y 60 (Bird et al., 2005).

Figura 2.2. Reconstruccin del golfo de Mxico; evolucin de 20 millones de aos del
movimiento de Yucatn en sus etapas (a), (b) y (c) (explicadas en el texto). Las zonas en gris
representan depositacin de sal. El smbolo representa la pluma del manto. Modificado de
Bird et al. ( 2005)

6

La Figura 2.2 muestra un modelo evolutivo del movimiento de Yucatn durante 20
millones de aos. Desde su posicin inicial (a) alrededor de 160 Ma, Yucatn ocupaba lo que hoy
en da es la Cuenca del Golfo de Mxico. Luego de 10-12 millones de aos (b), coincide con los
22 de rotacin y extensin de corteza continental. La expansin del suelo marino se inici al
final de este tiempo cuando la pluma del manto se activ. Luego de 20 millones de aos y 42 de
rotacin total, logra su posicin actual (140 Ma).
Bird et al. (2005) resume los eventos tectnicos de esta manera (las edades entre
parntesis son propuestas por los autores):
- Inicio de Rift (230 Ma)
- Depositacin de sal (160-150 Ma)
- Inicio de rotacin de Yucatn y extensin continental (160 Ma)
- Inicio de expansin del suelo marino (150 Ma)
- Fin de expansin del suelo marino (140 Ma)

2.2.2. Geologa estructural. Entrampamiento de hidrocarburo
Las fallas normales de extensin local generalmente estn asociadas a otras estructuras
cuya geometra requiere extensin de capas de la corteza. Ejemplos incluyen domos, pliegues,
estructuras pull-apart. Domos estructurales cortados por un sistema de fallas normales resultan de
la intrusin de cuerpos de sal o magma. En la Cuenca del Golfo de Mxico, el estilo estructural
dominante, y el responsable de la mayora de las acumulaciones de hidrocarburo en la zona, es
aquel representado por estructuras salinas. La sal tiene una movilidad que es independiente de
fuerzas tectnicas. La fuerza de deformacin dominante se basa en contraste de densidad y carga
diferencial. El modo de transporte tpico es el flujo vertical u horizontal de evaporitas mviles
(Harding y Lowell, 1979).
El norte de la Cuenca del Golfo de Mxico es un ejemplo de fallamiento normal a lo largo
de un margen continental moderno. Esta zona se caracteriza por acumulaciones gruesas de
sedimento, rpida subsidencia, y un sistema de fallas normales cuya extensin est cercanamente
asociada con la extensin de grandes depsitos de sal del Jursico. La mayor parte de las fallas
buzan hacia el sur, aunque tambin existen fallas de buzamiento hacia el norte. Las fallas

7

comnmente muestran anticlinales roll-over, indicando que son lstricas, con buzamientos
menores con profundidad (Twiss y Moore, 1992).
La Figura 2.3 muestra un diagrama esquemtico de las trampas de hidrocarburos
asociadas ms comnmente con el estilo estructural de cuerpos salinos en cuencas sedimentarias,
como es el caso de la Cuenca del Golfo de Mxico.

Figura 2.3. Diagrama de trampas de hidrocarburos asociadas con cuerpos salinos. Tomado de
Harding y Lowell (1979, modificado de Halbouty (1967)).

2.2.3. Historia depositacional del Cenozoico
Galloway et al. (2000), en su estudio, discuten las siguientes generalizaciones acerca de la
historia depositacional, patrones de aporte de sedimento, y arquitectura de sedimentacin en el
Cenozoico del Golfo del Mxico:
- Cinco ejes fluviales principales extra-cuenca persistieron durante la mayor parte del
Cenozoico y proveyeron el grueso del sedimento que rellen los mrgenes norte y
noroeste de la cuenca (de oeste a este, Ro Grande, Houston, Red, Mississippi Central y
Mississippi Este).
- La historia de aporte sedimentario a la cuenca del Golfo a travs de estos ejes fue
controlada por cuatro fases de levantamiento cortical a escala continental.
- La historia de relleno de la cuenca del Golfo se sintetiza con el patrn de migracin del
margen de plataforma.

8

- Tres sistemas depositacionales caracterizan las secuencias del Cenozoico (Figura 2.4): (I)
fluvial-deltaico-apron alimentado por delta, (II) plano costero-zona de costa-plataforma-
apron alimentado por plataforma, (III) flanco deltaico-abanico submarino.

Figura 2.4. Los tres sistemas depositacionales (I, II y III, explicados en el texto) identificados en
secuencias del Cenozoico del Golfo. Modificado de Galloway et al. (2000).

2.3. Geologa local. Zona costa afuera de Louisiana en el Golfo.

2.3.1. Historia tectnica y de depositacin
El marco de la cuenca del Golfo fue establecido a finales del Jursico. En el Cretcico
Temprano, una profunda cuenca central estaba rodeada de plataformas carbonticas. La parte
norte de la cuenca fue rellenada durante el Cretcico Tardo-Cenozoico por vastos influjos de
sedimento terrgeno, los cuales progradaron sobre los carbonatos y acompaaron la subsidencia
de la cuenca. La cua de sedimentos Terciarios se caracteriza por gruesos depsitos clsticos
continentales suprayaciendo clsticos marinos. La cua carg diferencialmente la sal mvil, que
se movi lateralmente para extrudir en el talud inferior. El depocentro principal se movi
progresivamente hacia el este hacia la posicin actual del delta del ro Mississippi durante el

9

Oligoceno Tardo-Mioceno. La Figura 2.5 muestra el mapa tectnico del norte del Golfo,
incluyendo las zonas costa afuera de Texas y Louisiana.

Figura 2.5. Mapa tectnico del norte del Golfo de Mxico, mostrando la sal alctona (negro), las
fallas (lneas negras), pligues en agua profunda (lneas negras segmentadas), y la ubicacin del
rea de estudio. Tomado de Rowan et al. (2001, modificado de Diegel et al. (1995))

2.3.2. Geologa estructural.
El norte del Golfo de Mxico no es ssmicamente activo, pero est afectado por
deformaciones estructurales asociadas con la rpida carga sedimentaria del rea. La regin se
caracteriza generalmente por fallas normales lstricas, de gran desplazamiento y dominantemente
hacia la cuenta. Diapiros de sal y otras intrusiones salinas perforan los sedimentos Terciarios,
resultando en fallamiento, slumps, y engrosamiento y endelgazamiento local de los sedimentos.
Tambin existe diapirismo de arcilla y fallamiento asociado. La deformacin regional es bien sea
producto de la movilizacin de sal o del desarrollo del fallamiento lstrico (Hentz y Zeng, 2003).
Una caracterstica fundamental de esta regin es el gran espesor de sedimentos deltaicos, de
plataforma y de talud del Mioceno, los cuales se acumularon durante un perodo de tasas de

10

sedimentacin altas. Estos sedimentos hacen de la regin una de las provincias con yacimiento de
hidrocarburo de mayor calidad en el mundo (Yassir y Zerwer, 1997).

2.3.3. Estilo estructural y estratigrafa de algunos campos en la zona.
El estudio realizado por Weimer et al. (1998) sobre varios campos en la zona costa afuera
de Louisiana, muestra que estos campos consisten de una combinacin de trampas estructurales y
estratigrficas. Cuerpos salinos y/o fallas juegan un papel crtico en los mecanismos de
entrampamiento. Los ambientes depositacionales de las arenas productoras consisten de sbanas
de arena, arenas de canal, o arenas finas encajonadas en lutitas de overbank.
La Figura 2.6 muestra una seccin ssmica de un campo ubicado en la zona de Green
Canyon, aproximadamente 200 km al este del rea de estudio. Este campo se caracteriza por
entrampamiento estratigrfico hacia el cuerpo salino ubicado hacia el oeste.

Figura 2.6. Seccin ssmica de un campo en Green Canyon, costa afuera de Louisiana. Las lneas
blancas discontinuas representan unidades cronoestratigrficas interpretadas con sus edades. El
pozo aparece proyectado sobre la seccin con su registro de gamma ray. Modificado de Weimer
et al. (1998)

11

La Figura 2.7 muestra los perfiles de gamma ray y resistividad, junto con los ambientes
depositacionales y edades interpretadas, del pozo GC-158-1 perteneciente al campo. Se destaca la
presencia de intervalos de arenas de canal en un marco de lutitas hemipelgicas.

Figura 2.7. Perfiles de gamma ray y resistividad, ambientes depositacionales y edades del pozo
GC-158-1. Modificado de Weimer et al. (1998).

2.4. rea de estudio
La Figura 2.8 muestra dos secciones ssmicas 2D (no interpretadas) en el rea de estudio, las
cuales nos permiten ver el estilo estructural de la zona, controlado por cuerpos salinos (a) y fallas
lstricas(b).

12

Figura 2.8. Secciones ssmicas en el rea (no interpretadas). (a) Oeste-Este, (b) Norte-Sur. La
ubicacin de la lnea se muestra en negro en la parte inferior derecha.

13

La Figura 2.9 muestra un perfil de SP (potencial espontneo) y de resistividad del rea de
estudio, perteneciente al pozo Albite. Los registros se presentan entre 6000 y 8000 pies,
aproximadamente, para enfocar en la zona de inters. Han sido interpretados tres marcadores
(Houston, Kobe y Paris), los cuales corresponden a topes de arenas de inters. Para la arena
corresponden al marcador llamado Houston, tambin ha sido interpretada la base. Como se puede
ver en el registro, a nivel de estas arenas se presenta un aumento en el valor de resistividad,
indicando acumulacin de hidrocarburo.

Figura 2.9. Registros de SP y Resistividad del pozo Albite, restringidos a la zona de inters. Se
muestran los marcadores interpretados.

CAPTULO III
MARCO TERICO

3.1. Conceptos fundamentales de ssmica

3.1.1. La ssmica de reflexin.
Con este mtodo (la tcnica geofsica ms utilizada), la estructura del subsuelo es
mapeada mediante la medicin de los tiempos que requiere una onda ssmica (o pulso) generada
en la tierra, en retornar a la superficie luego de ser reflejada en profundidad desde interfases entre
formaciones con diferentes propiedades fsicas. La ssmica de reflexin tambin se utiliza para
inferir litologas a partir de caractersticas de velocidad y atenuacin de las ondas ssmicas
reflejadas y transmitidas, y para deteccin de contenido de fluidos en la roca, sobre la base de
amplitudes de reflexin y otros indicadores ssmicos. La onda ssmica se propaga con
velocidades dependientes de sus propiedades elsticas y densidades, segn la ecuacin de onda
en medios elsticos (Dobrin y Savit, 1988). Su reflexin y refraccin ocurre en interfases con
contrastes de impedancia acstica llamadas reflectores, de acuerdo con la Ley de Snell.

3.1.2. Impedancia acstica y coeficiente de reflexin
La impedancia acstica (IA) se define como el producto de la densidad () por la
velocidad de onda compresional (
p
V ).

p
V IA . = (3.1)

15

El coeficiente de reflexin es la proporcin de amplitud de la onda reflejada respecto a la
onda incidente, o la cantidad de energa reflejada. En el caso de incidencia normal, el coeficiente
de reflexin viene dado por:

1 2
1 2
IA IA
IA IA
R
+
= (3.2)

Donde
1
IA es la impedancia acstica del medio 1,
2
IA es la impedancia acstica del
medio 2, y R es el coeficiente de reflexin, cuyos valores van de -1 a 1.
Para el caso de incidencia no normal, el coeficiente de reflexin depende de otros
parmetros, tales como las velocidades de onda de cizalla u onda S, y se describe como funcin
del ngulo de incidencia mediante las ecuaciones de Zoeppritz.

3.1.3. Modelo convolucional de la traza ssmica
Se basa en asumir que la traza ssmica S(t) es considerada una serie de reflectividad r(t)
compuesta slo de reflexiones primarias, que se convoluciona con una ondcula ssmica de fase
cero w(t), y a ello se le suma un componente de ruido aleatorio n(t). La Figura 3.1 muestra un
esquema simplificado del modelo convolucional.

Figura 3.1. Esquema del modelo convolucional de la traza ssmica. Modificado de
www.arkcls.com (Documento en lnea)

16

La expresin matemtica del modelo convolucional se expresa a continuacin:

) ( ) ( ) ( ) ( t n t r t w t S + = (3.3)

3.14. Interpretacin ssmica en tiempo. Correlacin de reflectores y generacin de mapas
estructurales.
La interpretacin implica la traduccin de la informacin ssmica para darle un sentido
geolgico. Luego de recopilar toda la informacin disponible en el rea (registros de pozo,
marcadores de los principales horizontes), se debe efectuar un amarre con sismogramas sintticos
generados a partir de los registros de pozo disponibles para determinar los reflectores de inters
en la ssmica. A partir de all, estos reflectores se correlacionan en trazas sucesivas a lo largo de
toda la seccin o el cubo. De esta manera, se generan mallas de valores de tiempo doble de viaje
correspondientes a los horizontes de inters en el rea (Waters, 1978). Estas mallas son
interpoladas y/o extrapoladas para producir mapas de contornos iscronos.

3.1.5. Deteccin y mapeo de fallas.
La deteccin de fallas en secciones ssmicas puede ser sencilla en circunstancias
favorables, aunque frecuentemente las indicaciones son sutiles, e identificarlas y delinearlas no es
fcil. Dobrin y Savit (1988) enumera las principales indicaciones de fallamiento en secciones
ssmicas, las cuales son: (a) discontinuidad en reflectores siguiendo un patrn esencialmente
lineal, (b) falta de cierre amarrando reflectores alrededor de los loops, (c) divergencias en
buzamiento no asociadas a estratigrafa, (d) patrones de difraccin y (e) distorsin o desaparicin
de reflectores debajo de lneas de fallas sospechadas.

3.1.6. Deteccin y mapeo de domos salinos.
Los domos salinos pueden mostrarse claramente en secciones ssmicas. La distorsin de
reflexiones encima y a los lados del domo, adems de la aparente ausencia de reflectores dentro
del mismo cuerpo salino, se utiliza para delinear la ubicacin aproximada de la cara de la sal
(Dobrin y Savit, 1988).

17

3.1.7. Resolucin vertical. Efecto de entonacin
La resolucin vertical se define como la menor distancia vertical entre dos interfases
litolgicas que produce dos reflexiones discretas, las cuales pueden separarse visualmente
(Regueiro). El efecto de entonacin (Figura 3.2) es un fenmeno de interferencia constructiva o
destructiva entre eventos o reflexiones cercanos uno del otro. En una separacin menor a un
cuarto de la longitud de onda (/4), las reflexiones generan un solo evento de alta amplitud. A
una separacin mayor, el evento comienza a ser diferenciable como dos eventos separados
(Schlumberger Oilfield Glossary, 2005). El espesor de entonacin es el espesor de una capa en el
cual dos eventos se hacen irreconocibles en tiempo, y se calcula mediante esta frmula:

f
V
4 4
=
(3.4)

Donde V es la velocidad intervlica y f es la frecuencia dominante a nivel del evento.

Figura 3.2. Efecto de entonacin. Modificado de Regueiro (1997).

18

3.2. Velocidades y conversin tiempo-profundidad

3.2.1. Trminos de velocidad.
Velocidad intervlica (Vint): es la velocidad de una capa o conjunto de capas especficas
de roca. Viene dada por:

1 2
1 2
int
t t
z z
V
= (3.5)

Donde z1 y z2 son las profundidades del tope y la base del intervalo, respectivamente,
mientras que t1 y t2 son los tiempos de viajes de la onda al tope y a la base del intervalo,
respectivamente.

Velocidad promedio (Vavg): es el valor de la profundidad dividido entre el tiempo de
viaje de la onda hacia esa profundidad. Asumiendo una serie de capas de espesor z1, z2, z3,,
zn, y su respectivos tiempos de viaje de onda t1, t2, t3,, tn, la velocidad promedio se define as:

=
+ + + +
+ + + +
=
n
n
tk
zk
tn t t t
zn z z z
Vavg
1
1
3 2 1
3 2 1
(3.6)

La velocidad promedio se utiliza para la migracin y la conversin tiempo-profundidad.

Velocidad instantnea (Vinst): si la velocidad vara continuamente con la profundidad, su
valor a una profundidad particular se obtiene de la frmula de velocidad intervlica contrayendo
el intervalo hasta hacerlo una capa infinitesimal. La velocidad intervlica se convierte de z
respecto a t, y viene dada por:

dt
dz
Vinst = (3.7)

19

Velocidad RMS (Vrms): es aquella de una onda pasando por capas del subsuelo de
diferentes velocidades intervlicas en una trayectoria especfica, y es generalmente mayor que la
velocidad promedio. Si las velocidades intervlicas de las capas son
1
V ,
2
V ,
3
V , ,
n
V y los
tiempos de viaje son
1
t ,
2
t ,
3
t , ,
n
t , entonces la velocidad RMS se define as:

=
+ + + +
+ + + +
=
n
k
n
k k
n
n n
t
V t
t t t t
V t V t V t V t
Vrms
1
1
2
3 2 1
2 2
3 3
2
2 2
2
1 1 2
) (
) ( ) ( ) ( ) (
(3.8)

Velocidad de apilamiento (Vst): es la relacin distancia-tiempo a partir del anlisis de
NMO en CMP gathers. Se utiliza para corregir los tiempos de llegada de los eventos en las trazas
por su offset variable, previo al apilamiento para la mejora de la relacin seal-ruido. Viene dada
por:

2
2
2
0
2
Vst
x
T T + = (3.9)

Donde x es el offset fuente-receptor para una secuencia de tiros de punto medio comn, T
es el tiempo de viaje del reflector en x, y
0
T es el tiempo de viaje a offset cero.
La velocidad de apilamiento es casi siempre mayor que la velocidad promedio. Segn
Yilmaz (1987), haciendo la aproximacin de offset pequeo respecto a profundidad, la serie de la
ecuacin puede ser truncada. De esta manera, vemos que para un medio estratificado
horizontalmente, la velocidad de apilamiento es igual a la velocidad RMS.

3.2.2. Ecuacin de Dix
Esta ecuacin se utiliza para calcular la velocidad intervlica (Vint) en una serie de capas
planas y paralelas, a partir de velocidades RMS. Viene dada por:

20

) (
) ( ) .(
int
1 2
2
1 1
2
2 2
t t
Vrms t Vrms t
V
= (3.10)

Donde:
1
t = tiempo de viaje al primer reflector
2
t = tiempo de viaje al segundo reflector
1
Vrms = velocidad RMS del primer reflector
2
Vrms = velocidad RMS del segundo reflector

Si consideramos el caso contemplado en la seccin anterior (velocidades de apilamiento
igual a velocidad RMS), sta resulta til para la conversin de velocidades de apilamiento en
velocidades intervlicas, y posteriormente en velocidades promedio para la conversin tiempo-
profundidad.

3.2.3. Registros snicos
Es un tipo de registro acstico continuo que mide tiempos de viaje de onda P versus
profundidad. Se corren subiendo una herramienta a lo largo del hoyo del pozo. Esta herramienta
emite una onda que viaja de la fuente hacia la formacin y de vuelta al receptor (Schlumberger
Oilfield Glossary, 2005).La unidad de medida de un registro snico usualmente es us/pie, y
tambin se denota lentitud.

3.2.4. Tiros de verificacin (Check Shots)
Estn diseados para medir el tiempo de viaje de una onda ssmica desde la superficie
hasta una profundidad conocida en un pozo. Se coloca un gefono en las profundidades de
inters, se manda una fuente de energa desde la superficie y se registra la seal resultante. Se
diferencia de un perfil ssmico vertical (VSP) en que los gefonos pueden estar espaciados e
irregularmente distribuidos a lo largo del hoyo del pozo (Dobrin y Savit, 1988). De esta manera,

21

de los pares tiempo-profundidad obtenidos se calculan las velocidades intervlicas (y a partir de
all, las velocidades promedio) respecto a la profundidad para dicho pozo.

3.2.5. Modelos de velocidad
La utilizacin de funciones de velocidad instantnea versus profundidad para representar
variaciones de velocidad en el subsuelo es una prctica bien establecida en la geofsica. Un
ejemplo de una funcin de uso extendido es el de la funcin de variacin lineal de la velocidad V
con la profundidad Z (Slotnick, 1936), dada por:

kZ Vo V + = (3.11)

Donde Vo es la velocidad en el datum, y k es el gradiente de velocidad, expresado en
1
s .
Se puede demostrar fcilmente, por diferenciacin, que a partir de la ecuacin 3.11 se
deriva la siguiente ecuacin que relacin profundidad con tiempo de viaje t de acuerdo con los
parmetros anteriores:

) 1 exp( = kt
k
Vo
Z (3.12)

Existen otros modelos, tales como el de Faust (1951), donde la velocidad depende de la
litologa y edad geolgica en adicin a la profundidad, el modelo simple de un nmero de capas
de diferentes y constantes velocidad intervlicas (Dix, 1955; Hubral y Krey, 1980), el modelo de
lentitud instantnea versus profundidad de Al-Chalabi (1997), y ms recientemente, el modelo
cnico (Ravve y Koren, 2007).

3.2.6. Conversin tiempo-profundidad. Importancia
Una consideracin importante que debe tomarse en cuenta a la hora de evaluar mapas y
secciones en profundidad es la confiabilidad de la informacin de velocidad con se realiz la
conversin tiempo-profundidad. Una cantidad considerable de check-shots cercano provee una

22

buena informacin tiempo-profundidad. Sin embargo, muchas reas carecen de informacin de
velocidad de pozos cercanos, y de esta manera la determinacin de velocidades ssmicas puede
guiar la conversin tiempo profundidad. Sin embargo, la precisin de las velocidades obtenidas
de correcciones NMO est sujeta a ciertas limitaciones. La anisotropa y otros factores hacen que
estas velocidades difieran de las velocidades verticales que deberan ser utilizadas para la
conversin tiempo-profundidad.
El geofsico debe convertir su data en una forma que sea lo ms significativa posible en
trminos geolgicos. Los marcadores de pozo y los ispacos se expresan en unidades de
distancia, no tiempo, y por tanto la informacin ssmica debe ser presentada de la misma manera.
Los mapas en tiempo no incorporan el efecto de cambios laterales de velocidad, que en casos
drsticos pueden ser responsables de reversiones en la direccin de buzamiento con respecto a
aquellas indicadas por los contornos en tiempo (Dobrin y Savit, 1988).

3.2.7. Una nota sobre migracin
El objetivo de la migracin es hacer que las secciones apiladas aparezcan similares a las
secciones geolgicas. Idealmente, queremos tener una seccin en profundidad a partir de la
seccin apilada. Sin embargo, comnmente la seccin migrada es mostrada en tiempo. Una razn
para ello es que la estimacin de velocidad basada en ssmica u otros datos siempre es limitada en
cuanto a precisin. Por tanto la conversin a profundidad no es completamente precisa. Este tipo
de migracin, llamada migracin en tiempo, es apropiada siempre y cuando las variaciones
laterales de velocidad sean moderadas. Cuando los gradientes laterales de velocidad son
significativos, la migracin en tiempo no genera la correcta imagen del subsuelo. En este caso se
necesita utilizar la migracin en profundidad (Yilmaz, 1987).

3.3. Atributos ssmicos
Son propiedades medibles de los datos ssmicos (amplitud, frecuencia, fase, polaridad),
que pueden ser tomadas en un instante de tiempo o en una ventana especfica de tiempo, para una
traza, una serie de trazas o una superficie interpretada de la ssmica (Schlumberger Oilfield
Glossary, 2005). A continuacin se presentan algunos de los atributos utilizados en este estudio,
clasificados segn Brown (2001).

23

3.3.1. Atributos de tiempo
Fase instantnea: puede identificar rasgos sedimentarios y tectnicos sutiles tales como
canales, pinchouts, discordancias, fallamiento sutil.
Coseno de fase: sirve como ayuda para la delineacin de estructuras.
Polaridad aparente: es el signo de la traza ssmica cuando la fuerza de reflexin tiene su
valor mximo. Al ser proporcional al contraste de impedancia acstica, puede ser til como un
indicador de puntos brillantes.

3.3.2. Atributos de amplitud
Energa promedio: es la amplitud RMS al cuadrado. Es una medida de reflectividad
dentro de una ventana de tiempo. Se utiliza para delinear indicadores directos de hidrocarburos en
una zona.
Amplitud RMS: mide reflectividad dentro de una ventana de tiempo, y se utiliza para
delinear indicadores directo de hidrocarburos. Se calcula as:

k
amp
RMS
n
i
=
2
(3.13)

Donde amp es la amplitud de cada muestra y k es el nmero total de muestras.
Magnitud promedio: calcula el promedio de los valores absolutos de las amplitudes para
cada traza en un volumen definido. Es menos sensible a valores altos que la amplitud RMS.
Suma de amplitudes, Suma de magnitudes: proveen una medida de brillo en el volumen.
Un valor alto podra indicar una alta proporcin de arena neta.
Amplitud Mxima, Amplitud Mnima: medidas de reflectividad.
Amplitud positiva promedio, Amplitud negativa promedio: indicadores de porosidad,
litologa.

24

Half Energy: es la proporcin de tiempo requerida para que la energa dentro de una
ventana alcance la mitad de la energa total dentro de toda la ventana. Este atributo podra indicar
cambios asimtricos en porosidad o litologa dentro de una zona especfica.
Desviacin estndar de la amplitud: mide la variabilidad de los valores de amplitud
ssmica en el intervalo definido. Se calcula as:

2
1
2
, 1
) 1 (
) (
=

=
n
Ave d
A
n i
i
std
(3.14)

Donde n es el nmero de muestras y Ave es el valor promedio de las muestras.
Intensidad de Reflexin: se asocia frecuentemente con cambios litolgicos entre rocas
adyacentes como discordancias, lmites de estratigrafa secuencial, acumulaciones de gas,
porosidades.

3.3.3. Atributos de frecuencia
Frecuencia instantnea: cambios rpidos en este atributo pueden indicar rasgos como
bordes de pinchouts y contactos de agua y petrleo. Un cambio hacia bajas frecuencias se
observa frecuentemente en reflectores por debajo de acumulaciones de hidrocarburo.
Ancho de banda instantneo: es una medida del rango de frecuencias de la data.
Secuencias cclicas de lutita tendrn una banda estrecha. Litologa muy variable tiende a tener un
mayor ancho de banda.
Duracin de loop inferior: es la separacin en tiempo de los cruces superior e inferior con
cero para el loop debajo del horizonte elegido (Figura 3.3.a).
Duracin de loop superior: es la separacin en tiempo de los cruces superior e inferior
con cero para el loop en el horizonte elegido (Figura 3.3.b).

25

Figura 3.3. (a) Duracin de loop inferior. (b) Duracin de loop superior. La lnea punteada
representa el cero, la lnea azul representa el horizonte y la flecha roja la separacin en tiempo
que mide el atributo.

Skewness de loop superior: es la medida de simetra de una distribucin estadstica
definida para el loop superior. Es cero para loops simtricos, tiene valores positivos para loop
cargados en el topes, y valores negativos para loops cargados en la base (Figura 3.4.a).
Kurtosis de loop: es una medida de peakedness de una distribucin estadstica definida
para el loop superior. Tiempo es la variante de inters y amplitud su probabilidad (Figura 3.4.b).

Figura 3.4. (a) Definicin grfica del skewness de loop superior. (b) Definicin grfica de la
kurtosis de loop

Asimetra de loop: se define respecto a la interpretacin del horizonte. Tiene valor
indefinido para loops simtricos.

26

3.3.4. Hbridos
Arc Lenght: es una medida de heterogeneidad de reflexin. Se utiliza para cuantificar
cambios laterales en patrones de reflexin. Puede detectar presencia de lutita en cuerpos
arenosos. Se calcula as:

muestreo ervalo i n
Z j amp j amp
Lenght Arc
n
j
_ int ) (
) ( ) 1 ( ) ( {
_
1
1
2 2

+ +
=

=

3.4. Petrofsica

3.4.1. Porosidad ()
Es el porcentaje de volumen de poro o espacio vaco, o aquel volumen dentro de la roca
que puede contener fluido. Se define como la fraccin de volumen que no es ocupada por la
materia slida. Se mide en volumen/volumen, porcentaje o fraccin porosa, y se define as:

b
p
b
gr b
V
V
V
V V
=
= (3.15)

Donde
b
V es el volumen total de roca,
gr
V es el volumen ocupado por los granos y
p
V es
el volumen poroso o volumen de poros.
La porosidad puede ser primaria (espacio entre granos) o secundaria. La porosidad
efectiva es el volumen de poros interconectados en la roca, que contribuyen al flujo de fluido en
un yacimiento. La porosidad total es el volumen total de poro por unidad de volumen de roca,
independientemente de si estos espacios porosos estn interconectados o no. De esta forma
incluye poros aislados y agua contenida en la arcilla (Tiab y Donaldson, 1996).

27

3.4.2. Volumen de Arcilla
Es una medida de la proporcin de arcilla en una formacin clstica, respecto al total de
roca. Un valor de 1 es representativo de una lutita pura, mientras que un valor de 0 corresponde a
una arena limpia. Mientras mayor el valor de volumen de arcilla en una formacin, esta se
considera de menor calidad como roca yacimiento. La Figura 3.5 muestra el criterio para definir
la lnea de arena limpia y la lnea de lutita en un registro de Gamma Ray. Este criterio tambin es
valido para registros de Potencial Espontneo (SP). El volumen de arcilla se calcula mediante la
siguiente frmula

GRcl GRsh
GRcl GR
Vsh
= (3.16)

Donde GR es el valor de gamma ray para la muestra, GRcl es el valor de gamma ray
definido para arena limpia, y GRsh en el valor de gamma ray definido para lutita.

Figura 3.5. Esquema mostrando la lnea de arena y la lnea de lutita definidas para
calcular el volumen de arcilla.

28

3.5. Regresin lineal. Anlisis multivariado
Dos variables que tengan un coeficiente de correlacin distinto de 0 se dice que estn
correlacionadas. Por tanto, se busca una funcin que, sabiendo el valor de una variable, arroje la
mejor aproximacin del valor desconocido de una segunda variable (Wackernagel, 1995).
Llamemos a esta mejor funcin como la funcin de determinado tipo que minimice la distancia
media cuadrtica a las muestras. En el caso de la regresin lineal, se utiliza para aproximar z una
funcin lineal, de tipo z=ay+b, la cual define una lnea recta sobre la data, cuya pendiente a e
intercepto b se calculan minimizando la siguiente ecuacin:

2
1
2
) (
1

ay b z
n
dist
n
a
=

=
(3.17)

Mientras ms fuerte la correlacin entre dos variables, menor ser la distancia de las
muestras a la recta ptima, mayor ser el poder explicativo de esta lnea recta y menor ser el
error promedio esperado (Wackernagel, 1995).
La extensin del anlisis lineal a ms de dos variables es directa. La funcin ahora ser de
tipo b y a y a y a y a z
n n
+ + + + + =
3 3 2 2 1 1
, donde
n
y y y y ,..., , ,
3 2 1
son las variables dependientes de
la regresin y
n
a a a a ,..., , ,
3 2 1
son los pesos de dichas variables, que junto con el trmino
independiente b se obtienen minimizando la distancia media cuadrtica.

3.6. Redes neuronales

3.6.1. Qu es una red neuronal?
Haykin (1999) la define como un procesador masivo paralelo compuesto de unidades
simples de procesamiento, que tiene una propensin natural de guardar conocimiento
experimental y hacerlo disponible para el uso. Se asemeja al cerebro humano en que (1) el
conocimiento es adquirido por la red a partir de su ambiente mediante un proceso de aprendizaje,
y (2) las conexiones inter-neurona, conocidas como pesos sinpticos, son utilizadas para guardar
el conocimiento adquirido. Entre las ventajas de las redes neuronales, tenemos (Haykin, 1999):

29

(a) no-linealidad, (b) mapeo entrada-salida, (c) adaptabilidad, (d) informacin contextual, y (e)
tolerancia a fallos.

3.6.2. Aprendizaje supervisado
La Figura 3.6 muestra un diagrama de flujo del aprendizaje supervisado. Podemos pensar
en trminos de un profesor, que tiene un conocimiento representado por un set de data entrada-
salida. Sin embargo, el ambiente es desconocido por la red neuronal. El profesor entonces provee
a la red una respuesta deseada, la cual representa la accin ptima a realizar por dicha red. Los
parmetros de la red son ajustados bajo la accin combinado del vector de entrenamiento y la
seal de error, la cual se define como la diferencia entre la respuesta deseada y la respuesta
generada por la red. Estos ajustes se realizan de manera iterativa, paso a paso, con el objetivo de
eventualmente lograr que la red neuronal emule al profesor. Al lograr esta condicin, se
dispensa al profesor y se deja a la red trabajar con el ambiente por s sola (Haykin, 1999).

Figura 3.6. Diagrama de flujo del aprendizaje supervisado (Haykin, 1999)

3.6.3. Red Neuronales Anticipativa de Mltiples Capas (MLFN).
La red est compuesta de una capa de entrada de entrada, una capa de salida, y una o ms
capas ocultas. Cada capa consiste de nodos, y los nodos estn conectados con pesos. Los pesos

30

determinan el resultado a partir de la capa de salida. El proceso de entrenamiento consiste en
encontrar los pesos ptimos entre los nodos (Figura 3.7), presentando a la red una serie de
ejemplos de entrenamiento. En el caso de atributos, cada ejemplo consiste de data de un
determinado valor en tiempo ) , , , (
4 3 2 1
A A A A donde
i
A son los diferentes atributos.
El problema de estimar los pesos puede considerarse un problema de optimizacin no
lineal, donde el objetivo es minimizar el error medio cuadrtico entre los valores estimados y los
valores reales de la variable a predecir. Este problema ha sido tradicionalmente resuelto mediante
propagacin hacia atrs, que es una forma de descenso de gradiente (Hampson et al, 2001).

Figura 3.7. Arquitectura de una MLFN (Modificado de Hampson et al, 2001)

3.6.4. Validacin cruzada y sobre-entrenamiento
Se espera que la red est bien entrenada para que aprenda suficiente del pasado para
generalizar en el futuro. En primer lugar, la data disponible se divide aleatoriamente en dos sets:
un set para seleccionar el modelo y otro para probar o validar el modelo. De esta manera se busca
validar el modelo en un set de datos diferente de aquel utilizado para la estimacin de los
parmetros. El uso de la validacin cruzada es importante para determinar cundo detener el
entrenamiento, de la siguiente manera:
En una situacin tpica, el error promedio decrece al aumentar el nmero de iteraciones
durante el entrenamiento: comienza en un valor alto, decrece rpidamente, y luego contina
decreciendo lentamente mientras la red se aproxima a un mnimo local. Esto es lo ocurre con la
data de entrenamiento. De esta manera es muy difcil determinar cundo detener el proceso
mirando slo esta curva. Pero podemos identificar la llegada del sobre-entrenamiento mediante la

31

validacin cruzada. La sesin de entrenamiento es detenido peridicamente, y la red es probada
en el set de validacin. De esta manera, la curva de la data de validacin decrece hacia un
mnimo, y posteriormente comienza a ascender mientras contina el entrenamiento. Este mnimo
define el punto ideal de detencin del entrenamiento. En la realidad, lo que la red est
aprendiendo luego de este punto es esencialmente ruido contenido en la data de entrenamiento
(Haykin, 1999). La Figura 3.8 muestra las curvas idealizadas de error promedio de las muestras
de entrenamiento y de validacin respecto al nmero de iteracin.

Figura 3.8. Grfica idealizada de error promedio vs nmero de iteracin tanto para las muestras
de entrenamiento como para las de validacin (Haykin, 1999). Se identifica el punto de detencin
del entrenamiento en el mnimo de error promedio para las muestras de validacin.

3.7. Geoestadstica y variable regionalizada
Es la estadstica de observaciones ubicadas en espacio o en tiempo. Esta data puede estar
correlacionada espacialmente o temporalmente. Una variable regionalizada es aquella distribuida
a lo largo del espacio. Ejemplo son espesores, porosidad, permeabilidad. El espacio puede tener
uno o ms dimensiones y puede incluir tiempo (Hohn, 1999).

3.7.1. Variograma
El variograma es la herramienta geoestadstica bsica para medir la autocorrelacin
espacial de una variable regionalizada. Como su nombre lo dice, es una medida de varianza. Una

32

manera directa de medir cmo una variable z cambia en valor desde el sitio x hasta otro sitio
separado h unidades, es decir x+h, es calcular la diferencia z(x)-z(x+h). La expresin matemtica
viene dada por:

n
h x z x z
h
2
)} ( ) ( {
) (
2
*
+
= (3.18)

La cantidad ) (
*
h es el variograma. As como la varianza en estadstica bsica, es una
suma de cuadrados dividida entre el nmero n de diferencias muestreadas. La Figura 3.9 muestra
los elementos fundamentales de un variograma.

Figura 3.9. Elementos de un variograma

En geologa de petrleo, ya que las muestras estn irregularmente espaciadas, se busca un
valor de yh para todos los pares de muestras separadas una distancia entre h1-h/2 y y h1+h/2. Los
valores ptimos de h estn sujetos a muchos factores (Hohn, 1999).

3.7.2. Anisotropa
El variograma, como vimos en la ecuacin 3.56, depende del valor de h pero es
independiente de x y de la orientacin del vector entre x y x+h. Pero muchos fenmenos

33

geolgicos exhiben anisotropa espacial en varianza. Construir el variograma para revelar
anisotropa requiere los mismos clculos antes analizados, pero ahora los vectores entre pares de
muestras son agrupados tanto en trminos de distancia como de direccin. Una manera til de
mostrar la direccin principal de anisotropa es un mapa de contornos de la superficie del
variograma, el cual se puede generar en muchos programas computacionales (Hohn, 1999).

3.7.3. Modelos tericos de variograma
Ajustar un modelo estndar a un variograma experimental es fundamental para la
estimacin y mapeo por mtodos geoestadsticos. El modelo de variograma es utilizado para
calcular parmetros necesarios para kriging. Los tres modelos fundamentales (Figura 3.10) son:

Esfrico: el variograma se asemeja en forma a una lnea recta en la cercana al origen.
Este modelo es llamado transitivo ya que alcanza un sill finito en un rango finito.
Exponencial: el modelo se aproxima al sill de manera asinttica. De los tres modelos, es
el de mayor pendiente en la cercana al origen.
Gaussiano: el modelo tambin se aproxima al sill de manera asinttica. Es el de menor
pendiente en la cercana al origen y es el nico con un punto de inflexin.
La figura muestra los tres modelos de variograma antes mencionados, asumiendo que
tanto el rango como el sill son iguales a 1.

3.7.4. Efecto nugget o pepita
Muchos variogramas experimentales no se aproximan a cero con la disminucin de
separacin. Esta observacin, llamada efecto nugget, implica cambios abruptos en la variable
regionalizada en distancia cortas, variabilidad a escalas espaciales menores que la distancia de
muestreo, o baja precisin en las medidas. El efecto nugget representa un componente aleatorio
en una variable regionalizada (se podra llamar ruido). En general, se debera buscar reducir el
efecto nugget lo ms posible para mejorar la precisin de las estimaciones, bien sea con mejor
control de pozos, examinando la data para posibles fuentes de error, o aplicando ajustes o factores
de correccin (Hohn, 1999).

34

Figura 3.10. Modelos de variograma.

3.7.5. Modelos en tres dimensiones
La variabilidad en una determinada distancia verticalmente es mucho mayor que en la
misma distancia horizontalmente. Por otra parte, el efecto nugget est casi ausente en la direccin
vertical, ya que las muestras son tomadas a una distancia muy corta, usualmente equivalente a la
resolucin de los registros de pozo. Por tanto, se debe buscar el modelo que mejor represente el
comportamiento de los variogramas experimentales, con un rango corto para la direccin vertical
y rangos mucho ms largos para las direcciones horizontales (Hohn, 1999).

3.7.6. Kriging
El kriging es un mtodo de calcular estimados de una variable regionalizada en un punto,
sobre un rea, o dentro de un volumen, utilizando como criterio la minimizacin de una varianza
de estimacin. Esta minimizacin se logra resolviendo una serie de ecuaciones. Estas ecuaciones
incluyen covarianzas entre el punto o volumen a ser estimado y los puntos de muestra y
covarianzas entre cada par de puntos de muestra. Los pesos calculados mediante la solucin del
sistema de ecuaciones dependen del tamao y forma del volumen a ser estimado, la distancia y
direccin de cada muestra del volumen a ser estimado, la distancia entre muestras, y el modelo de
variograma empleado. El kriging es un estimador exacto en el sentido que el estimado en un

35

punto de control es igual al valor observado. Tambin suaviza la data cuando el variograma
incluye un efecto nugget considerable (Hohn, 1999).

3.7.7. Geoestadstica multivariada. Cokriging.
Hohn (1999) enumera una serie de situaciones en las cuales se puede estudiar la
covarianza entre dos o ms variables regionalizadas. Una de ellas es cuando una variable presenta
un pobre muestreo, pero tiene una buena correlacin con una segunda variable que est mucho
mejor muestreada. Se puede tomar ventaja de esta correlacin para mejorar la estimacin de la
variable sub-muestreada.
El cokriging estima una variable regionalizada a partir de dos o ms variables co-
regionalizadas. Requiere variogramas para la variable primaria y cada uno de las variables
secundarias. Las ventajas del cokriging pueden desaparecer en la presencia de altos efectos
nugget en los variogramas, baja cross-correlacin, o alto rango en la variable sub-muestreada en
relacin al espacio entre muestras (Hohn, 1999).

CAPTULO IV
METODOLOGA

El presente estudio se desarroll en base a las etapas mostradas en el diagrama de flujo de
la Figura 4.1.

Figura 4.1. Diagrama de flujo de lo realizado en este estudio

37

4.1. Carga de datos y control de calidad

4.1.1. Ssmica
Fueron cargados al proyecto 8 lneas y un cubo 3D. La Figura 4.2 muestra el mapa base
con su ubicacin.

Figura 4.2. Mapa base del rea de estudio con ubicacin de las lneas (en rojo) y del cubo
ssmico (en azul)

La informacin se guard en una carpeta especial de smica, organizndose a su vez en
dos subcarpetas:
2D: fueron cargadas 8 lneas (slb1 a slb8), de aproximadamente 10 km de largo, y 700
puntos de disparo cada unq, que graban hasta 8000 ms de tiempo doble de viaje, con un intervalo
de muestreo de 4 ms. Las lneas son de carcter ms regional, y permiten hacerse una idea del
estilo estructural del rea.
3D: el cubo mig tiene 271 inlines (500 a 770) orientados en sentido este-oeste con una
longitud de 12100 pies (3,69 km), y 221 crosslines (360 a 590) orientados norte-sur con una
longitud de 14850 pies (4,53 km). El intervalo entre inlines es de 55 pies (17 m) (mismo intervalo

38

entre crosslines). Graba hasta 3500 ms de tiempo doble de viaje, con un intervalo de muestreo de
4 ms. No se cuenta con informacin acerca de sus parmetros de adquisicin ni de su secuencia
de procesamiento. Este cubo representa la base de las interpretaciones de horizontes y fallas que
sern utilizados para la construccin del modelo esttico.

4.1.2. Pozos.
Fueron cargados al proyecto un total de 28 pozos. La Figura 4.3 muestra el mapa con el
nombre y la ubicacin de los pozos en superficie respecto al levantamiento 3D. Ntese que hacia
el oeste del rea existe una aglomeracin de pozos en tres localidades, las cuales son enfocadas.

Figura 4.3. Mapa base con la ubicacin de los pozos. Los lmites del cubo se representan
en azul. Las reas encerradas en rojo (parte superior) y verde (parte inferior)
corresponden a concentraciones de pozos en plataformas.

39

Fueron cargados un total de 18 registros, entre los cuales tenemos: Gamma Ray, SP,
Caliper, Resistividad (somera, media y profunda), Densidad, Porosidad Total, Snico y Volumen
de Arcilla. Toda esta informacin fue guardada en una carpeta especial para datos de Pozo.
Adicionalmente se carg informacin de velocidad en forma de tiros de verificacin (Check
Shots), correspondiente a los 28 pozos en el rea de estudio. El software permite cargarlos en una
subcarpeta especial, donde automticamente calcula las velocidades intervlica y promedio para
cada intervalo definido por los pares T-Z.

4.1.3. Marcadores.
Se cargaron al proyecto marcadores en profundidad para los 28 pozos en el rea. Los
marcadores corresponden a 7 zonas (Caracas, Dallas, Houston, Houston-Base, Kobe, Paris, y
Salt). El programa tambin maneja los marcadores en una carpeta especial, donde se visualizan
en una hoja de clculo estilo Excel y pueden ser editados y manipulados.

4.1.4. Interpretaciones de horizontes.
Se dispona de 5 archivos de texto correspondientes a horizontes ya interpretados del cubo
3D, los cuales fueron importados al proyecto. Los horizontes son Caracas, Houston, Kobe, Paris
y Salt. Los datos fueron cargados en forma de puntos que luego fueron convertidos a
interpretaciones, permitiendo as su manejo en carpetas especiales de interpretacin, lo cual
otorga la oportunidad de borrar y/o reinterpretar dichos datos una vez dentro del proyecto.

4.1.5. Velocidades de apilamiento.
Fueron cargados al proyecto, en forma de puntos, datos de velocidades de apilamiento,
cada uno con su correspondiente coordenada XY, inline, crossline, tiempo doble en ms, y valor
de velocidad. La Figura 4.4 muestra una visualizacin, tanto en planta como en 3D, de los puntos
de velocidades de apilamiento disponibles en el rea. Se tienen puntos cada 16 crosslines (880
pies) y cada 18 inlines (990 pies) con velocidades entre 5000 y 11000 pies/s (1525 y 3355 m/s),
referidas a valores de tiempo doble de viaje entre 0 y 8000 ms.

40

Figura 4.4. Vista en 3D de los puntos de velocidades de apilamiento, cuyos colores
corresponden a los valores de velocidad en la escala ubicada en la parte superior
izquierda. La escala vertical corresponde a tiempo doble de viaje. La parte inferior
izquierda muestra la vista en planta de los puntos respecto al cubo (en azul).

4.2. Interpretacin y modelo esttico en tiempo.

4.2.1. Resolucin vertical
Se calcul la resolucin ssmica vertical, o espesor mnimo que puede ser resuelto por la
ssmica, para los horizontes Houston y Paris, que representan los topes de los intervalos de
inters. Esto se hace mediante la ecuacin 3.14. Las frecuencias dominantes se obtuvieron
mediante la generacin de mapas de frecuencia instantnea para cada uno de los niveles. A partir
de los histogramas de frecuencia obtenidos de los mapas (Figuras 4.5 y 4.6) , se determinaron las
frecuencias dominantes a ser utilizadas para el clculo de la resolucin ssmica.

41

Figura 4.5. Histograma de frecuencia instantnea para el horizonte Houston, mostrando la
frecuencia dominante (25,5 Hz).

Figura 4.6. Histograma de frecuencia instantnea para el horizonte Paris, mostrando la frecuencia
dominante (22,5 Hz).

42

Las velocidades para los intervalos de inters fueron calculadas a partir de los registros
snicos de los 26 pozos en el rea. Para cada intervalo, se tom el valor de lentitud promedio en
cada pozo y se calcul la media de estos valores. A partir de este valor medio se obtuvo la
velocidad promedio para dichos intervalos.
La Tabla 4.1 muestra la frecuencia dominante, lentitud promedio, velocidad promedio y el
valor calculado de resolucin vertical a partir de los parmetros anteriores, para los dos intervalos
de inters

Tabla 4.1. Valores de resolucin ssmica vertical para los intervalos de inters
Horizonte Frecuencia
dominante
Lentitud
promedio
Velocidad
promedio
Resolucin
vertical
Houston 25,5 Hz 119 s/pie 8400 pies/s 82 pies
Paris 22,5 Hz 116 s/pie 8620 pies/s 96 pies

4.2.2. Interpretacin estructural.
El primer paso para la construccin de un modelo esttico de celdas consiste en la
interpretacin ssmica. Como ya se mencion, se cuenta a priori con interpretaciones de
horizontes a partir del cubo ssmico.
Teniendo en cuenta la informacin disponible, los objetivos de la interpretacin y el
tiempo disponible, se decidi realizar la interpretacin nicamente de las fallas principales, es
decir, aquellas que cortaban uno o varios de los horizontes de inters. La Figura 4.7 muestra el
mallado de la interpretacin del horizonte Houston, junto con las fallas. Se identifican zonas de
ausencia de interpretacin, donde ocurre un salto abrupto en tiempo doble de viaje. Estas zonas
indican que se ha interpretado una discontinuidad en el reflector, y que por tanto all debera
cortar una falla. Como se observa, los horizontes interpretados proveen una manera directa de
controlar la interpretacin de las fallas a lo largo de su rumbo.

43

Figura 4.7. Vista en planta de la interpretacin del horizonte Houston y de los planos de
las fallas. Obsrvese cmo los rumbos de dichas fallas siguen las zonas de ausencia de
interpretacin. La flecha verde indica el norte.

Adicionalmente, se realiz la corrida de cubos de atributos de varianza a partir del cubo
original en 3D, con la finalidad de resaltar los rasgos posiblemente asociados a discontinuidades
estructurales (Figura 4.8.a). Los resultados de dichos cubos sirvieron como gua para la
interpretacin, tanto a nivel de inlines y crosslines, como de tajadas en tiempo (time slices).
El programa dispone de un flujo de trabajo para deteccin automatizada de bordes,
llamado Ant Tracking. El cubo de varianza generado en la corrida de atributos servir como
dato de entrada para el proceso, el cual se basa en un algoritmo novedoso que emula el
comportamiento de colonias de hormigas y el uso de ferormonas para marcar sus caminos con
el propsito de optimizar su bsqueda de comida (Ayuda de Petrel). El resultado es un nuevo
cubo que resalta en detalle las zonas de discontinuidades en los reflectores. Queda a criterio del
intrprete determinar si estas discontinuidades estn asociadas efectivamente a fenmenos
estructurales, o si provienen de huellas de adquisicin o de ruido.

44

Se us este algoritmo con el cubo mig original, para ayudar en la interpretacin. La Figura
4.8.b muestra un crossline del cubo de ant-tracking generado, que permite hacerse una idea
general del marco estructural del rea, para realizar la interpretacin pensando en trminos de
sistemas de fallas.

Figura 4.8. Cubos de atributos generados para ayudar en la interpretacin estructural. (a)
Crossline 500 del cubo de Varianza generado a partir del cubo ssmico original. (b)
Crossline 500 del cubo de Ant Tracking.

Como se puede observar en la Figura 4.7, adems de las zonas de fallas, existen zonas al
noroeste en las cuales falta interpretacin. Esto se debe a la disminucin de la relacin seal-
ruido asociada a la cercana del domo salino en esa zona. Esto ocurre tambin en las
interpretaciones de los horizontes Kobe y Paris. Por lo tanto, para la generacin de los mapas en
tiempo de estos horizontes, luego de una revisin detallada del mallado de interpretacin, ste se
refin de la mejor manera posible, completando la interpretacin donde el reflector poda ser
correlacionado, utilizando preferentemente el mtodo de interpretacin manual.

45

Posteriormente, se procedi a interpolar y extrapolar los mallados de las interpretaciones
mediante un algoritmo llamado Convergent Interpolation. De esta manera, se generaron
superficies o mapas en tiempo de cada uno de los horizontes interpretados.

4.2.3. Modelado de fallas.
El propsito de este paso es definir la forma de cada una de las fallas que va a ser incluida
en el modelo esttico de celdas. A partir de un dato de entrada que defina un plano de falla, bien
sea una superficie, un conjunto de polgonos o, en nuestro caso, una serie de segmentos de falla
provenientes de una interpretacin ssmica, el software genera un nuevo plano definido por un
conjunto de segmentos llamados pilares. Cada pilar se compone de una serie de puntos,
denominados shape points. Un pilar puede contener 2, 3 5 shape points. Con esto se puede
generar un plano de falla vertical o lineal (donde cada pilar tiene un nico buzamiento), lstrico (2
buzamiento por pilar) o curvo (hasta 4 buzamientos por pilar). La Figura 4.9 muestra todo esto.

Figura 4.9. Composicin y geometras de planos de falla modeladas por el software

Como las fallas que se interpretaron de la ssmica tienen un comportamiento lstrico, se
decidi modelar las fallas en base a esta geometra. Es importante destacar que en esta etapa
estamos generando un modelo, el cual tratar de representar de la mejor manera posible el
buzamiento de la falla interpretada, pero tendr la limitante de que, al estar compuesto de pilares
rectos, no seguir estrictamente la interpretacin.
Por estas razones, se debi emplear una buena cantidad de tiempo realizando el control de
calidad del modelo de fallas. Esto implic la edicin de los pilares y de los shape points, de
manera que el plano de la falla modelada se aproximara lo mejor posible al buzamiento de la falla
interpretada, y adems que respetara los saltos en tiempo de los horizontes interpretados. Esto se
realiz detalladamente en cada falla y cada salto en cada horizonte.

46

4.2.4. Mallado de pilares (Pillar gridding)
El pillar gridding es el proceso de construccin del esqueleto, el cual se compone de tres
mallas, vinculadas a los shapes points superior, medio e inferior de los pilares de las fallas
modeladas. Adems de estas tres mallas, hay pilares conectando cada nodo de la malla a su nodo
correspondiente en la malla adyacente. La Figura 4.10 muestra de manera simplificada el
principio del pillar gridding. Se trabaja con la malla media, y una vez satisfechos con su
construccin, sta se extrapola a los niveles superior e inferior.

Figura 4.10. (a) Dibujo esquemtico de la malla media del esqueleto, mostrando cmo las
celdas (simplificadas a un mayor tamao) se orientan de acuerdo a la direccin de los
polgonos de las fallas modeladas (en rojo). (b) Dibujo esquemtico del proceso de Pillar
Gridding. En azul se representa las mallas superior, media e inferior. Las lneas verdes
discontinuas representan los pilares conectores de nodos adyacentes. Los segmentos
negros representan los pilares de falla, unidos por los shape points (pequeos crculos
blancos). El plano de falla aparece relleno de color rojo.

Si bien la malla media produce un buen resultado, es posible que la extrapolacin genere
mallas inferior y/o superior defectuosos. Este se debi en nuestro caso al hecho de que las fallas

47

estaban muy cerca unas de otras y no necesariamente paralelas, generando que se cruzaran los
pilares al propagar la malla hacia abajo. Nuevas ediciones del modelo de falla fueron necesarias
para eliminar estos problemas.

4.2.5. Insercin de horizontes
Teniendo ya el marco estructural, se agrega la informacin correspondiente a los
horizontes interpretados. En base a un dato de entrada correspondiente a una superficie en tiempo
interpretada de la ssmica, el proceso re-muestra esta superficie a la resolucin de la malla (en
este caso 50x50 pies). En las zonas adyacentes a las fallas, el proceso elimina el dato de entrada a
partir de una cierta distancia al plano de falla, la cual es dada por el usuario, e interpola el
horizonte hacia ambos lados de este plano en esta distancia. La Figura 4.11 muestra este proceso
y el efecto que produce sobre la interpolacin dos distancias diferentes al plano de falla para un
mismo dato de entrada. Ntese que para distancias muy pequeas, la interpolacin genera un
falso arrastre, que no est representado en el dato de entrada (Figura 4.11.a). En contrapartida,
distancias muy grandes ocasionan la posible prdida de datos en zonas de buena calidad en la
interpretacin. Por lo tanto, fue necesario hacer pruebas con este valor de distancia hacia la falla
de manera que el horizonte generado respetara de la mejor manera el salto dado por el dato de
entrada. Esto tom varias corridas de proceso hasta obtener un resultado ptimo para cada salto
de falla en cada horizonte.

Figura 4.11. Esquema de la interpolacin (segmento rojo puntuado) del horizonte a partir
del dato de entrada (azul) en la zona adyacente a una falla normal, dependiendo de la
distancia de interpolacin seleccionada (zona amarilla). El segmento rojo continuo
representa la falla. (a) 50 m a ambos lados de la falla, (b) 100 m a ambos lados de la falla.

48

Fueron insertadas al modelo las superficies creadas a partir de las 5 interpretaciones
disponibles (Caracas, Houston, Kobe, Paris, Salt) ms la base del modelo, la superficie constante
de 4000 ms. Con la excepcin de Salt, en donde van a truncarse los horizontes Houston, Paris y
Kobe y por tanto se tom como superficie base, todas las dems superficies se tomaron como
concordantes.

4.2.6. Control de calidad de la malla 3D.
Se ha de chequear la integridad de las celdas para asegurarse de que no haya celdas
colapsadas. Para ello, el software ofrece una opcin de modelado geomtrico de propiedades de
celda llamada volumen total de celda o Bulk Volume. La propiedad final debera indicar
volmenes de celda positivos. Un valor negativo debe ser indicativo de que dicha celda se
encuentra colapsada, casi siempre por algn problema en los procesos anteriores (modelado de
fallas, pillar gridding y/o insercin de horizontes). Se corre el proceso en el modelo 3D ya
definido. Cuando se obtiene una malla libre de valores negativos, ya est lista para la conversin
tiempo-profundidad y el modelado de propiedades.

4.3. Conversin Tiempo-Profundidad.

4.3.1. Control de Calidad de los Datos.
Para la construccin de modelos de velocidades basndose en informacin de pozos y
guiada por marcadores en profundidad, se hizo en primer lugar la preparacin de los datos para
luego utilizarlos como datos para el modelo. Esta preparacin consiste de varias etapas:

4.3.1.1. Revisin de los Check Shots.
Antes de utilizar estos datos para conversin de dominio, es fundamental verificarlos en
bsqueda de tendencias, regmenes de compactacin, zonas de inversin o anomalas. Como ya
se mencion en el apartado de la carga de datos, los check shots se manejan en una sub-carpeta
especial que calcula automticamente las velocidades intervlica y promedio para cada intervalo

49

definido por los pares TZ. Por tanto, el control de calidad de los check shots se basa en desplegar
grficos de Velocidad versus Profundidad para los pozos que posean datos de velocidad.
Luego de la revisin pozo a pozo de las grficas de Velocidad Intervlica versus
Profundidad, se encontraron anomalas en algunos pozos. La Figura 4.12 muestra la grfica del
pozo Jasper. Obsrvese que a partir de los 12000 pies de profundidad, la velocidad intervlica
desciende abruptamente. Un fenmeno similar, a la misma profundidad, se observa en el pozo
Copper. Los registros para estos pozos (snico, gamma ray) no mostraban ninguna tendencia
anmala a partir de esta profundidad; a su vez dicha anomala se encuentra muy por debajo de los
intervalos de mayor inters, por lo que no se tomar en cuenta para los modelos de velocidades.

Figura 4.12. Grfica Velocidad Intervlica (escala en pies/s) vs Profundidad (escala en
pies) para el check shot del pozo Jasper. Los puntos anmalos aparecen encerrados en el
crculo.

4.3.1.2. Calibracin del Snico con los Check Shots.
Se emple esto de manera de obtener un nuevo registro de velocidad con mejor
resolucin que los check shots y que abarque un intervalo ms amplio que el registro snico.
Teniendo registros snicos y datos de check shots para los 26 pozos en el rea, se realiz la

50

calibracin con todos los pozos. La Figura 4.13 muestra 3 pozos con diferente tipo de calibracin.
En el panel de la izquierda se muestra el registro de velocidad proveniente de los Check Shots (en
negro) junto con el registro de velocidad a partir del snico (rojo). El pozo Diamond (a) muestra
una excelente correlacin, el pozo Quartz (b) muestra una correlacin buena a partir de una cierta
profundidad (aproximadamente 5500 pies), mientras que en el pozo Barite (c) la correlacin no es
muy buena. El panel derecho de los tres pozos muestra el registro de velocidad calibrada. Como
se puede observar, estos registros muestran una tendencia de aumento de velocidad con la
profundidad, con pequeas variaciones locales.

Figura 4.13. Registro snico (rojo) junto con curva de velocidad proveniente de check shots
(panel izquierdo) y registro calibrado (panel derecho). (a) Pozo Diamond, (b) pozo Quartz, y
(c) pozo Barite.

4.3.1.3. Amarre Ssmica-Pozo.
Al tener una relacin tiempo-profundidad para cada pozo, es posible realizar la
correlacin entre las superficies interpretadas de la ssmica asociadas al tope de los intervalos de
inters, y sus correspondientes marcadores interpretados de los pozos. Esta etapa del control de

51

calidad es fundamental, ya que permite detectar posibles problemas que se presentarn a la hora
de la construccin del modelo de velocidades, a nivel de calidad de marcadores, de la
interpretacin y de la relacin tiempo-profundidad propiamente dicha. Diferencias entre el
reflector ssmico y el marcador del pozo pueden ser producto de varios factores. Uno de ellos es
la relacin tiempo-profundidad, la cual podra no estar bien calibrada, con lo cual probablemente
estara causando estos errores.
Una manera de comprobar cuantitativamente la calidad del amarre ssmica-pozo, consiste
en calcular la diferencia entre los valores de tiempo doble de los marcadores en cada pozo
obtenidos a partir de la relacin tiempo-profundidad, y los valores en tiempo doble de la
superficie ssmica asociada a estos marcadores, en los punto donde sta intersecta los pozos. Para
cada superficie, el programa realiza este clculo de manera automtica, desplegando las
diferencias para cada pozo en una hoja de clculo. Se consideraron los errores iguales o mayores
a 10 ms, que corresponden aproximadamente a un cuarto del perodo de la seal ssmica,
considerando que sta es de frecuencia promedio aproximadamente igual a 30 Hz.
En los pozos donde se presentan errores en ms de una superficie, se hizo una revisin
exhaustiva de la relacin tiempo-profundidad. Se pudo constatar que en cuatro de los pozos,
Amethyst, Dolomite, Mica y Barite, las diferencias entre la relacin tiempo-profundidad del
snico calibrado y la de los check shots eran significativas, indicando una mala calibracin que
en tanto genera una relacin errnea. Por lo tanto se decidi desechar la calibracin con el snico
en estos pozos e implementar la relacin tiempo-profundidad de los check shots nicamente. En
el resto de los pozos las dos relaciones eran prcticamente iguales, por lo que se valid la buena
calibracin snico-check shots.
La Tabla 4.2 muestra los pozos con diferencias iguales o mayores a 10 ms. A partir de
stos se extraen las siguientes consideraciones

Tabla 4.2. Lista de pozos con diferencias mayores a 10 ms en el amarre con la ssmica
Antes de la revisin Despus de la revisin
Superficie Pozos Pozos
Caracas Flourite, Amethyst, Mica, Barite Flourite

52

Houston Garnet, Beryl, Mica Garnet, Beryl
Kobe Talc, Quartz, Jade, Gypsum, Garnet,
Emerald, Feldspar, Dolomite,
Cobald, Chalcopyrite, Beryl,
Bauxite, Basalt, Albite, Agathe
Talc, Quartz, Jade, Gypsum, Garnet,
Emerald, Feldspar, Dolomite,
Cobald, Chalcopyrite, Beryl,
Bauxite, Basalt, Albite, Agathe
Paris Garnet, Beryl, Amethyst Garnet, Beryl
Salt Mica, Jade, Gypsum, Barite Mica, Jade, Gypsum, Barite

- La superficie Caracas muestra un error importante en un solo tope, el del pozo
Flourite.
- En las superficies Houston, Kobe y Paris se dan errores en los topes
provenientes de los pozos Beryl y Garnet.
- Los errores en la superficie Salt pueden ser debido al alto grado de
incertidumbre que genera la interpretacin de esta superficie, que no representa
un reflector continuo.
- La superficie Kobe nicamente presenta errores en los pozos en la zona de
aglomeracin al oeste del rea. La interpretacin del horizonte fue sujeta a una
rigurosa revisin. La Figura 4.14 muestra una interseccin del cubo ssmico
dibujada para que pase por varios pozos. Se observa un reflector de amplitud
positiva (pico) con una buena continuidad, el cual corresponde al horizonte
Kobe, y que amarra bien con los topes al este, en contraste con los del oeste.

Una vez preparados los datos, ya pueden ser incluidos como dato de entrada para los
modelos de velocidades.

53

Figura 4.14. Seccin ssmica orientada de manera que pase sobre varios pozos. El mapa
(parte inferior derecha) muestra el polgono de la seccin (lnea roja) y la ubicacin de
los pozos (crculo con cruces). En la seccin se muestra el horizonte Kobe interpretado
(pico de amplitud positiva) y los topes en tiempo de los pozos (puntos blancos)

4.3.2. Construccin de modelos de velocidades
El mdulo Make Velocity Model del software permite generar modelos de velocidades
para conversin de dominio. Las diferentes opciones de parmetros de entrada son:

Dato de entrada (input): representa el lmite inferior del intervalo para el que se model
una ley de velocidades. Puede ser un valor de tiempo constante, una superficie en tiempo o un
horizonte proveniente de una interpretacin ssmica. Este dato de entrada ser convertido a
profundidad de acuerdo con la ley de velocidades seleccionada.

54

Correccin: representa los marcadores en profundidad disponibles en los pozos. Si se
toman como opcin, se generarn dos modelos. Un modelo original que no considere esta
correccin y realice la conversin nicamente en base a la ley de velocidades seleccionada, y un
modelo final corregido en el cual se calcula la velocidad para la cual las superficies ajustan a los
marcadores en cada pozo. Hay posibilidad de descartar algunos topes de pozo si se considera que
no son confiables para el amarre.
Leyes de velocidades: existe la opcin de modelar la velocidad para cada intervalo
definido por los datos de entradas. Se puede elegir una velocidad intervlica constante, velocidad
linealmente variable con la profundidad, velocidad a partir de un cubo SEG-Y o a partir de una
propiedad de velocidad promedio proveniente de una malla 3D.
Tipo de dato: esta opcin slo est disponible para las leyes de velocidades intervlicas
constantse y linealmente variables con profundidad. Los mapas de velocidad y de K (pendiente
de variacin lineal de velocidad) pueden definirse como una superficie, un valor constante,
derivados a partir de la relacin tiempo-profundidad de los pozos (generando constante o
superficie), o derivados a partir de la correccin de los topes (generando constante o superficie).

Los tipos de datos de salida que genera el modelo de velocidades son los siguientes:

Cubo SEG-Y: se genera para visualizar en 3D la distribucin de velocidades resultantes.
Mapas de velocidad: representan los valores de Vo para los intervalos definidos por los
datos de entradas. No disponibles para modelos generados a partir de cubos o de propiedades.
Registros de tiempo y de velocidad: sirven como control de calidad al compararse con los
registros de velocidad ajustada generados con la calibracin snico-check shots.
Residuales en los topes: definen el error de profundidad entre las superficies convertidas y
sus topes en cada pozo. Estos valores se presentan en un reporte de pozo en forma de hoja de
clculo.

55

4.3.2.1. Modelos de velocidades basados en curvas T-Z de los pozos
Estos modelos se generan en el caso de contar con relaciones tiempo-profundidad en ms
de un pozo. Los parmetros son los siguientes:

Dato de entrada: las cinco superficies en tiempo
Correccin: topes
Ley de velocidad: Velocidad intervlica constante, velocidad variable con profundidad
Tipo de dato: Vo como superficie y k como valor constante, a partir de la relacin tiempo-
profundidad de los pozos

El programa, basado en el mtodo de minimizacin del error de profundidad (Apndice
1), calcula un valor de Vo y de k para cada pozo (ver Ecuaciones 3.11 y 3.12). El valor de Vo lo
interpola lateralmente para generar un mapa para cada intervalo, mientras que el valor de k es
promediado para arrojar un valor constante para cada intervalo. Este es el modelo original, que no
considera la correccin de los marcadores. Posteriormente se genera un modelo corregido en el
cual se calcula la velocidad para las que las superficies ajustan a los marcadores en cada pozo, en
base al mismo principio de minimizacin del error de profundidad. Adicionalmente se
generaron tres modelos con los mismos principios que los tres anteriores, pero considerando el
escenario de contar nicamente con relaciones tiempo-profundidad en 4 pozos. La Tabla 4.3
resume los modelos generados y sus variantes.

Tabla 4.3. Modelos de velocidades basados en curvas TZ de los pozos
Modelo Ley de Velocidad Pozos
TZ1 Velocidad intervlica constante 26
TZ2 V=Vo+kZ 26
TZ3 V=Vo+k(z-z0) 26

56

TZ4 Velocidad intervlica constante 4 (Apatite, Copper, Dolomite, Diamond)
TZ5 V=Vo+kZ 4 (Apatite, Copper, Dolomite, Diamond)
TZ6 V=Vo+k(z-z0) 4 (Apatite, Copper, Dolomite, Diamond)

4.3.2.2. Modelos de velocidades basados en velocidades de apilamiento
Se generan estos modelos en caso de no contar con informacin de velocidad proveniente
de pozos, pero s de la ssmica. Los parmetros utilizados para el modelo inicial son:

Correccin: topes
Ley de velocidad y tipo de dato: propiedad de velocidad promedio

La propiedad se gener de la siguiente manera: se cre una malla simple en 3D, sin
informacin estratigrfica ni estructural, con resolucin lateral de 200x200 pies (debido al
carcter suavizado de las variaciones de las velocidades de apilamiento) y resolucin vertical de
100 ms (intervalo de muestreo de los puntos de velocidad). Posteriormente, los puntos de
velocidades de apilamiento fueron convertidos a velocidades intervlicas y velocidades promedio
va la ecuacin de Dix (Seccin 3.2.2, Ecuacin 3.10). Los puntos de velocidad promedio fueron
escalados a la malla 3D, generando la propiedad. La interpolacin lateral y vertical de dicha
propiedad se realiz en el proceso de Modelado Petrofsico, aplicando un algoritmo
determinstico denominado Moving Average. La propiedad de velocidad promedio final se utiliza
como dato de entrada para el modelo. La correccin por topes hace que se genere un modelo
original y un modelo final corregido.
La Tabla 4.4 muestra los parmetros de la interpolacin por Moving Average utilizados
para cuatro modelos diferentes.

57

Tabla 4.4. Modelos de velocidad generados a partir de velocidades de apilamiento
Modelo Rango Vertical Mtodo de peso por puntos
VA1 10 Igual
VA2 500 Igual
VA3 10 Inverso del cuadrado de la distancia
VA4 500 Inverso del cuadrado de la distancia

4.3.2.3. Modelos de velocidades basados en funciones definidas por el usuario

Velocidades promedio vs tiempo doble (no toma en cuenta variaciones laterales)
Correccin: topes

Se hizo una grfica de velocidad promedio vs tiempo doble de viaje para todos los pozos
en el rea. A partir de esta grfica se ajust una funcin a los puntos (Figura 4.15). En base a la
malla 3D ya generada, mediante el proceso de modelado petrofsico se cre una nueva propiedad
de velocidad promedio. El mtodo de modelado se denomina assign values, utilizando como dato
de entrada la funcin ajustada. Esta nueva propiedad de velocidad promedio fue utilizada como
dato de entrada para el modelo, al cual nuevamente se le incluy correccin de marcadores.

Profundidad vs tiempo doble
A partir de la grfica de profundidad versus tiempo doble, se ajusta la funcin (Figura
4.16). El software permite convertir superficies de tiempo a profundidad mediante la aplicacin
de estas funciones en forma de lookup table. Aqu no se involucra la construccin de un modelo

58

de velocidad, adems que no se toma en cuenta variaciones laterales. Los mapas estructurales en
profundidad deben ser generados y se debe calcular el residual con los marcadores.

Figura 4.15. Grfica Velocidad Promedio (escala en pies/s) vs Tiempo doble (escala en
ms) para todos los pozos, con su funcin de ajuste (lnea oscura).

Figura 4.16. Grfica Profundidad (escala en pies) vs Tiempo doble (escala en ms) para
todos los pozos, con su funcin de ajuste (lnea oscura).

59

4.3.2.4. Modelos de velocidades combinando informacin de pozo con
velocidades de apilamiento (Factor de anisotropa)
Se generan estos modelos en caso de contar con informacin de velocidad proveniente
tanto de pozos como de la ssmica. Los parmetros utilizados son:

Correccin: topes

La propiedad se genera de la siguiente manera: ya se tiene la propiedad de velocidad
promedio a partir de velocidades ssmicas, la cual fue calculada para modelos anteriores. Ahora,
se genera una propiedad de velocidad promedio a partir de la relacin tiempo profundidad de los
pozos. Estos datos son escalados a la malla 3D (cabe destacar que se utilizan velocidades
provenientes de los check shots, y no de los snicos calibrados, ya que la resolucin vertical de la
malla es muy grande para captar las sutiles variaciones de estas ltimas). Posteriormente,
mediante la opcin de calculadora de propiedades que ofrece el software, se calcula un factor de
anisotropa entre las velocidades ssmicas y las velocidades de pozo, mediante la siguiente
frmula: F_Aniso = Vavg (wells) / Vavg (seismic). Entonces este valor se grafica versus el tiempo
doble de viaje correspondiente a la celda de la cual proviene dicho valor. De esta grfica F_Aniso
vs tiempo doble de viaje (Figura 4.17), se construye una funcin de tendencia que suavizar los
valores del factor de anisotropa. Esta funcin, de nuevo mediante la calculadora, es multiplicada
por la propiedad de velocidad promedio ssmica original, dando como resultado la propiedad
calibrada. De nuevo se aplica la correccin con marcadores. Se aplic este modelo tanto para el
caso de 26 pozos como para el caso de 4 pozos (Apatite, Copper, Dolomite, Diamond).

4.3.2.5. Modelo de velocidades basado en interpolacin por kriging de los valores
de velocidad en los pozos.
Correccin: topes

60


Figura 4.17. Grfica Funcin de Anisotropa (adimensional) vs Tiempo doble (escala en
ms), con su funcin de ajuste suavizada (lnea negra).

Para la interpolacin lateral de la propiedad de velocidad promedio, en primer lugar es
necesario determinar la direccin de anisotropa de dicha propiedad. Para ello, se genera un mapa
de varianza (Figura 4.18). Podemos observar que la propiedad presenta una ligera anisotropa.
aumentando su varianza ms rpidamente (es decir, los valores pierden correlacin) en la
direccin NNW-SSE. Por lo tanto, la direccin de rango mayor ser la direccin WSW-ENE.
Posteriormente, para la generacin de los variogramas que se utilizarn en la interpolacin
lateral y vertical de la propiedad, se utiliza el mdulo de Data Analysis. Con la propiedad de
velocidad, y de acuerdo con ciertos parmetros de escogencia de los puntos para el clculo de la
varianza (distancia h o lag, radio de bsqueda, ngulo de abertura), se generan tres variogramas
experimentales, uno en la direccin de rango mayor, otro en la direccin de rango menor (ambas
determinadas mediante el mapa de varianza) y un tercero en la direccin vertical. Cada
variograma experimental es ajustado a un modelo de variograma que puede bien ser gaussiano,
esfrico o exponencial. El modelo seleccionado presenta rangos diferentes en las tres direcciones;

61

sin embargo debe tener la misma asntota y el mismo efecto pepita. De modo que el proceso se
considera satisfecho cuando, ajustando los parmetros de bsqueda, se logre en los 3 variogramas
(a) ajustar el modelo lo ms posible al variograma experimental, (b) una asntota cercana a 1, y
(c) un efecto pepita cercano a 0.
Este modelo de variograma ser utilizado para interpolar la propiedad en 3D, la cual ser
utilizada como dato de entrada para el modelo. Esto se hizo para el caso de 26 pozos y tambin
para el caso de 4 pozos.

Figura 4.18. Mapa de varianza para la propiedad de velocidad promedio derivada de los
pozos. La flecha indica la direccin de rango mayor, que es perpendicular a la direccin
de mayor anisotropa.

4.3.2.6. Modelos de velocidades basados en geoestadstica combinando
informacin de pozo con velocidades de apilamiento
Correccin: topes

62

Teniendo la propiedad de velocidad a partir de velocidades ssmicas y la propiedad de
velocidad a partir de la relacin tiempo profundidad de los pozos, ambas se combinan en el
proceso de modelado petrofsico. Los variogramas ya han sido obtenidos a partir del proceso
explicado en el modelo anterior. Los algoritmos utilizados son:

Kriging con tendencia: se implementa el kriging con las velocidades de pozo al igual que
en el modelo anterior, sin embargo con la variante de introducir una propiedad secundaria que
sirva como tendencia al proceso de interpolacin, en este caso la propiedad de velocidad ssmica.
Cokriging: la propiedad primaria es la velocidad de los pozos, y se le asigna la velocidad
ssmica como propiedad secundaria. El factor de correlacin entre ambas propiedades es
calculado automticamente por el software.
La Tabla 4.5 muestra los modelos generados con sus diferentes variantes.

Tabla 4.5. Modelos de velocidades generados combinando velocidades de pozo con ssmica
mediante geoestadstica
Modelo Mtodo de interpolacin Pozos
KPS1 Kriging con tendencia 26
KPS2 Kriging con tendencia 26
KPS3 Cokriging 4 (Apatite, Copper, Dolomite, Diamond
KPS4 Cokriging 4 (Apatite, Copper, Dolomite, Diamond)

4.3.3. Validaciones cruzadas.
La idea general de la validacin cruzada es determinar el poder predictivo de un modelo.
De esta manera, se compara el valor real de una variable en un punto, proveniente de una

63

medicin dura, con el valor que la variable adquirira en tal punto en caso de que no hubiere data
en ste. En este caso, se retira el dato de velocidad de un pozo cualquiera del anlisis y se calcula
el valor de velocidad en la ubicacin de este pozo, tomando como dato de entrada las velocidades
de los dems pozos en el rea. En cada pozo se calcula el error porcentual entre el valor real y el
valor modelado, y se calcula el promedio del error para todos los pozos.
Se realiz validacin cruzada en cada tipo de modelo de velocidad implementado para
determinar el poder predictivo de los modelos y compararlos unos con otros. Esto se hizo para
todos los tipos de modelo, y tanto para el caso de 26 pozos como para el caso de 4 pozos.

4.4. Anlisis de atributos ssmicos

El software permite generar volmenes de atributos a partir del cubo ssmico original de
amplitudes, o a partir de otro cubo de atributos. A su vez, se pueden extraer mapas de atributos
con opcin para calcularlos entre dos valores de tiempo, entre dos superficies o en una misma
superficie. Esta ltima opcin permite el clculo del atributo en una ventana de tiempo por
encima o por debajo de esta superficie.
Existe una ventaja de trabajar con mapas, y es que simplemente se dispone de una mayor
cantidad de atributos. El software posee dos libreras de atributos diferentes, la correspondiente a
atributos de volumen y la de atributos de superficie. Por lo tanto, se pueden generar mapas
directamente de los atributos de superficie disponibles, y tambin se pueden extraer los valores de
los atributos de volumen para generar nuevos mapas.

4.4.1 Seleccin de los horizontes y de la ventana de tiempo para el clculo de los mapas
de atributos.
Se tomaron los horizontes Houston y Paris, por representar stos los topes de los
intervalos de inters. En cuanto a la ventana de tiempo, se hicieron las siguientes consideraciones
con los horizontes seleccionados:
El tope presenta un contraste de impedancia representado ssmicamente por un pico. La
base del intervalo, aunque no ha sido interpretada, s presenta marcadores en los pozos. La
ventana para el clculo de los atributos es constante, va desde el horizonte hasta 15 milisegundos

64

por debajo de ste. Ello aplica tanto para el horizonte Houston como para el horizonte Paris. Las
excepciones se dan en el caso de los atributos instantneos (frecuencia, fase) en los cuales el
clculo del atributo se hace sobre el horizonte, sin ventana de tiempo.

4.4.2. Generacin de mapas de atributos
Se generaron aproximadamente 55 mapas de distintos atributos para cada intervalo, con
un total aproximado de 110 mapas. El valor del atributo se calculaba en base a la ventana de
tiempo seleccionada, con la excepcin de los atributos instantneos (frecuencia, fase), en los
cuales dicho valor se calculaba justo en la superficie correspondiente al horizonte seleccionado
(sin ventana de tiempo). La resolucin lateral de los mapas es de 50x50 pies.

4.4.3. Seleccin de las propiedades petrofsicas a correlacionar con los atributos
En base a la disponibilidad de registros en la zona, se tomaron en cuenta las siguientes
propiedades: Porosidad total (25 pozos), Lentitud de onda P (26 pozos), Volumen de Arcilla (24
pozos), e Impedancia Acstica (4 pozos). Esta ltima propiedad se encuentra limitada debido a
que hay pocos registros de densidad; sin embargo, ser tomada en cuenta debido a su relacin
directa con la ssmica.

4.4.4. Extraccin de los valores de las propiedades y de los atributos en la vecindad de los
pozos.
En esta parte cobra importancia la relacin tiempo-profundidad en los pozos, ya analizada
en secciones anteriores. En los pozos que contengan registros de las propiedades a correlacionar,
el valor de dicha propiedad ser calculado en la ventana de tiempo alrededor del horizonte a
correlacionar. El amarre de la ssmica con el pozo debe ser excelente, de modo que este valor se
corresponda con aqul a nivel del marcador asociado a este horizonte. Los valores de las
propiedades se extrajeron nicamente en los pozos que contenan dichos registros y en cuales
estaba definido el intervalo mediante marcadores interpretados.
En cuanto a los valores de los atributos, ya que stos al provenir de trazas ssmicas
derivadas de una geometra de adquisicin, rara vez coinciden espacialmente con los pozos, fue

65

necesario determinar la traza ms cercana a cada pozo. El valor del atributo en esta traza se
consideraba como el valor del atributo en la ubicacin del pozo.

4.4.5. Anlisis propiedad-atributos

4.4.5.1. Mediante regresin lineal

Atributos simples
La teora explica la posibilidad de estimar y calcular superficies de pseudos-propiedades a
partir de atributos ssmicos, mediante un anlisis de regresin lineal. Se busca estimar valores de
una cierta propiedad, estableciendo su relacin con diversos atributos mediante la regresin lineal
por mnimos cuadrados. Para cada propiedad, el software calcula su coeficiente de determinacin
(r2) con todos los atributos generados para cada horizonte. Los valores mayores fueron
seleccionados, y se generaron grficos cruzados de cada atributo con la propiedad. A partir de
estos grficos se buscaban varias caractersticas de la relacin atributo-propiedad: se buscaba si el
valor de r2 obtenido responda a una tendencia real, o si ocurra por casualidad, o por la
existencia de algn valor anmalo que generara una falsa correlacin. Por otra parte, en caso de
existir una tendencia, se deba verificar si esta tendencia tiene sentido geolgico y geofsico.
De acuerdo con estos resultados, se decidi qu propiedades pasarn al anlisis multi-
atributos.

Multiatributos
En teora, la inclusin de una mayor cantidad de atributos debera mejorar la calidad de la
estimacin de la propiedad. El problema consiste en ajustar los coeficientes o pesos de cada
atributo para minimizar el error entre los valores estimados y los valores de la propiedad en el
pozo. Se implement una metodologa de regresin por pasos (stepwise regresin), que permite
determinar la combinacin correcta de atributos con los cuales se logre la mejor estimacin de la
propiedad en cuestin.

66

Para determinar esta combinacin ptima, se tendra que realizar combinaciones de todo
tipo con los atributos (bsqueda exhaustiva). Por ejemplo, teniendo 10 atributos, tendran que
hacerse 10*9*8*7*..=3628800 combinaciones de los mismos para llegar a una conclusin. Por
tanto, Hampson et al. (2001) propone la metodologa de stepwise regresion, en la cual se asume
que si una cantidad m de atributos genera la mejor correlacin con una propiedad, la combinacin
de m+1 que arroje la mejor correlacin incluir a los m atributos anteriores.
En primer lugar, se busca el mejor atributo por bsqueda exhaustiva, es decir, incluyendo
todos los atributos. El mejor atributo ser aquel con el r2 ms alto (por ejemplo, el atributo A).
Posteriormente, se busca el mejor par de atributos, asumiendo que uno de estos es el atributo 1.
De nuevo se probar con todos los atributos hasta encontrar el par con el r2 mayor. E l nuevo
atributo ser el atributo 2. Luego, se busca el mejor tro de atributos, que por supuesto incluya a
los atributos 1 y 2, ms un tercer atributo, que luego de la bsqueda arrojar el r2 ms alto
(atributo 3). Y as sucesivamente. De esta manera, el proceso se reduce, en el caso de 10 atributos
por ejemplo, a realizar 10+9+8+=55 combinaciones, varios rdenes de magnitud menos que en
la bsqueda exhaustiva. Una ventaja del stepwise regression es que libera a quien lo aplica de la
preocupacin de comprobar si los atributos aplicados son linealmente dependientes. Las razones
son explicadas por Hampson et al (2001), quien plantea que el nico castigo de tener atributos
linealmente dependientes en la lista es el tiempo empleado en aplicarlos.
La cuestin luego es determinar el nmero apropiado de atributos a utilizar. Hampson et
al (2001) discute cmo el error de prediccin con m+1 atributos siempre ser igual o menor a
aquel con m atributos. La curva de error promedio vs nmero de atributos utilizando regresin
lineal con todos los pozos debera presentar un comportamiento asinttico. Sin embargo, si la
adicin de nuevos atributos mejorar el dato de entrenamiento, esta puede no servir de mucho y
inclusive desmejorar la estimacin de datos no incluidos en el entrenamiento. Esto es llamado
sobre-entrenamiento. La metodologa utilizada para evitar eso se llama cross-validacin. En este
procedimiento, se toma como data de entrenamiento todos los pozos con la excepcin de uno.
Con la data de entrenamiento se genera la ecuacin de regresin. El pozo oculto servir como
data de validacin para calcular el error de prediccin en base a la regresin generado por los
dems pozos. Este procedimiento se repite tantas veces como pozos haya en el anlisis, cada vez
dejando un pozo fuera. El error de validacin total ser el promedio RMS de los errores
individuales.

67

La curva de error promedio de cross-validacin mostrar valores ms altos que aquella de
error promedio de la data de entrenamiento. Lgicamente, ya que al remover un pozo disminuye
el poder predictivo de la regresin. A su vez, esta curva no caer asintticamente, sino que en
algn punto dejar de descender y comenzar a aumentar. El mnimo de esta curva, se asumir
que ser el nmero ptimo de atributos a utilizar, ya que con la adicin de ms se estaba sobre-
entrenando el proceso.
Se implement esta metodologa mediante el uso de Excel, con las propiedades con las
cuales se decidi continuar en base al anlisis uni-atributos. La funcin LINEST calcula, a partir
de una columna con valores de la variable dependiente (en este caso, los valores de la propiedad
en cada pozo) y de una o ms columnas de la o las variables independientes, dependiendo de si el
anlisis es simple o multivariado (en este caso, los valores de los atributos en la vecindad de cada
pozo), los coeficientes para cada variables, los errores asociados a las mismas, el coeficiente de
correlacin r2, y el error estndar del calculo de la variable dependiente (la propiedad). En primer
lugar se hizo el anlisis de stepwise regression con todos los pozos como data de entrenamiento,
y posteriormente la cross-validacin dejando un pozo fuera a la vez. Se generaron grficas de
error promedio de ambos anlisis vs el nmero de atributos, permitiendo definir el nmero
apropiado de atributos y evitar el sobre-entrenamiento. Los coeficientes calculados por la funcin
definen la ecuacin de regresin para las propiedades analizadas.

4.4.5.2. Redes neuronales
El software presenta un mdulo llamado Train Estimation Model el cual, al presentar
un conjunto de capacitacin compuesto por patrones de entrada, junto con el patrn de respuesta
esperado, entrena al sistema para que aprenda sobre los datos suministrados, ajustando de manera
iterativa los coeficientes o pesos que definen los parmetros del modelo (Ayuda de Petrel).
Los datos disponibles para entrada son: registros de pozos, superficies con atributos,
propiedades y puntos con atributos. En este caso se utilizaron los mapas de atributos ssmicos.
El mtodo utilizado es el de estimacin mediante entrenamiento supervisado. El dato
utilizado para la supervisin son puntos con atributos. Estos puntos estn ubicados justo donde el
pozo intersecta el horizonte, y tienen el valor de la propiedad para el intervalo en ese pozo.
Los datos de capacitacin se dividen en dos. Una parte ser utilizada para establecer el
modelo de capacitacin (data de entrenamiento) y la otra para evaluar este modelo (data de

68

validacin cruzada). El porcentaje de datos utilizados para entrenamiento y aqul para validacin
cruzada puede ser definido por el usuario. En este caso, se estableci una distribucin 50-50.
Al correr el proceso, se genera un registro de mensaje, el cual contiene fundamentalmente
tres columnas: el nmero de la iteracin, el error promedio de la data de entrenamiento y el error
promedio de la data de cross-validacin. De esta manera se busca que el error de entrenamiento
disminuya, como es lgico, con cada iteracin, mostrando que los coeficientes se estn ajustando
para minimizar el error entre el dato de entrada y el dato de salida. Pero ms importante, se est
monitoreando el error de cross-validacin para asegurarse de que el entrenamiento de la red
genere un modelo que responda bien a los datos que no se incluyen en el entrenamiento.
Graficando el error de cross-validacin versus el nmero de iteraciones de capacitacin, es
posible observar en qu momento este error comienza a aumentar, indicando sobre-entrenamiento
de la red.
Lo ideal sera que la ltima iteracin diera el error mnimo; sin embargo, en la prctica es
muy difcil el nmero de iteraciones exactas para ello, debido a que en cada corrida, si bien los
parmetros de entrada y de supervisin son los mismos, la data de entrenamiento y de validacin
vara. Por lo tanto, se considera correcto el proceso si (a) el valor mnimo de error es lo ms bajo
posible respecto a iteraciones anterior, (b) este valor mnimo se alcanza lo ms cerca posible del
final del proceso (a menos de 10 iteraciones del final), y (c) el valor del error en la ltima
iteracin aumenta muy poco (menos del 5%) respecto al valor mnimo. Se pudo constatar que,
an permitiendo un ligero sobre-entrenamiento, no es sencillo conseguir estas condiciones. Para
cada propiedad se requiri de un cuidadoso proceso de ensayo y error para determinar el nmero
ptimo de iteraciones.

4.4.6. Mapas de pseudo-propiedades
Los mapas a partir de la regresin lineal multi-atributos se generaron utilizando la
calculadora de mapas, que permite realizar operaciones aritmticas con mapas de atributos. Los
mapas a partir de la capacitacin de redes neuronales, se generaban automticamente a partir de
la corrida del proceso.
En el control de calidad de estos mapas, se realizaron grficos de correlacin entre los
valores verdaderos de la propiedad en el pozo y los valores estimados mediante los modelos. A su
vez, se desplegaron histogramas de los valores de las pseudo-propiedades en los mapas. De esta

69

manera se establece una comparacin cuantitativa entre los mapas generados mediante regresin
lineal y aquellos a partir de los modelos de redes neuronales. En trminos cualitativos, los mapas
fueron comparados en trminos de la distribucin de valores en el rea, la identificacin de
contrastes que permitieran asociarse a cuerpos o estructuras, y la ubicacin de dichos contrastes
respecto a los pozos.

CAPTULO V
ANLISIS DE RESULTADOS

5.1. Interpretacin y modelo esttico

5.1.1. Interpretacin ssmica.
La Figura 5.1 muestra el crossline 500 del cubo ssmico con los horizontes y las fallas
interpretadas. Se puede identificar el sistema de 5 fallas principales. Como fue dicho en el
captulo anterior, slo fueron interpretadas aquellas que cortaban uno o ms de los horizontes de
inters.
La Figura 5.2 muestra el inline 560 del cubo ssmico con los horizontes interpretados. Se
puede observar la interpretacin del domo salino hacia el oeste, caracterizada por la prdida de
continuidad de los reflectores, y cmo las interpretaciones de los horizontes Houston, Kobe y
Paris se truncan contra ste.

5.1.2. Sistema de fallas.
Los cubos de atributos corridos a partir del cubo ssmico original, con la finalidad de
identificar ms claramente los eventos estructurales, dieron resultados satisfactorios. Las
discontinuidades detectadas por el algoritmo de Ant Tracking coinciden con las fallas principales
interpretadas a partir de la ssmica, tanto en rumbo como en buzamiento, como puede observarse
en la Figura 5.3 (a). A su vez, la Figura 5.3 (b) muestra un patrn de discontinuidades mucho ms
denso a partir de 2500 ms., asociado posiblemente tanto a la cercana con el domo salino, lo cual
ocasiones patrones caticos de reflexin, como a la disminucin de la relacin seal-ruido con la
profundidad.

7
1

Figura 5.1. Crossline 500 interpretado con la identificacin de los horizontes (rojo=amplitudes positivas, azul=amplitudes
positvas). En la parte inferior derecha a se muestra la ubicacin del crossline (lnea blanca).

7
2

Figura 5.2. Inline 560 interpretado con la identificacin de los horizontes (rojo=amplitudes positivas, azul=amplitudes
positvas). En la parte inferior derecha a se muestra la ubicacin del inline (lnea blanca).

73

Figura 5.3. (a) Vista 3D del cubo de Ant-Tracking, mostrando el crossline 500 y un time slice
en 1500 ms, junto con los planos de 3 de las fallas interpretadas. Ntese la escala de varianza en
la parte superior izquierda, (b) Crossline 500 del cubo de Ant-Tracking mostrando las fallas
interpretadas.

74

5.1.3. Mapas en tiempo.
Estos mapas fueron generados a partir de la refinacin de la interpretacin original y una
nueva interpolacin. Los mapas correspondientes a los horizontes Caracas, Houston, Kobe y
Paris presentan rasgos similares en el sentido de que estn controlados por el estilo tectnico de
la zona. El sistema de fallas principales de rumbo aproximado este-oeste, as como tambin el
alto estructural en las cercanas del domo salino, es factor comn en estos mapas.
La Figura 5.4 muestra el mapa para el horizonte Caracas. Presenta mximos y mnimos
locales de 1110 y 940 milisegundos, respectivamente. Es cortado por tres fallas principales, cuyo
rumbo se representa con las lneas blancas. Representa el lmite entre dos regmenes de
compactacin los cuales sern estudiados en la parte de modelos de velocidades. A pesar de que
no se encuentra en contacto con el domo, presenta una morfologa asociada al estilo del rea,
como se puede observar con el alto hacia el noroeste.

Figura 5.4. Mapa de tiempo del horizonte Caracas

75

La Figura 5.5 muestra el mapa correspondiente al horizonte Houston. ste es uno de los
horizontes de inters prospectivo. Presenta mximos y mnimos locales de 2000 y 1460
milisegundos, respectivamente. Es cortado por hasta 5 fallas principales. Representa un pico de
amplitud positiva. Se trunca hacia el domo en la zona marcada en negro.

Figura 5.5. Mapa en tiempo del tope de Houston

La Figura 5.6 muestra el mapa correspondiente al horizonte Kobe. Presenta mximos y
mnimos locales de 2160 y 1600 milisegundos, respectivamente. Al igual que Houston, es
cortado por 5 fallas principales y representa un pico de amplitud positiva. Se trunca hacia el
domo en la zona marcada en negro.

76

Figura 5.6. Mapa en tiempo del tope de Kobe

La Figura 5.7 muestra el mapa correspondiente al horizonte Paris. ste es el otro
horizonte de inters, adems de Houston. Presenta mximos y mnimos locales de 2400 y 1650
milisegundos, respectivamente. Es cortado por 5 fallas principales; sin embargo, su interpretacin
es menos confiable ya que se encuentra en una zona donde la relacin seal-ruido de la ssmica
disminuye sensiblemente. Representa un pico de amplitud. Se trunca hacia el domo en la zona
marcada en negro.
La Figura 5.8 muestra el mapa correspondiente a la interpretacin del tope del domo
salino. Presenta mximos y mnimos locales de 2400 y 1650 milisegundos, respectivamente.
Desde su cresta al oeste, buza hacia el este y sureste. Ntese cmo el buzamiento es fuerte en las

77

cercanas de la cresta, y se va suavizando a medida que se aleja de ste. Es de hacer notar que
sta es la interpretacin ms subjetiva de todas, ya que no sigue un reflector continuo, sino es ms
bien la transicin entre el patrn subparalelo de reflectores asociado a sedimentacin continua y
el patrn catico asociado a cuerpos de sal, como es el caso de esta zona. Por lo tanto, se respet
la interpretacin previa.

Figura 5.7. Mapa en tiempo del tope de Paris

78

Figura 5.8. Mapa en tiempo del tope del domo salino (Salt)

5.1.4. Modelo Esttico de celdas

5.1.4.1. Fallas
La Figura 5.9 muestra una vista en 3-D del modelo generado a partir del sistema de fallas
principales interpretadas. Como puede observarse, todas las fallas presentan un rumbo
aproximado este-oeste y un buzamiento similar, indicativo de que deberan estar asociadas al
mismo evento tectnico. Adems, se puede observar su carcter de fallas lstricas en la
disminucin del buzamiento con el tiempo doble.

79

Figura 5.9. Vista 3D del modelo de fallas

5.1.4.2. Horizontes
Uno de los problemas que se afront a la hora de crear los horizontes es la diferencia entre
el dato de entrada (interpretacin original) y el dato de salida (horizonte creado). Estas se
presentaron fundamentalmente en la zona de fallas. Esto es producto de la combinacin entre la
aproximacin que significa el modelo de fallas, e imprecisiones en la interpretacin,
posiblemente resultado de algoritmos de interpolacin de la misma o de ruido en las zonas
adyacentes a las fallas.
Para mejorar esto, se aplicaron ediciones controladas por el modelo a los datos de entrada
(las superficies) en las zonas adyacentes a las fallas, para correr nuevamente el proceso.
Adicionalmente, estas ediciones mejoraron de manera fundamental la integridad de las celdas
alrededor de la zona donde la falla intersecta el horizonte, incrementando la calidad de la malla,
en especial en el salto de falla, donde existan falsos arrastres y solapamientos no asociados a
fenmenos geolgicos sino a problemas de interpretacin y ruido (Figura 5.10).

80

Figura 5.10. Vista 3D del horizonte Paris creado para el modelo de celdas. (a) Antes y (b) de
las ediciones en la zona del salto de falla.

La Figura 5.11 muestra la caja que representa el modelo estructural en tiempo
(compuesto por celdas) generado para el rea de estudio. La vista desde el oeste, muestra algunos
de los rasgos estratigrficos ms importantes del rea. Obsrvese la disminucin de espesores de
los intervalos Houston, Kobe y Paris hacia el domo salino. La vista desde el este muestra el
rgimen estructural caracterizado por fallas normales, en concordancia con los rasgos detectados
durante la interpretacin y construccin del modelo.
Estilo estructural asociados al domo salino, fallas lstricas de rumbos similares y
buzamientos hacia el norte, endelgazamiento local, expresado en la disminucin de espesores de
las unidades de inters hacia el cuerpo salino. De esta manera se pueden resumir las
caractersticas del modelo estructural del rea, el cual coincide con la geologa regional del norte
del Golfo de Mxico (Twiss y Moore, 1992; Hentz y Zeng, 2003), y con las caractersticas de los
campos de la zona costa afuera de Louisiana (Weimer et al., 1998). El modelo propuesto por
Harding y Lowell (1979) de acumulacin de hidrocarburo asociada a cuerpos salinos, expresado
en una combinacin de trampas estructurales y estratigrficas, concuerda con los rasgos
estructurales del rea de estudio.

81

Figura 5.11.Vista en 3D del modelo esttico de celdas, con fallas, horizontes e intervalos
estratigrficos de inters. El domo salino se representa en rosa. (a) vista desde el oeste, (b)
vista desde el este.

82

5.2. Modelos de velocidades
A la hora de analizar y comparar los diferentes modelos de velocidades aplicados para el
rea de estudio, debemos hacerlo de manera cuantitativa, mediante la observacin de la precisin
en el clculo del error de profundidad generado por los modelos, y los resultados de la cross-
validacin para determinar la calidad de aproximacin de las variaciones laterales de velocidad
para cada mtodo. A su vez, el anlisis debe ser cualitativo, comparando la distribucin de
velocidades resultante mediante cubos, mapas y registros de velocidades.

5.2.1. Basados en curvas TZ de los pozos.
A continuacin se presenta la tabla comparativa de las medias aritmticas de los
porcentajes de error de profundidad en cada pozo. Estos valores se diferencian por cada modelo
implementado, en cada horizonte interpretado. La abreviatura de los modelos aparece en el
Captulo IV.

Tabla 5.1. Promedios de porcentajes de error de profundidad para los modelos de velocidades
basados en curvas TZ de los pozos
TZ1 TZ2 TZ3 TZ4 TZ5 TZ6
Caracas 3,49 0,62 0,62 3,59 0,53 0,53
Houston 3,43 0,65 0,65 3,25 0,72 0,70
Kobe 3,49 0,78 0,86 3,45 0,99 1,01
Paris 2,08 0,74 0,74 1,94 0,62 0,62
Salt 2,27 1,04 1,02 1,78 1,09 1,07
Total 3,03 0,73 0,73 2,92 0,72 0,71

Como se puede observar, los porcentajes de error son considerablemente menores para
los casos de los modelos de velocidad variable linealmente con profundidad, que para aquellos
con velocidades intervlicas constantes. A su vez, se puede notar que las diferencias entre el
modelo utilizando la frmula Vo+kZ y aquel utilizando Vo+kZ, son despreciables (nunca
mayores de 0,02).

83

Un aspecto importante a considerar es la comparacin entre los modelos calculados con
26 pozos y aquellos obtenidos con 4 pozos. Los porcentajes de error de profundidad son
prcticamente iguales. Esto se debe a que en el rea, los check shots de todos los pozos presentan
una tendencia prcticamente idntica, por lo cual no existe mayor diferencia entre emplear
muchos o pocos pozos, en trminos del clculo de la distribucin vertical del campo de
velocidades.
Otra manera de controlar la calidad de los modelos es a travs de la comparacin de
los registros snicos corregidos con los registros generados para el modelo. La Figura 5.12
muestra esto. Se puede observar que para caso del registro correspondiente al modelo sin
correccin, este sigue un comportamiento coherente con el snico. Mientras que al aplicarle
correccin por pozos, el registro muestra unas inversiones de velocidad las cuales no
corresponden a fenmenos geolgicos.

Figura 5.12. Registros de velocidad generados por los modelo (curva en negro) junto con
registro snico corregido con los check shots. (a) Modelo sin correccin por topes de pozo.
(b) Modelo corregido por topes

84

Se observa tambin en la Figura 5.12. (a) que aproximadamente a nivel de los 3000
pies, existe un cambio en la pendiente del registro de velocidad. El modelo calcula los valores de
k, o tasa de variacin de velocidad con la profundidad, en los intervalos definidos por los
horizontes. Los valores se expresan en s-1, a continuacin:

Datum-Caracas: 0,76
Caracas- Houston: 0,39
Houston- Paris: 0,38
Paris-Salt: 0,35

Esto quiere decir que del datum al horizonte Caracas, por cada pie que se desciende, la
velocidad aumenta 0,76 pies/s. Los valores de los dems intervalos a partir de Caracas son muy
similares. Esto es indicativo del cambio en el rgimen de compactacin ya mencionado en
captulos anteriores, que ocurre a nivel del horizonte Caracas, el cual se expresa en una variacin
importante del gradiente de velocidad. De acuerdo con los valores de los gradientes, en lugar de
generar el modelo en base a cinco intervalos, se gener nicamente en base a dos: aquel entre el
datum y Caracas y el restante entre Caracas y Salt.
Este comportamiento vertical de las velocidades es consistente con aquel descrito por
Ravve y Koren (2006), en el cual para cuencas sedimentarias de gran espesor ubicadas debajo del
suelo marino, as como en el Golfo de Mxico, la velocidad se incrementa gradualmente con la
profundidad debido a la compactacin, y la tasa de cambio es ms alta en las capas superiores y
decrece con la profundidad.
La Figura 5.13 muestra el modelo de velocidades en vista 3D. Obsrvese el aumento
de velocidad con la profundidad, en acuerdo con la distribucin vertical de la zona. Las
velocidades oscilan entre 5000 y 11000 pies/s. Al domo salino se le asigna una velocidad de
15000 pies/s para distinguirlo del resto del cubo. Se puede observar una anomala de velocidad en
el cubo a nivel del horizonte Caracas (aproximadamente 1000 milisegundos), que deriva del
cambio de gradiente o valor de k a ese nivel.

85

Figura 5.13. Vista en 3D del modelo de velocidades TZ2. Escala de velocidad en pies/s.

5.2.2. Basados en velocidades de apilamiento.
implementado, en cada horizonte interpretado:

86

velocidades de apilamiento
10, Igual 500, Igual 10, ICD 500, ICD
Caracas 0,75 0,62 1,33 1,23
Houston 0,55 0,56 0,80 0,81
Kobe 0,82 0,78 1,21 1,17
Paris 1,25 1,18 1,33 1,32
Salt 1,15 1,14 1,33 1,29
Total 0,85 0,80 1,16 1,12

El nmero que identifica el modelo es el rango vertical utilizado para el Moving
Average, que es 10 o 500 unidades (milisegundos, en este caso). Mientras que Igual e ICD
(Inverso del Cuadrado de la Distancia) son los mtodos de peso por puntos. Segn la tabla, se
puede observar que para un mismo mtodo de peso por puntos, el rango vertical del modelo no
genera una gran diferencia en el error porcentual promedio (0,05 o menos). Sin embargo, es
mucho mayor la diferencia entre los modelos con peso por puntos igual y aquellos con peso por
puntos basado en el ICD (aproximadamente 0,32). Este ltimo introduce variaciones laterales de
velocidades a distancias muy cortas, las cuales no concuerdan con el carcter suavizado de las
velocidades de apilamiento, que varan muy poco lateralmente.

5.2.3. Basados en funciones

funciones
Velocidad vs tiempo doble Profundidad vs tiempo doble
Caracas 0,51 0,67

87

Houston 0,55 0,57
Kobe 0,71 0,62
Paris 0,94 0,98
Salt 1,04 1,07
Total 0,70 0,72

Ambos mtodos presentan errores porcentuales promedio muy similares. Son vlidos
para zonas con variaciones de velocidad muy bajas, ya que no las toman en cuenta asumiendo
una sola funcin para toda el rea. Tal vez la funcin velocidad promedio versus profundidad sea
ms elaborada ya que requiere la construccin de un cubo de velocidades. Y si se realiza primero
un anlisis de las velocidades intervlicas, permite la identificacin de posibles anomalas, algo
que no es posible observando las curvas tiempo-profundidad nicamente.

5.2.4. Factor de anisotropa.
porcentajes de error de profundidad en cada pozo.

Tabla 5.4. Promedios de porcentajes de error de profundidad para los modelos con factor de
anisotropa
26 pozos 4 pozos
Caracas 0,69 0,58
Houston 0,70 0,82
Kobe 0,92 1,05
Paris 0,70 0,68
Salt 1,15 1,14
Total 0,77 0,79

De nuevo, los valores de error porcentual promedio son muy similares para el caso de
26 pozos respecto al caso de 4 pozos. Ya que la distribucin vertical de velocidades en el rea es

88

casi la misma para todos los pozos, a un determinado nivel el factor de anisotropa, que depende
de la velocidad promedio en el pozo a ese nivel, ser muy similar para todos los pozos,
ocasionando que la curva de ajuste de la funcin de anisotropa, a pesar de tener mayor cantidad
de puntos en el caso de 26 pozos, siga una tendencia parecida a aquella con puntos en solamente
4 pozos.
La Figura 5.14 muestra los registros de velocidad correspondientes a los modelos
estudiados anteriormente. Como puede observarse, los tres registros muestran un comportamiento
coherente con el snico corregido.

Figura 5.14. Registros de velocidad. (a) basados en velocidades de apilamiento, (b) funciones a
partir de los pozos, (c) factor de anisotropa ssmica-pozo. El registro snico aparece en rojo
como comparacin.

89

5.2.5. Kriging con informacin de velocidad de los pozos:
porcentajes de error de profundidad en cada pozo:

Tabla 5.5. Promedios de porcentajes de error de profundidad para los modelos con kriging a
partir de velocidades de pozo.
26 pozos 4 pozos
Caracas 0,51 0,52
Houston 0,70 0,69
Kobe 1,01 1,04
Paris 0,60 0,66
Salt 1,12 1,18
Total 0,71 0,74
.
El enfoque para generar un modelo de velocidad mediante kriging depende en gran
forma de la cantidad de informacin de la cual se dispone. Mientras ms pozos haya en el rea,
mayor cantidad de pares de datos podrn ser examinados para construir el variograma. Para el
caso de 26 pozos, se cont con suficiente dato para generar variogramas horizontales
consistentes. Se crearon variogramas anisotrpicos, es decir, un variograma para la direccin
mayor y otro para la direccin menor, las cuales fueron obtenidos a partir del mapa de varianza
(Figura 4.16). El modelo de variograma seleccionado fue el gaussiano, por ser que mejor ajustaba
al variograma experimental. El apndice muestra los modelos de variograma y sus datos
respectivos. Sin embargo, para el caso de 4 pozos, no exista suficiente dato para generar un
modelo coherente. Para este caso se realiz un anlisis de sensibilidad, el cual consiste en probar
distintos modelos de variograma con rangos horizontales diferentes, generar el modelo, y luego
mediante validacin cruzada comprobar cul modelo y cul rango predice mejor la propiedad.
Tambin la falta de dato impide la realizacin de un mapa de varianza con una tendencia clara,
con lo cual la direccin de anisotropa no se puede determinar. Por tanto, se genera un
variograma isotrpico.
Para la direccin vertical, s existe un buen muestreo de datos provenientes de los check
shots, con lo cual poco importa si se cuenta con escasos pozos. De esta manera, se pudieron

90

generar variogramas verticales para ambos casos (26 y 4 pozos). Y como se ha visto antes, la
distribucin vertical de velocidades es similar en todos los pozos, con los cuales los parmetros
de los variogramas modelados para los dos casos son casi iguales.
La Figura 5.15 muestra el modelo de velocidades mediante kriging con 26 pozos, en
vista 3D. Obsrvese el aumento de velocidad con la profundidad, en acuerdo con el modelo del
rea. Las velocidades oscilan entre 4800 y 11200 pies/s.

Figura 5.15. Vista en 3D del modelo de velocidades por kriging con 26 pozos. Escala de
velocidad en pies/s

91

5.2.6. Geoestadstica combinando informacin de pozo con velocidades de apilamiento.


Tabla 5.6. Promedios de porcentajes de error de profundidad para los modelos con Geoestadstica
combinando informacin de pozo con velocidades de apilamiento
Kriging con
tendencia, 26 pozos
Kriging con
tendencia, 4 pozos
Cokriging, 26
pozos
Cokriging, 4
pozos
Caracas 0,43 0,66 0,47 0,51
Houston 0,73 0,81 0,77 0,78
Kobe 0,98 0,87 0,95 0,92
Paris 0,60 0,90 0,65 0,71
Salt 1,13 1,39 1,13 1,16
Total 0,70 0,85 0,72 0,75

Para la creacin de estos modelos, se sigui el mismo criterio de generacin de
variogramas que para los modelos con kriging utilizando pozos nicamente, incluyendo para los
casos de 4 pozos. Para todos los casos, se utiliz como propiedad principal a interpolar la
velocidad de pozos, y como propiedad secundaria, la velocidad de apilamiento, previamente
interpolada mediante Moving Average. El coeficiente de correlacin entre ambas propiedades se
calcul en 0,98.
Cuantitativamente, se observa que los modelos son consistentes debido a los valores
bajos de los promedio del error porcentual en profundidad para todos los casos. Para los modelos
con 26 pozos, los valores de error porcentual promedio son muy similares para los dos modelos
(apenas 0,02 de diferencia). Sin embargo, para el caso de 4 pozos, la diferencia entre el error
porcentual de los dos modelos es un poco mayor (0,1) siendo el modelo de cokriging aquel con
el error ms bajo en este caso.

92

5.2.7. Comparacin de los diferentes modelos de velocidades.

5.2.7.1 Errores porcentuales de profundidad (promedio para todos los pozos)

Tabla 5.7. Errores porcentuales de profundidad promedio para todos los modelos y sus variantes
Curvas TZ
pozos
Velocidades
apilamiento
Funciones Anisotropa Kriging
con pozos
Geoestadstica
ssmica-pozo
26 pozos 0,73 0,80 0,70 0,77 0,71 0,70
4 pozos 0,71 0,80 0,70 0,79 0,74 0,75

Como se puede observar en la Tabla 5.7, los errores porcentuales promedio de
profundidad calculados para todos los modelos y sus variaciones oscilan entre 0,70 y 0,80. Los
modelos generados mediante funciones, especficamente la funcin velocidad promedio, son los
que arrojan valores ms bajos tanto para el caso de 26 pozos como para el caso de 4 pozos, con
0,70. Los modelos generados mediante geoestadstica ssmica-pozo tambin dan un valor de 0,70
para el caso de 26 pozos.

5.2.7.2. Validacin cruzada

Tabla 5.8. Errores promedio para la validacin cruzada dejando fuera un pozo, para todos los
modelos y sus variantes
Curvas TZ
pozos
Funciones Anisotropa Kriging
pozos
Kriging
tendencia
Cokriging
26 pozos 0,24 0,21 0,32 0,1 0,23 0,18
4 pozos 0,25 0,35 0,58 0,14 0,57 0,21

Para los casos de los modelos con curvas TZ de los pozos, se utiliz el algoritmo
Convergent Interpolation para realizar los contornos alrededor del pozo faltante, en base a los

93

datos de todos los dems pozos. Para los casos de los modelos mediante funciones, tanto
velocidad promedio versus tiempo doble, como con el factor de anisotropa, se observaba, para el
mismo valor de tiempo doble, la diferencia en velocidad entre el valor del punto en el pozo y la
curva de ajuste. Por ltimo, para los modelos mediante kriging (slo con pozos, con tendencia y
cokriging), se tomaban todos los pozos excepto el pozo faltante, y se corra el algoritmo para
estimar el valor de velocidad en ese punto. Y as sucesivamente para todos los pozos.
Como se puede observar en la Tabla 5.8, los errores porcentuales promedio entre los
valores reales y los valores estimados por los modelos se encuentran en el rango entre 0,1 y 0,57.
Se puede comprobar que el mtodo con el mejor poder predictivo, tanto para el caso de 26 pozos
como para el caso de 4 pozos, representa el kriging con informacin de pozos, con 0,1 y 0,4,
respectivamente.
En el caso particular del rea de estudio, se pudo comprobar por los bajos errores
porcentuales, tanto en profundidad como mediante validacin cruzada, que la distribucin de
velocidades en la zona es bastante homognea. Es decir, el rea no presenta una complejidad para
realizar la conversin a profundidad de tiempos dobles de viaje derivados de la ssmica. Por lo
tanto, prcticamente cualquier mtodo pudiera arrojar resultados razonables, siempre y cuando se
cuente con buena calidad de dato. Sin embargo, se puede decir que, contando slo con
informacin de pozos, el mtodo de kriging, presenta una ventaja en poder predictivo respecto a
los mtodos convencionales, mediante funciones y curvas TZ de los pozos. Mientras que
contando con velocidades de apilamiento, y combinando stas con velocidades de los check
shots, el cokriging arroja mejores resultados que el kriging con tendencia y el factor de
anisotropa ssmica-pozo.
El enfoque de aplicar varios mtodos de determinar velocidades y comparar en trminos
de poder predictivo, ya ha sido aplicado por otros autores. Segn Hwang y McCorkindale (1994),
la geoestadstica provee herramientas que ayudan en la interpretacin de las tendencias de los
datos y la determinacin de modelos de variabilidad de dichos datos. Estas pueden ser utilizados
para guiar la interpolacin y extrapolacin de la data, y estas estimaciones pueden ser probadas
con datos disponibles.
La aplicacin de diversos mtodos de acuerdo con la disponibilidad de datos, y la
comparacin de los mismos, como en este estudio, puede resultar de mucha utilidad en zonas ms

94

complejas en trminos de distribucin de velocidad, y permite manejar distintos escenarios para
la generacin de mapas en profundidad y la consecuente toma de decisiones en el rea.

5.3. Mapas en profundidad.
La Figura 5.16 muestra el mapa en profundidad del horizonte Caracas. Presenta
mximos y mnimos locales de 3450 pies (al sureste en el bloque deprimido de la falla) y 2790
pies (al oeste) respectivamente. Es atravesado por 3 fallas principales (segmentos blancos) de
rumbo aproximado este-oeste. Los saltos de falla se encuentran entre 20 y 200 pies
aproximadamente.

Figura 5.16. Mapa en profundidad del horizonte Caracas

95

La Figura 5.17 muestra el mapa en profundidad del horizonte Houston. Presenta
mximos y mnimos locales de 7000 pies (al sureste en el bloque deprimido de la falla) y 4700
pies (al oeste) respectivamente. Es atravesado por 5 fallas principales (segmentos blancos) de
rumbo aproximado este-oeste. Los saltos de falla se encuentran entre 25 y 400 pies
aproximadamente. La zona de truncacin con el domo salino se muestra en negro.

Figura 5.17. Mapa en profundidad del horizonte Houston

La Figura 5.18 muestra el mapa en profundidad del horizonte Kobe. Presenta mximos
y mnimos locales de 7800 pies (al sureste en el bloque deprimido de la falla) y 5000 pies (al

96

oeste) respectivamente. Es atravesado por 5 fallas principales (segmentos blancos) de rumbo
aproximado este-oeste. Los saltos de falla se encuentran entre 25 y 500 pies aproximadamente.
La zona de truncacin con el domo salino se muestra en negro.

Figura 5.18. Mapa en profundidad del horizonte Kobe

La Figura 5.19 muestra el mapa en profundidad del horizonte Paris. Presenta mximos y
mnimos locales de 9000 pies (al sureste en el bloque deprimido de la falla) y 5400 pies (al oeste)
respectivamente. Es atravesado por 5 fallas principales (segmentos blancos) de rumbo

97

aproximado este-oeste. Los saltos de falla se encuentran entre 20 y 500 pies aproximadamente.
La zona de truncacin con el domo salino se muestra en negro.

Figura 5.19. Mapa en profundidad del horizonte Paris

La Figura 5.20 muestra el mapa en profundidad del tope del domo salino. Presenta
mximos y mnimos locales de 16500 pies (al sur) y 5000 pies (en la cresta del domo, al oeste)
respectivamente.

98

Los mapas estructurales en profundidad presentados a continuacin fueron generados a
partir de la aplicacin del modelo de velocidad utilizando kriging con informacin de pozos (que
como se analiz en la seccin anterior, result ser el modelo ms ptimo para el rea de estudio)
a los mapas en tiempo obtenidos a partir de la interpretacin previa. Los mapas estructurales se
encuentran controlados estructuralmente por el sistema de fallas normales de rumbo este-oeste y
por la presencia del domo salino al noroeste del rea. Esto lo demuestra el hecho de que los
mapas de los horizontes Caracas, Houston, Kobe y Paris presenta direcciones de buzamiento
similares a las del domo salino (al oeste del rea, buzan hacia el este, y al sur del rea, buzan
aproximadamente al sureste).

Figura 5.20. Mapa en profundidad del tope del domo salino (Salt)

99

5.4. Anlisis de atributos ssmicos

5.4.1. Mapas de atributos
Se presentan los mapas de atributos de amplitud, especficamente el de amplitud RMS,
que son los que arrojaron tendencias ms claras. Los otros mapas de atributos de amplitud
(energa promedio, magnitud promedio, etc) muestras patrones muy similares a los mapas aqu
presentados. La Figura 5.21 muestra el mapa de amplitud RMS para el horizonte Houston. Los
valores de amplitud RMS van de 0 a 69. Se observa un punto brillante de amplitud al noroeste del
rea, justo en la zona donde el reflector se trunca hacia el domo. Es necesario determinar si este
punto brillante se debe a presencia de fluido y si es producto del fenmeno de entonacin (capa
delgada).

Figura 5.21. Mapa de amplitud RMS para el horizonte Houston

100

La Figura 5.22 muestra las curvas de espesor de arena encima del mapa de amplitud
RMS. Obsrvese una disminucin general de los espesores hacia el oeste. En la zona del punto
brillante, los espesores estn bien controlados por varios pozos, representados por puntos negros,
y stos oscilan entre 60 y 80 pies. La resolucin vertical, calculada en la seccin 4.2, es de 82
pies, con lo cual podemos afirmar que la ssmica no resuelve el espesor de estas unidades en esta
zona, pudiendo tratarse de un fenmeno de entonacin.

Figura 5.22. Mapa de amplitud RMS solapado con el mapa de espesor de arena para el
Houston

La Figura 5.23, en la cual se muestra un inline de la seccin ssmica en la zona del punto
brillante. Se puede observar una amplitud negativa alta debajo del horizonte de inters, la cual
est produciendo este punto brillante. Obsrvese cmo estas amplitudes van aumentando a
medida que el reflector se trunca hacia el domo. Este patrn de reflexin presenta similaridad con

101

el criterio de Rayleigh, con lo cual podramos estar en presencia de entonacin producto del
adelgazamiento de los cuerpos arenosos hacia el cuerpo salino.

Figura 5.23. Inline 500 del cubo ssmico con las interpretaciones del horizonte Houston y del
domo salino, mostrando el fenmeno de entonacin. En la parte superior derecha se muestra la
ubicacin del inline coincidiendo con el punto brillante del mapa de amplitud RMS.

La Figura 5.24 muestra el mapa de amplitud RMS para el horizonte Paris. En este caso se
observa claramente un aumento de amplitud hacia la truncacin con el domo. Las anomalas de
amplitud principales se pueden encontrar hacia el noreste del rea. La forma de estas zonas de
alta amplitud es similar a las encontradas en el mapa para el horizonte Houston, por lo tanto
puede tratarse de fenmenos estratigrficos. El rumbo de las anomalas es paralelo al rumbo de
las estructuras.

102

Figura 5.24. Mapa de amplitud RMS para el horizonte Paris

5.4.2. Anlisis propiedad-atributos

5.4.2.1. Houston

5.4.2.1.1 Mediante regresin lineal

Atributos simples: La Tabla 5.9 muestra los ndice de correlacin (r2) entre los valores de
atributos ssmicos y las propiedades petrofsicas para los pozos en el rea.

103

petrofsicas (columnas) para el horizonte Houston en las ubicaciones de los pozos. Se resalta en
negrilla el valor ms alto de determinacin para cada propiedad.
Propiedad
Atributo
Porosidad
total
Lentitud
de onda P
Volumen
de arcilla
Impedancia
acstica
Arc lenght 0,0044 0,326 0,2117 0,4175
Energa promedio 0,0173 0,1516 0,3624 0,5335
Magnitud promedio 0,0277 0,1677 0,3726 0,5681
Amplitud negativa promedio 0,0081 0,0012 0,0228 0,2834
Amplitud positiva promedio 0,0418 0,2786 0,0186 0,1103
Media geomtrica 0,0003 0,0334 0,0005 0
Media armnica 0,0776 0,0072 0,0517 0,4617
Asimetra de loop 0,0248 0,0132 0,0131 0,0839
Kurtosis de loop 0,0003 0,0257 0,0004 0,1669
Amplitud mxima 0,0185 0,0186 0,1512 0,1473
Amplitud mnima 0,0033 0,0794 0,2483 0,9312
Amplitud RMS 0,0281 0,1717 0,3799 0,6499
Suma de amplitudes 0,0099 0,0005 0,1413 0,6199
Suma de magnitudes 0,0205 0,0536 0,1689 0,8406
Skewness de loop superior 0,0428 0,0088 0,0978 0,2611
Desviacin estndar de amplitud 0,0157 0,0903 0,3401 0,5048
Polaridad aparente 0,1746 0 0,0336 0,4461
Desviacin de buzamiento 0,0901 0,0322 0,1642 0,3389
Primera derivada 0,0033 0,1673 0,0075 0,0011
Ancho de banda instantneo 0,0373 0,0123 0,0454 0,0081
Frecuencia instantnea 0,0872 0,1115 0,1972 0,0036
Fase instantnea 0,0109 0,2922 0,01 0,1505
Calidad instantnea 0,1625 0,0137 0,0523 0,2518
Intensidad de reflexin 0,0034 0,0523 0,2182 0,1977
Segunda derivada 0,024 0,097 0,0531 0,9996
Amplitud ssmica 0,0061 0,0749 0,0002 0,1875

104

Como se puede observar, los valores de los coeficientes de determinacin entre los
atributos ssmicos y la propiedad de porosidad total son muy bajos; la gran mayora por debajo de
0,1. El valor mayor (0,17) corresponde al atributo de polaridad aparente. La Figura 5.25 muestra
el grfico cruzado entre polaridad aparente y porosidad total. Se puede observar grficamente la
ausencia de una tendencia clara que permita relacionar ambas variables.

R
2
= 0,1746
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
-1 -0,8 -0,6 -0,4 -0,2 0 0,2 0,4
Polaridad aparente
P
o
r
o
s
i
d
a
d

t
o
t
a
l

Figura 5.25. Grfico cruzado Porosidad Total vs Polaridad aparente para el horizonte Houston.
Escala de porosidad total en fraccin

Los valores de los coeficientes de correlacin atributos-lentitud de onda P son mayores
que los coeficientes atributos-porosidad total, sin embargo estos an siguen siendo bajos (apenas
tres superan 0,2). El mayor valor (0,33) corresponde al atributo de arc lenght. La Figura 5.26
muestra el grfico cruzado entre arc lenght y lentitud de onda P. Aunque el valor del r2 no es alto,
s se puede percibir una tendencia entre ambas variables. De manera general, los valores de
lentitud disminuyen a medida que aumenta el valor de arc lenght.

105

R
2
= 0,326
108
110
112
114
116
118
120
122
124
126
128
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6
Arc lenght
L
e
n
t
i
t
u
d

d
e

o
n
d
a

P

Figura 5.26. Grfico cruzado Lentitud de onda P vs Arc lenght para el horizonte Houston. Escala
de lentitud en s/pie

Los valores de los coeficientes de correlacin atributos-volumen de arcilla son an
mayores que los coeficientes atributos-lentitud de onda P, con hasta cuatro de ellos superando
0,3. El mayor valor (0,38) corresponde al atributo de amplitud RMS. Los valores altos de
correlacin para esta propiedad corresponden a atributos de amplitud. La Figura 5.27 muestra el
grfico cruzado entre amplitud RMS y volumen de arcilla. Tambin se puede identificar una
tendencia, aunque el valor del r2 no es alto. De manera general, los valores de volumen de arcilla
disminuyen a medida que aumenta el valor de amplitud RMS.
Los valores de los coeficientes de correlacin atributos-impedancia acstica son altos, con
hasta tres mayores a 0,8. El mayor valor (0,99) corresponde al atributo de segunda derivada. La
Figura 5.28 muestra el grfico cruzado entre segunda derivada e impedancia acstica. El valor del
r2 es casi 1. Esto se debe a que slo tenemos 4 puntos, con lo cual es mucho ms sencillo
conseguir una buena correlacin que con ms de 20 puntos, como en las correlaciones con las
otras propiedades. Los valores de impedancia disminuyen a medida que aumenta el valor del
atributo.

106

R
2
= 0,3799
0
0,2
0,4
0,6
0,8
1
1,2
0 5 10 15 20 25 30 35 40
Amplitud RMS
V
o
l
u
m
e
n

d
e

a
r
c
i
l
l
a

Figura 5.27. Grfico cruzado Volumen de arcilla vs Amplitud RMS para el horizonte
Houston. Escala de volumen de arcilla en fraccin

R
2
= 0,9996
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
-10 -8 -6 -4 -2 0 2 4 6 8 10
Segunda derivada
I
m
p
e
d
a
n
c
i
a

A
c
s
t
i
c
a

Houston. Escala de impedancia en pies/s*g/cc

107

Multi-atributos: Los resultados de la regresin lineal multi-atributos se presentan de la
siguiente manera para cada propiedad: (a) la lista de los atributos en el orden en el cual fueron
utilizados para la regresin, (b) la grfica del error RMS de la propiedad respecto al nmero de
atributos utilizados, tanto para el caso de todos los pozos como para el caso de validacin cruzada
dejando fuera un pozo, (c) la ecuacin lineal multi-atributos de estimacin de la propiedad
derivada del anlisis, con su coeficiente de determinacin.
La Figura 5.29 muestra la grfica de error promedio respecto al nmero de atributos
utilizados para la propiedad de porosidad, segn el orden mostrado en la lista. La curva en azul
(grfica de error mediante validacin cruzada) muestra claramente un mnimo de
aproximadamente 0,06 al utilizarse cuatro atributos, a partir del cual empieza a ascender al
aadrsele mayor cantidad de atributos. A partir de esto, se utilizaron los cuatro primeros
atributos en la regresin lineal.

1. Polaridad aparente 3. Media armnica 5. Skewness de loop superior
2. Frecuencia instantnea 4. Calidad instantnea 6. Amplitud positiva promedio

0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0 1 2 3 4 5 6 7
Nmero de atributos
E
r
r
o
r

p
r
o
m
e
d
i
o

regresin. Negro=todos los pozos, Azul=validacin cruzada dejando fuera un pozo

108

La ecuacin derivada viene dada por:

Porosidad_total = 0,2128*x1 - 0,0089*x2 0,0001*x3 + 0,0002*x4 + 0,4935 R2 = 0,655

donde x1=polaridad aparente, x2=frecuencia instntanea, x3=media harmnica, x4= calidad
instantnea.

utilizados para la propiedad de volumen de arcilla, segn el orden mostrado en la lista. La grfica
de cross-validacin muestra un aumento significativo del error promedio a partir de cinco
atributos, luego de alcanzar el mnimo (0,18) con cuatro atributos utilizados.

1. Amplitud RMS 3. Arc lenght 5. Intensidad de reflexin
2. Suma de magnitudes 4. Energa promedio

0,1
0,12
0,14
0,16
0,18
0,2
0,22
0 1 2 3 4 5 6
Nmero de atributos
E
r
r
o
r

p
r
o
m
e
d
i
o

Figura 5.30. Grfico de error RMS de volumen de arcilla vs nmero de atributos
utilizados en la regresin. Negro=todos los pozos, Rojo=validacin cruzada

109


Volumen_Arcilla = - 0,0669*x1 1,6742*x2 + 0,1013*x3 + 0,0009*x4 +1,19 R2 = 0,599

donde x1=amplitud RMS, x2=suma de magnitudes, x3=arc lenght, x4=energa promedio.

Para el caso de la regresin con la propiedad de impedancia acstica, recordemos que la
correlacin con el atributo de segunda derivada es de 0,9996. Por tanto, slo es necesario aadir
un atributo, suma de magnitud, para lograr una correlacin de 1. Adems, la adicin de este
atributo disminuye el error promedio de todos los pozos de 32 a 0,4, y el error promedio de cross-
validacin de 128 a 6.

1. Segunda derivada 2. Suma de magnitudes

La ecuacin resultante viene dada por:

Impedancia_Acstica = 431,4186*x1 3,1006*x2 R2 = 1

donde x1=segunda derivada, x2=suma de magnitudes

5.4.2.1.2. Mediante Redes neuronales
Para cada propiedad, se presentan los grficos de error de validacin respecto al nmero
de iteraciones. Como se discuti en el Captulo IV, en el entrenamiento de la red neuronal, luego
de determinar los atributos a utilizar mediante la regresin por pasos, es necesario determinar un
nmero de iteraciones de modo tal que el error de validacin sea el menor posible, pero a la vez
evitando en la medida de lo posible el sobre-entrenamiento.

110

Como se observa en la Figura 5.31, el valor del error de validacin converge hacia un
valor mnimo, en este caso de 0,025 en la iteracin 204, de un total de 210 iteraciones. El error
aumenta ligeramente en las ltimas seis iteraciones, indicando un sobre-entrenamiento de la red,
pero muy poco significativo considerando que el error en la iteracin 210 es de 0,026, apenas 4%
mayor.

0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0 50 100 150 200 250
Nmero de iteracin
E
r
r
o
r

p
r
o
m
e
d
i
o

Figura 5.31. Grfico de error de validacin (fraccin de porosidad) vs iteracin de
entrenamiento para la propiedad de porosidad

En la Figura 5.32, el error de validacin converge hacia un valor mnimo, en este
caso de 0,233 en la iteracin 78, de un total de 80 iteraciones. El sobre-entrenamiento es de
apenas 2 iteraciones, y el error en la iteracin 80 es de 0,234, aumentando menos de 1% respecto
al valor mnimo.

111

0,1
0,12
0,14
0,16
0,18
0,2
0,22
0,24
0,26
0,28
0,3
0 10 20 30 40 50 60 70 80 90
Nmero de iteracin
E
r
r
o
r

p
r
o
m
e
d
i
o

Figura 5.32. Grfico de error de validacin (fraccin de volumen de arcilla) vs iteracin
de entrenamiento para la propiedad de volumen de arcilla

5.4.2.2. Paris

5.4.2.2.1. Mediante regresin lineal

Atributos simples
La tabla a continuacin muestra los ndice de correlacin (r2) entre los valores de
atributos ssmicos y las propiedades petrofsicas para los pozos en el rea.

112

petrofsicas (columnas) para el horizonte Paris en las ubicaciones de los pozos. Se resalta en
negrilla el valor ms alto de determinacin para cada propiedad.
Propiedad
Atributo
Porosidad
total
Lentitud
de onda P
Volumen
de arcilla
Impedancia
acstica
Arc lenght 0,0173 0,0031 0,4595 0
Energa promedio 0,0357 0,0059 0,4852 0,0206
Magnitud promedio 0,0168 0,022 0,5064 0,0348
Amplitud negativa promedio 0,0035 0,0003 0,0183 0,0607
Amplitud positiva promedio 0,009 0,1207 0,0083 0,9563
Half energy 0,0516 0,2525 0,0143 0,0261
Media armnica 0,0533 0,0158 0,2716 0,2537
Duracin de loop inferior 0,0037 0,1789 0,0453 0,5344
Amplitud mxima 0,0499 0,0105 0,4427 0,0568
Magnitud mxima 0,0039 0,0152 0,4716 0,0088
Mediana 0,0809 0,0539 0,0995 0,124
Amplitud RMS 0,0137 0,0225 0,5077 0,0157
Desviacin estndar de amplitud 0,0382 0,0003 0,5712 0,0125
Suma de amplitudes 0,0554 0,0652 0,0038 0,6317
Suma de magnitudes 0,0102 0,0024 0,3497 0,1541
Duracin de loop superior 0,0986 0,0215 0,1199 0,7128
Skewness de loop superior 0,01562 0,1667 0,0971 0,0063
Caos 0,0585 0,0091 0,3375 0,6749
Coseno de fase 0,0745 0,029 0,0633 0,7
Ancho de banda instantneo 0,0087 0,0353 0 0,9554
Frecuencia instantnea 0,0069 0,0234 0,1278 0,7975
Fase instantnea 0 0,2447 0 0,8543
Calidad instantnea 0,0351 0,1237 0,0939 0,6886
Flatness 0,0002 0,1061 0,1533 0,4554
Intensidad de reflexin 0,0027 0,0055 0,407 0,0204
T*Atenuacin 0,1016 0,0105 0,0001 0,093
Amplitud ssmica 0,0029 0,0008 0,2277 0,2469

113

Como se puede observar en la Tabla 5.10, los valores de los coeficientes de determinacin
entre los atributos ssmicos y la propiedad de porosidad total son muy bajos, todos por debajo de
0,1, con la excepcin del valor mayor (0,1) que corresponde al atributo de t*atenuacin.
La Figura 5.33 muestra el grfico cruzado entre t*atenuacin y porosidad total. Se puede
observar grficamente la ausencia de una tendencia clara que permita relacionar ambas variables.

R
2
= 0,1016
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
-0,1 -0,05 0 0,05 0,1 0,15
T*atenuacin
P
o
r
o
s
i
d
a
d

t
o
t
a
l

Figura 5.33. Grfico cruzado Porosidad Total vs t*atenuacin para el horizonte Paris.
Escala de porosidad total en fraccin

Los valores de los coeficientes de correlacin atributos-lentitud de onda P son algo
mayores que para porosidad total, sin embargo estos an siguen siendo bajos, aunque hay dos que
superan 0,2. El valor mayor (0,25) corresponde al atributo de half energy.
La Figura 5.34 muestra el grfico cruzado entre half energy y lentitud de onda P. Se
puede observar que todos los puntos se encuentran en los valores de half energy entre 10 y 20,
con la excepcin de dos que superar el valor de 30. La lnea de ajuste va desde el grupo mayor de
puntos hasta estos dos puntos extremos, mejorando el r2. A pesar de esto, no se puede establecer
una tendencia convincente entre estas dos variables.

114

R
2
= 0,2526
100
105
110
115
120
125
0 10 20 30 40 50
Half Energy
L
e
n
t
i
t
u
d

d
e

o
n
d
a

P

Figura 5.34. Grfico cruzado Lentitud de onda P vs Half energy para el horizonte Paris.
Escala de lentitud en s/pie

Los valores de los coeficientes de correlacin atributos-volumen de arcilla son mucho
mayores que para lentitud y porosidad. Podemos encontrar hasta tres valores mayores de 0,5. El
mayor valor (0,57) corresponde al atributo de desviacin estndar de la amplitud. Le siguen
amplitud RMS, magnitud promedio, energa promedio y magnitud mxima. De nuevo, al igual
que en el horizonte Houston, los valores altos de correlacin se asocian a atributos de amplitud.
La Figura 5.35 muestra el grfico cruzado entre desviacin estndar de la amplitud y
volumen de arcilla. En una situacin similar a la Figura 5.37, el punto extremo de valor alto del
atributo mejora el r2 ya que la lnea de ajuste pasa justo sobre l. Independientemente de este
punto, s se puede percibir una ligera tendencia de aumento del volumen de arcilla con el
aumento del valor del atributo.

115

Los valores de los coeficientes de correlacin atributos-impedancia acstica, si bien no
son tan altos como para el horizonte Houston, siguen siendo buenos, con hasta seis mayores a
0,7. El mayor valor (0,95) corresponde al atributo de amplitud positiva promedio.

R
2
= 0,5712
0
0,2
0,4
0,6
0,8
1
1,2
0 10 20 30 40 50 60 70
Desviacin estndar de amplitud
V
o
l
u
m
e
n

d
e

a
r
c
i
l
l
a

Figura 5.35. Grfico cruzado Volumen de arcilla vs desviacin estndar de la amplitud para
el horizonte Paris. Escala de volumen de arcilla en fraccin

Ya que los grficos cruzados tanto de amplitud promedio-impedancia como ancho de
banda-impedancia presentan una falsa correlacin donde la lnea de ajuste une varios puntos
aglomerados con uno aislado (como se vio en las Figuras 5.34 y 5.35) se muestra el grfico
cruzado frecuencia-impedancia. Se observa una tendencia de aumento de la impedancia con la
frecuencia, si bien al igual que en el horizonte Houston, slo se cuenta con valores en cuatro
pozos.

116

R
2
= 0,7975
0
5000
10000
15000
20000
25000
30000
0 5 10 15 20 25 30
Frecuencia instantnea
I
m
p
e
d
a
n
c
i
a

a
c
s
t
i
c
a

Paris. Escala de impedancia en pies/s*g/cc

Multi-atributos

Los resultados de la regresin lineal multiatributos para el horizonte Paris se presentan de
la misma manera que para el horizonte Houston.
utilizados para la propiedad de porosidad, segn el orden mostrado en la lista. La curva en azul
(grfica de error mediante validacin cruzada) muestra claramente un mnimo de
aproximadamente 0,08 al utilizarse cinco atributos, a partir del cual empieza a ascender al
aadrsele mayor cantidad de atributos. A partir de esto, se utilizaron los cinco primeros atributos
en la regresin lineal.

1. T*atenuacin 3. Caos 5. Coseno de fase 7. Media armnica
2. Mediana 4. Suma de amplitudes 6. Duracin de loop superior

117

0
0,02
0,04
0,06
0,08
0,1
0,12
0 1 2 3 4 5 6 7 8
Nmero de atributos
E
r
r
o
r

p
r
o
m
e
d
i
o

regresin. Negro=todos los pozos, Azul=validacin cruzada dejando fuera un pozo


Porosidad_total = -0,871*x1 - 0,0019*x2 - 0,2355*x3 - 0,0015*x4 - 0,0491*x5 R2 = 0,637

Donde: x1= t*atenuacin, x2=mediana, x3=caos, x4=suma de amplitudes, x5=coseno de fase

utilizados para la propiedad de lentitud de onda P, segn el orden mostrado en la lista. La grfica
de validacin cruzada muestra que a partir del empleo de tres atributos, el error promedio
comienza a aumentar. Por lo cual esta regresin se realiza apenas con dos atributos.

1. Half energy 3. Most of
2. Fase instantnea 4. Skewness de loop superior

118

2
2,5
3
3,5
4
4,5
5
5,5
6
0 1 2 3 4 5
Nmero de atributos
E
r
r
o
r

p
r
o
m
e
d
i
o

Figura 5.38. Grfico de error RMS de lentitud de onda P vs nmero de atributos
utilizados en la regresin. Negro=todos los pozos, Verde=validacin cruzada

La ecuacin viene dada por:

Lentitud_P = -0,2701*x1 0,195*x2 + 123,2 R2 = 0,424

Donde x1=half energy, x2=fase instantnea

utilizados para la propiedad de impedancia, segn el orden mostrado en la tabla 5.3. Es
importante destacar la gran diferencia entre el error promedio para el caso de todos los pozos y
aquel para la validacin cruzada. A pesar de que el error promedio para todos los pozos se hace

119

casi cero con el tercer atributo, se observa que con la adicin de ste el error promedio de la
validacin cruzada asciende. El mnimo es de 2480.

1. Frecuencia instantnea 3. Magnitud promedio
2. Suma de amplitudes

0
500
1000
1500
2000
2500
3000
0 0,5 1 1,5 2 2,5 3 3,5

Figura 5.39. Grfico de error RMS de impedancia vs nmero de atributos utilizados en la
regresin. Negro=todos los pozos, Amarillo=validacin cruzada dejando fuera un pozo

De aqu se deriva la ecuacin de regresin, la cual viene dada por:

Impedancia_acustica = 298,65*x1 + 3,8232*x2 R2 = 0,797

Donde X1=frecuencia instantnea, X2 = suma de amplitudes

120

5.4.2.2.2. Mediante Redes Neuronales

Como se puede observar en la Figura 5.40, el valor del error de validacin converge hacia
un valor mnimo, en este caso de 0,07 en la iteracin 38 de un total de 40 iteraciones. El sobre-
entrenamiento es de apenas 2 iteraciones, y el error en la iteracin 40 es de 0,08, aumentando un
10% respecto al valor mnimo.

0
0,05
0,1
0,15
0,2
0,25
0,3
0 5 10 15 20 25 30 35 40 45
Nmero de iteracin
E
r
r
o
r

p
r
o
m
e
d
i
o

Figura 5.40. Grfico de error de validacin (fraccin de porosidad) vs iteracin de
entrenamiento para la propiedad de porosidad

La Figura 5.41 muestra el valor del error de validacin convergiendo hacia un valor
mnimo de 3,54 en la iteracin 18, de un total de 20 iteraciones. El sobre-entrenamiento es de
apenas 2 iteraciones, y el error en la iteracin 20 es de 3,61, aumentando un 2% respecto al valor
mnimo.

121

0
2
4
6
8
10
12
14
16
0 5 10 15 20 25
Nmero de iteracin
E
r
r
o
r

p
r
o
m
e
d
i
o

Figura 5.41. Grfico de error de validacin (escala en s/pie) vs iteracin de entrenamiento
para la propiedad de lentitud de onda P

5.4.3. Mapas de Pseudopropiedades

5.4.3.1. Houston
Se presentan las comparaciones entre los mtodos de regresin lineal multi-atributos y
redes neuronales para las propiedades de porosidad y volumen de arcilla, cuyos resultados fueron
los ms significativos.
La Figura 5.42 muestra el grfico de los valores medidos de porosidad en los pozos del
rea versus los valores estimados mediante la regresin lineal con cuatro atributos. El coeficiente
de determinacin r2 es de 0,6625, con un error promedio (diferencia rms entre los valores
medidos y los valores estimados) de 0,047 en fraccin de porosidad. Se observan dos patrones en
esta grfica. El modelo de regresin tiende a sobre-predecir los valores bajos de porosidad, como
se indica en la zona encerrada en rojo, mientras que presenta una tendencia a sub-predecir los
valores ms alto, como se indica en la zona encerrada en azul.

122

la propiedad de porosidad. Cada dato representa un pozo. La lnea negra es una lnea X=Y

rea versus los valores estimados mediante el entrenamiento de la red neuronal. El coeficiente de
determinacin r2 es de 0,9251, con un error promedio (diferencia rms entre los valores medidos y
los valores estimados) de 0,024 en fraccin de porosidad. En este caso, salvo en algunos pozos, el
modelo tiende a sobre-predecir en prcticamente todo el rango de valores, altos y bajos, de
porosidad.
Es importante comparar la distribucin de valores arrojada por los mapas obtenidos a
partir de los dos modelos aplicados. La Figura 5.44 muestra los histogramas superpuestos. Como
se puede observar, el modelo de redes neuronales, con una distribucin cuya porosidad
dominante es de aproximadamente 0,3, arroja en general valores mucho ms altos de porosidad
que el modelo de regresin lineal atributos, cuya distribucin muestra una porosidad dominante
de 0,2. Por otra parte, en el modelo de regresin lineal la curva parece mostrar un
comportamiento ms achatado, en contraste con el modelo de redes neuronales, en el cual
presenta un comportamiento agudo indicando recurrencia de los valores cercanos a la porosidad
dominante a lo largo del rea.

123

de porosidad. Cada dato representa un pozo. La lnea negra es una lnea X=Y

Figura 5.44. Histogramas de porosidad total (fraccin) para los mapas obtenidos a partir de
regresin lineal multiatributos (violeta) y redes neuronales (azul)

124

La Figura 5.45 muestra el grfico de los valores medidos de volumen de arcilla en los
pozos del rea versus los valores estimados mediante la regresin lineal con cuatro atributos. El
coeficiente de determinacin r2 es de 0,5978, con un error promedio (diferencia rms entre los
valores medidos y los valores estimados) de 0,15 en fraccin. De nuevo, al igual que con la
porosidad, se pueden dos patrones en la grfica. El modelo de regresin tiende a sobre-predecir
los valores bajos, como se indica en la zona encerrada en rojo, mientras que presenta una
tendencia a sub-predecir los valores ms altos, como se indica en la zona encerrada en azul.

la propiedad de volumen de arcilla. Cada dato representa un pozo. La lnea negra es una lnea
X=Y

La Figura 5.46 muestra el grfico de los valores medidos de volumen de arcilla en los
pozos del rea versus los valores estimados mediante el entrenamiento de la red neuronal. El
valores medidos y los valores estimados) de 0,155 en fraccin de volumen. Es de hacer notar que,
a pesar de que el coeficiente de determinacin es mayor que para el modelo de regresin lineal el

125

error promedio es mayor, debido a la presencia de algunos valores extremos, alejados de la recta
Y=X.

de volumen de arcilla. Cada dato representa un pozo. La lnea negra es una lnea X=Y

La Figura 5.47 muestra los histogramas superpuestos de la distribucin de valores
arrojada por los mapas obtenidos a partir de los dos modelos aplicados. Se observa que el modelo
de regresin lineal presenta una distribucin normal cuyo valor de volumen de arcilla dominante
es de aproximadamente 0,55, mientras que el modelo de redes neuronales muestra una
distribucin con dos valores dominantes diferentes, 0,5 y 0,9. De esta manera se puede afirmar
que el modelo de redes neuronales est discriminando en dos grupos de valores bien definidos, lo
cual puede asociarse a dos litologas, una arcillosa con valores alrededor de 0,9, y la otra
probablemente vinculada a cuerpos arenosos, con valores alrededor de 0,5. Esta discriminacin
no se presenta en el modelo de regresin lineal; como se observ en el grfico cruzado el modelo
tiende a suavizar los valores extremos.

126

Figura 5.47. Histogramas de volumen de arcilla (fraccin) para los mapas obtenidos a partir de
regresin lineal multiatributos (verde) y redes neuronales (azul)

A continuacin se presentan los mapas de pseudo-propiedades obtenidos a partir de los
dos modelos; luego de la comparacin y anlisis cuantitativo, se hace el estudio cualitativo en
trminos de la distribucin de los valores de dichas propiedades en el rea.
La Figura 5.48 muestra el mapa de pseudo-porosidad total generado a partir del modelo
de regresin lineal. Los valores de porosidad total oscilan entre 0 y 0,5 (fraccin). Se pueden
identificar algunas zonas con valores altos de porosidad total: (1) la parte noreste, que coincide
con las ubicaciones de las fallas principales del norte y con la ubicacin de los pozos Diamond,
Citrine y Copper; (2) la parte norte, que muestra la zona ms claramente identificable en trminos
de contraste de porosidad. Hacia la parte oeste de esta zona, en las cercanas de la truncacin
hacia el domo salino, se encuentran varios pozos; (3) una zona de valores altos de porosidad
ubicada al suroeste, en el bloque levantado de la falla sur y que coincide con la ubicacin del
pozo Garnet.

127

regresin lineal multi-atributos. Los puntos negros representan las ubicaciones de los pozos.

La Figura 5.49 muestra el mapa de pseudo-porosidad generado a partir del modelo de
redes neuronales. Los valores de porosidad total oscilan tambin entre 0 y 0,5 (fraccin).
nicamente en el norte del rea de estudio, y en la zona de truncacin con el domo salino se
pueden detectar claramente valores muy altos de porosidad en contraste con los alrededores. En
este mapa se refleja lo observado en el histograma de la Figura 5.44, donde se observa la
recurrencia de valores alrededor de 0,3 y pocos valores bajos. De esta manera no se tienen
tendencias claras de contrastes de porosidad.

128

entrenamiento con redes neuronales. Los puntos negros representan las ubicaciones de los pozos

La propiedad de porosidad usualmente representa un buen indicador para la delimitacin
de zonas de posible inters prospectivo. Los contraste de porosidad se pueden asocian a cambios
de facies que permitan identificar cuerpos o estructuras. A partir de la comparacin de los mapas
generados con los dos modelos, se puede concluir lo siguiente: (1) el mapa generado a partir del
modelo de regresin lineal muestra contrastes de porosidad ms claros, y permite identificar 3
zonas fundamentales de valores altos de porosidad, (2) el mapa a partir de redes neuronales, si
bien no presenta contrastes bien definidos, s permite observar zonas de alta porosidad, en
especial la zona norte. (3) a pesar de que las zonas de alta porosidad son identificables en los
mapas, los contrastes de los mismos no son suficientes para lograr delimitar de manera

129

convincente la presencia de cuerpos bien definidos. Los resultados de los mapas de porosidad
deben ser tomados con cierta reserva. Se debe recordar que los coeficientes de correlacin entre
la propiedad de porosidad y los atributos ssmicos utilizados en el estudio son bajos, a pesar de
que la inclusin de ms variables en el anlisis multi-atributos y el entrenamiento de la red
neuronal mejorar las correlaciones y reducen el error promedio de validacin.
La Figura 5.50 muestra el mapa de pseudo-volumen de arcilla generado a partir del
modelo de regresin lineal. Como es de esperarse, el rango de valores oscila entre 0 (arena
limpia) y 1 (lutita).


130

Para este mapa, los contrastes importantes en volumen de arcilla son indicativos de
variaciones significativas en el contenido de arcilla de la roca, denotando cambios de litologa
entre arena y lutita. Se pueden identificar zonas de bajo contenido de arcilla (cuerpos de arena)
por toda la zona norte, noreste y central del rea de estudio. As mismo, se identifican valores
bajos en la zona de truncacin con el domo salino y tambin al suroeste por el bloque levantado
de la falla sur. Los cuerpos de arena presentan una tendencia aproximada este-oeste, paralela al
rumbo de las fallas principales. Es importante destacar que los cuerpos identificados coinciden
con la ubicacin de los pozos en el rea de estudio.
La Figura 5.51 muestra el mapa de pseudo-volumen de arcilla generado a partir del
modelo de redes neuronales. De nuevo, los valores oscilan entre 0 y 1. En este mapa los
contrastes entre valores altos y bajos de volumen de arcilla estn mucho mejor definidos,
permitiendo as la identificacin ms clara de cuerpos de arena. Los cuerpos al norte, noreste y
centro del rea de estudio presentan una tendencia este-oeste, paralela al rumbo de las fallas
principales. El comportamiento de este mapa refleja lo visto en el histograma de la Figura 5.49,
en el cual se pueden distinguir claramente dos valores dominantes de volumen de arcilla, uno
referido a arenas y otro referido a lutitas.
Comparando los dos mapas, se puede discutir que ambos muestran los cuerpos de arenas
en las mismas zonas, que coinciden con la ubicacin de los pozos. Adems, ambos muestran las
mismas orientaciones de los cuerpos, con tendencias este-oeste. Sin embargo, se observa
claramente que el mapa generado a partir del modelo de redes neuronales muestra contrastes
mejor definidos entre las zonas de arena y de lutita.
Se ha observado que los mapas de pseudo-volumen de arcilla presentan resultados ms
claros que aquellos de pseudo-porosidad total, en trminos de la definicin de los contrastes para
la identificacin de estructuras, cuerpos de arenas y zonas potencialmente prospectivas. Esto
tiene sentido, ya que en el anlisis propiedades-atributos se pudo ver que los coeficientes de
correlacin de los atributos ssmicos (en especial, los atributos de amplitud) con la propiedad de
volumen de arcilla, resultaron ser significativamente mayores que aquellos entre los atributos y la
propiedad de porosidad. A pesar de esto, se vio tambin que las zonas identificadas como cuerpos
de arenas en los mapas de pseudo-volumen de arcilla, coinciden con las zonas de alta porosidad
detectadas en los mapas de esta propiedad, y tambin con las ubicaciones de los pozos.
Especficamente en la zona noreste alrededor de las 3 fallas principales del norte, la zona norte, la
zona de truncacin con el domo salino y la zona suroeste en el bloque levantado de la falla sur.

131

De esta manera podemos concluir que los mapas de las dos propiedades no se encuentran
sesgados, es decir, estn relacionados uno con el otro de la misma manera como se relacionan las
propiedades tericamente (a mayor porosidad, menor contenido de arcilla).

redes neuronales. Los puntos negros representan las ubicaciones de los pozos.

5.4.3.2. Paris
Se presentan las comparaciones entre los mtodos de regresin lineal multi-atributos y
redes neuronales para las propiedades de porosidad y lentitud de onda P, cuyos resultados fueron
los ms significativos.

132

rea versus los valores estimados mediante la regresin lineal con cuatro atributos. El coeficiente
de determinacin r2 es de 0,6533, con un error promedio (diferencia rms entre los valores
medidos y los valores estimados) de 0,051 en fraccin de porosidad. Una vez ms, al igual que en
los modelos de regresin lineal para las propiedades del horizonte Houston, se observan dos
patrones en esta grfica, con la tendencia a sobre-predecir los valores bajos de porosidad, como
se indica en la zona encerrada en rojo, y a sub-predecir los valores ms altos, como se indica en la
zona encerrada en azul.

la propiedad de porosidad (Horizonte Paris). Cada dato representa un pozo. La lnea negra es una
lnea X=Y

rea versus los valores estimados mediante el entrenamiento de la red neuronal. El coeficiente de
determinacin r2 es de 0,7949, con un error promedio (diferencia rms entre los valores medidos y
los valores estimados) de 0,042 en fraccin de porosidad. De manera similar al modelo de

133

regresin lineal, el modelo de redes neuronales tiende a sobre-predecir los valores bajos y sub-
predecir los valores altos. Sin embargo, existe una mayor cantidad de puntos en la zona de la
recta Y=X, lo cual se ve reflejado en un coeficiente de determinacin ms alto y un error
promedio que para el modelo de regresin.

de porosidad en el horizonte Paris. Cada dato representa un pozo. La lnea negra es una lnea
X=Y

Nuevamente, se compara la distribucin de valores arrojada por los mapas obtenidos a
partir de los dos modelos aplicados. La Figura 5.54 muestra los histogramas superpuestos. Como
se puede observar, el modelo de regresin lineal presenta una distribucin con porosidad
dominante de 0,25, mientras que el modelo de redes neuronales muestra un valor dominante de
0,22. El modelo de redes neuronales arroja valores un poco menores al modelo de regresin
lineal, pero en lneas generales el comportamiento de las distribuciones de ambos es bastante
similar.

134

Figura 5.54. Histogramas de porosidad total (fraccin) para los mapas obtenidos a partir de
regresin lineal multiatributos (azul) y redes neuronales (verde) en el horizonte Paris

La Figura 5.55 muestra el grfico de los valores medidos de lentitud de onda P en los
pozos del rea versus los valores estimados mediante la regresin lineal con cuatro atributos. El
valores medidos y los valores estimados) de 4,55 s/pie. Una vez ms, el modelo de regresin
tiende a sobre-predecir los valores bajos, como se indica en la zona encerrada en rojo, y a sub-
predecir los valores ms altos, como se indica en la zona encerrada en azul.
La Figura 5.56 muestra el grfico de los valores medidos de lentitud de onda P en los
pozos del rea versus los valores estimados mediante el entrenamiento de la red neuronal. El
valores medidos y los valores estimados) de 3,42 s/pie. Se observa una mayor cercana de los
puntos a la recta Y=X, aunque an se observa que algunos valores altos tienden a sub-predecirse.

135

la propiedad de lentitud de onda P. Cada dato representa un pozo. La lnea negra es una lnea
X=Y

de lentitud de onda P. Cada dato representa un pozo. La lnea negra es una lnea X=Y

136

La Figura 5.57 muestra los histogramas superpuestos de la distribucin de valores
arrojada por los mapas obtenidos a partir de los dos modelos aplicados. Como se puede observar,
el modelo de redes neuronales presenta una distribucin cuyo valor dominante es de 113 s/pie,
mientras que la distribucin del modelo de regresin lineal arroja un valor dominante de muestra
una porosidad dominante de 116 s/pie. A pesar de que los valores dominantes de ambos
modelos son similares, el comportamiento de las distribuciones es muy distinto. En el modelo de
redes neuronales, el histograma muestra un comportamiento ms achatado, en contraste con el
modelo de regresin lineal, en el cual se nota un comportamiento agudo indicando recurrencia de
los valores cercanos a la lentitud de onda P dominante a lo largo del rea.

Figura 5.57. Histogramas de lentitud de onda P (s/pie) para los mapas obtenidos a partir de
regresin lineal multiatributos (verde) y redes neuronales (rojo) en el horizonte Paris

A continuacin se presentan los mapas de pseudo-propiedades obtenidos a partir de los
dos modelos; luego de la comparacin y anlisis cuantitativo, se hace el estudio cualitativo en
trminos de la distribucin de los valores de dichas propiedades en el rea.

137

La Figura 5.58 muestra el mapa de pseudo-porosidad total generado a partir del modelo
de regresin lineal. Los valores de porosidad total oscilan entre 0 y 0,5 (fraccin). En este mapa
no se pueden identificar tendencias claras, en el sentido de que existe una gran cantidad de
pequeas zonas de alta porosidad aisladas. Sin embargo, se destaca la presencia de una zona de
alta porosidad ubicada al noreste del rea, y coincide con la ubicacin del pozo Copper. La zona
noroeste, cercana a la truncacin del domo salino, y que cuenta con varios pozos, tambin tiene
una zona de alta porosidad, aunque no bien definida. Mismo caso ocurre para la zona suroeste en
la ubicacin del pozo Garnet.

Figura 5.58. Mapa de pseudo-porosidad total para el horizonte Paris, obtenido mediante regresin
lineal multi-atributos. Los puntos negros representan las ubicaciones de los pozos.

138

La Figura 5.59 muestra el mapa de pseudo-porosidad generado a partir del modelo de
redes neuronales. Los valores de porosidad total oscilan tambin entre 0 y 0,5 (fraccin). El
comportamiento de este mapa es bastante similar al del mapa generado por regresin lineal en
trmino de las zonas de alta porosidad y su distribucin respecto a las ubicaciones de los pozos.
La diferencia fundamental son que los valores de porosidad en estas zonas, en especial en la zona
importante al noreste (en la ubicacin del pozo Copper) son menores, corroborando as lo
observado en el histograma de la Figura 5.54.

Figura 5.59. Mapa de pseudo-porosidad total para el horizonte Paris, obtenido mediante redes
neuronales. Los puntos negros representan las ubicaciones de los pozos.

139

Al igual que para el horizonte Houston, los resultados de los mapas de porosidad para el
horizonte Paris deben ser tomados con cierta reserva, debido a los bajos valores de los
coeficientes de correlacin entre la propiedad de porosidad y los atributos ssmicos utilizados en
el estudio.
La Figura 5.60 muestra el mapa de pseudo-lentitud de onda P generado para el horizonte
Paris, a partir del modelo de regresin lineal. Los valores de lentitud oscilan entre 108 y 126
s/pie.

Figura 5.60. Mapa de pseudo-lentitud de onda P para el horizonte Paris, obtenido mediante

140

En este mapa s se nota un contraste bien definido en los valores de lentitud de onda P.
Los valores ms altos se ubican al norte del rea de estudio, mientras que en el centro y el sur,
salvo la presencia de algunas anomalas aisladas, en general se presentan los valores ms bajos.
Dentro de la zona norte, donde se encuentran los valores altos, se puede distinguir una anomala
importante que coincide con las ubicaciones de los pozos Copper y Citrine. Mientras que al norte,
hacia la zona de truncacin con el domo y las ubicaciones de varios pozos, se pueden identificar
anomalas con una tendencia este-oeste, paralela al rumbo de las fallas principales.
La Figura 5.61 muestra el mapa de pseudo-lentitud de onda P generado a partir del
modelo de redes neuronales. De nuevo, los valores oscilan entre 108 y 126 s/pie. Tambin se
observa el predominio de los valores altos hacia el norte, la presencia de la anomala en el
noreste, en la ubicacin de los pozos Copper y Citrine, y las anomalas con tendencia este-oeste,
hacia el norte del rea, cerca de la truncacin hacia el domo salino.
La propiedad de lentitud de onda P, al representar el inverso de la velocidad, en teora
tiene una relacin directa con la impedancia acstica, que es el producto de la densidad por la
velocidad, y por consiguiente con la respuesta ssmica. Los contrastes de velocidad deberan
representar contrastes de impedancia, que pueden estar asociados a litologa o presencia de
fluidos. Comparando los mapas generados con los dos modelos, se pudo observar lo siguiente:
(1) en ambos, los valores altos de lentitud P, es decir los valores bajo de velocidad y de
impedancia, que estn asociados a arena, se encuentran al norte del rea de estudio, mientras que
al centro y al sur predominan los valores altos de velocidad e impedancia; (2) el mapa generado a
partir de regresin lineal presenta un carcter ms homogneo, en contraste con el mapa a partir
de redes neuronales, que se ve con una mayor cantidad de anomalas aisladas y tiene un aspecto
ms ruidoso. De nuevo, los resultados de estos mapas se deben tomar con el debido cuidado, a
raz de la baja correlacin entre atributos y la propiedad, y en este caso, tambin por la poca
cantidad de atributos utilizados en el modelo (nicamente dos).
Los mapas de pseudo-propiedades para el horizonte Paris deben manejarse con cuidado.
Las correlaciones atributo-propiedad son en general bajas. En esto tiene que ver tambin la
disminucin de la relacin seal-ruido con la profundidad.
A pesar de esto, se ha observado que, en los mapas de pseudo-porosidad, las zonas de alta
porosidad coinciden muy bien con las zonas de alta lentitud, es decir, baja velocidad e
impedancia, en los mapas de pseudo-lentitud de onda P. Estas son la zona noreste,

141

especficamente la anomala en la ubicacin del pozo Copper, y toda la zona norte, incluyendo la
zona cercana a la truncacin con el domo salino, que presenta anomalas con tendencia este-oeste
(paralelas al rumbo de las fallas principales) las cuales son ms claras en los mapas de lentitud
pero tambin se pueden observar ligeramente en los mapas de porosidad. Al igual que para el
horizonte Houston, se concluye que los mapas de las dos propiedades no se encuentran sesgados.

Figura 5.61. Mapa de pseudo-lentitud de onda P para el horizonte Paris, obtenido mediante redes
neuronales. Los puntos negros representan las ubicaciones de los pozos.

142

5.4.3.3. Discusin
Los resultados de los mapas de pseudo-propiedades petrofsicas generados para el rea de
estudio no puede decirse que sean concluyentes. Leiphart y Hart (2001) enumeran una serie de
criterios que deben ser cumplidos para que un estudio multi-atributos sea considerado como
exitoso. Los examinamos a continuacin:
(1) Los resultados deben ser significativos estadsticamente: como ya se ha mencionado, las
correlaciones ente la mayora de los atributos utilizados en este estudio, y las propiedades
seleccionadas, son bajas.
(2) Debe existir una relacin conocida o sospechada entre el atributo y la propiedad: no se
efecto una discriminacin en cuanto a qu atributos utilizar, sino que se incluyeron todos
los atributos disponibles en el software. Sera ms conveniente para futuros estudios ver
con mayor cuidado qu atributos se relacionan de manera directa y conocida con las
propiedades a estimar, para evitar correlaciones falsas y producto de la casualidad.
(3) Los resultados deben ser geolgicamente plausibles: a pesar de que los mapas presentan
ciertas tendencias, no se puede hablar con certeza de un sentido geolgico de las mismas,
debido a que no se cuenta con informacin local; los modelos existentes se enfocan a
nivel regional. Mapas y cubos de impedancia obtenidos a partir de inversin ssmica,
modelos de litofacies, anlisis de facies ssmicas, mapas sedimentolgicos, etc., seran
informacin valiosa para complementar y entender los procesos que generan estas
tendencias encontradas en los mapas.
(4) Los resultados deben coincidir con la data de produccin disponible: este es
probablemente el criterio que ms se cumpli. Se hizo el respectivo anlisis de
correlacin entre los datos medidos y los datos estimados, adems de calcular los errores
promedio.
A pesar de estas consideraciones, se pueden extraer ciertos rasgos interesantes en los
mapas, los cuales pueden servir como punto de partida para estudios ms detallados que incluyan
mtodos como los mencionados en el punto (3). Estos son:

- Las zonas de alta porosidad, alta lentitud de onda P y bajo volumen de arcilla,
identificadas al noreste y norte del rea de estudio, y que coinciden en todos los mapas

143

con las ubicaciones de los pozos en esa zona, presentan una tendencia aproximada este-
oeste. El estudio realizado por Weimer et al. (1998) destaca la presencia de arenas de
canal en los ambientes depositacionales de los campos situados en la zona costa afuera de
Louisiana. De acuerdo con esto, la forma y caractersticas de estos cuerpos identificados
en los mapas podra estar mostrando la presencia de uno o varios canales con sentido
aproximado este-oeste. De nuevo, esto no es concluyente.
- El trabajo realizado por Weimer et al. (1998) habla acerca de la interaccin entre la
tectnica asociada a cuerpos salinos y la sedimentacin en la zona costa afuera de
Louisiana en el Golfo de Mxico; se discute cmo la evolucin y las geometras de los
cuerpos salinos controlan la morfologas de las llamadas mini-cuencas en esta zona, y
tambin influyen en las vas de transporte de sedimentos, y por tanto, la forma como se
desarrollan los patrones estratigrficos. De acuerdo con lo observado en los mapas, la
forma de las zonas y cuerpos identificados, y su ubicacin respecto a las fallas y en
especial, respecto a la truncacin con el domo salino, se puede intuir que efectivamente
existe una relacin entre la tectnica del cuerpo salino y la sedimentacin en el rea. Pero
mucho ms que eso no se puede afirmar. Son necesarios estudios ms detallados a nivel
local para comprender esta interaccin.

CAPTULO VI
CONCLUSIONES Y RECOMIENDACIONES

- En este trabajo se aplicaron varios flujos de trabajo en distintas reas de las geociencias:
interpretacin ssmica y construccin de un modelo esttico en tiempo, conversin
tiempo-profundidad mediante aplicacin de varios modelos de velocidades con
variaciones en cuanto a disponibilidad de dato, y anlisis de atributos ssmicos para la
prediccin de propiedades petrofsicas, mediante regresin lineal multi-atributos y
mediante entrenamiento de redes neuronales.
- En la interpretacin estructural, los cubos de atributos, corridos a partir del cubo ssmico
original para identificar los eventos estructurales, dieron resultados satisfactorios. Las
discontinuidades detectadas coincidieron con las fallas principales interpretadas a partir
de la ssmica, tanto en rumbo como en buzamiento.
- El modelo estructural del rea present las siguientes caractersticas: estilo estructural
asociados al domo salino, fallas lstricas de rumbos similares y buzamientos hacia el
norte, adelgazamiento local, expresado en la disminucin de espesores hacia el cuerpo
salino. Caractersticas que coinciden con la geologa regional del norte del Golfo de
Mxico.
- La comparacin entre los diversos modelos de velocidad aplicados se hizo de manera
tanto cuantitativa, mediante la observacin de la precisin en el clculo del error de
profundidad, y los resultados de la validacin cruzada, como cualitativa, comparando la
distribucin de velocidades resultante mediante cubos y registros de velocidades.
- Se observ un cambio importante en el gradiente de variacin de velocidad con
profundidad, a nivel del horizonte Caracas, el cual fue tomado en cuenta por los modelos
basados en la ley de velocidad lineal.

145

- Los errores porcentuales promedio de profundidad calculados en todos los horizontes para
todos los modelos y sus variaciones oscilan entre 0,70 y 0,80. Los errores porcentuales
promedio entre los valores reales y los valores estimados por los modelos (validacin
cruzada) se encuentran en el rango entre 0,1 y 0,57. De esto se tiene que la zona no
presenta grandes variaciones laterales de velocidad.
- Para el estudio, contando slo con informacin de pozos, el mtodo de kriging presenta
una ventaja en poder predictivo respecto a los mtodos convencionales, mediante
funciones y curvas TZ de los pozos. Mientras que contando con velocidades de
apilamiento, y combinando stas con velocidades de los check shots, el cokriging arroja
mejores resultados que el kriging con tendencia y el factor de anisotropa ssmica-pozo.
- Los mapas estructurales en tiempo, generados a partir de la refinacin de las
interpretaciones ya existentes, y los mapas en profundidad, generados a partir de los
modelos de velocidades, estn controlados por el estilo tectnico de la zona. Se
observaron caractersticas comunes como el sistema de fallas principales de rumbo
aproximado este-oeste, y la truncacin de los horizontes hacia el domo salino.
- En el mapa de amplitud RMS del horizonte Houston se destaca la presencia de un punto
brillante en la cercana del domo salino. De acuerdo con la resolucin vertical calculada,
los espesores de arena y la expresin ssmica, se observ que podra tratarse de un
fenmeno de entonacin.
- Para el anlisis de atributos simple en el horizonte Houston, se observ lo siguiente:
correlaciones bajas con la porosidad y lentitud de onda P, correlaciones algo ms altas con
el volumen de arcilla (especialmente los atributos de amplitud) y correlaciones altas con
la impedancia acstica, pero slo con datos de 4 pozos. Para el horizonte Paris en general
se vieron correlaciones baja, excepto para la impedancia.
- El anlisis de regresin por pasos (stepwise regresin), determin el nmero de atributos
a utilizar para las ecuaciones de regresin lineal multi-atributos. Para el horizonte
Houston, la porosidad arroj una ecuacin con cuatro atributos, al igual que el volumen
de arcilla. Para el horizonte Paris, la porosidad dio una ecuacin con cinco atributos,
mientras que la lentitud de onda P arroj una ecuacin con dos atributos. En ambos
horizonte la impedancia acstica dio ecuaciones con nicamente dos atributos.

146

- En el entrenamiento de las redes neuronales para los modelos de estimacin de las
propiedades a partir de atributos, se logr en la mayora de los casos reducir lo ms
posible el error promedio de la data de validacin, a su vez manteniendo en un mnimo el
sobre-entrenamiento.
- Se observ en lneas generales que los coeficientes de determinacin entre los datos
medidos y los datos estimados, fueron mayores para los modelos de redes neuronales que
para los modelos de regresin lineal, a la vez que los errores promedio de estimacin
fueron menores.
- Los mapas de pseudo-propiedades para el horizonte Houston no se encuentran sesgados,
es decir, los mapas de porosidad y los de volumen de arcilla se relacionan en trminos de
las zonas de inters identificadas y su ubicacin respecto a los pozos. Los mapas de
volumen de arcilla, en especial aquel obtenido mediante redes neuronales, presentan
contrastes mejor definidos y permite la identificacin de zonas posiblemente asociadas a
cuerpos de arena. Los mapas de pseudo-propiedades para el horizonte Paris tampoco se
encuentran sesgados. Sin embargo, a pesar de que en ambos se identifica la zona norte y
noreste como de inters, las anomalas no estn tan bien definidas, debido a las bajas
correlaciones atributo-propiedad, donde tiene que ver tambin la disminucin de la
relacin seal-ruido con la profundidad.
- Los resultados de los mapas de pseudo-propiedades no son concluyentes; sin embargo, las
tendencias y ubicacin de los cuerpos detectados muestran la posible existencia de arenas
de canal en el rea de estudio. Adems, se infiere la relacin de estos cuerpos y su
sedimentacin con la tectnica asociados al cuerpo salino.
- Se recomienda complementar el estudio atributos ssmicos-propiedades petrofsicas con
mapas y cubos de impedancia obtenidos a partir de inversin ssmica, modelos de
litofacies, y/o anlisis de facies ssmicas, con la finalidad de delinear mejor los cuerpos de
inters y generar modelos petrofsicos ms robustos.

CAPTULO VII

REFERENCIAS

Al-Chalabi, M. (1997). Instantaneous Slowness versus Depth Functions. Geophysics, v. 62, no. 1,
pp. 270-273.

Bird, D., Burke, K., Hall, S. y Casey, J.F. (2005). Gulf of Mexico Tectonic History: Hotspot
Tracks, Crustal Boundaries, and Early Salt Distribution. AAPG Bulletin, v. 89, no. 3, pp. 311-
328.

Brown, A. R. (2001). Understanding Seismic Attributes. Geophysics, v. 66, no.1, 47-48.

Dix, C.-H. (1995). Seismic velocities from Surface Measurements. Geophysics, v. 20, pp. 68-86.

Dobrin, M. y Savit, C. (1988). Introduction to Geophysical Prospecting. Cuarta Edicin.
McGraw-Hill, Inc, USA.

Faust, L.Y. (1951). Seismic Velocity as a Function of Depth and Geological Time. Geophysics,
v. 16, pp.192-206.

Galloway, W., Ganey-Curry, P. E., Li, X. y Buffler, L.T. (2000). Cenozoic Depositational
History of the Gulf of Mexico Basin. AAPG Bulletin, v. 84, no. 11, pp. 1743-1774.

Hampson, D.P., Schuelke, J.S. y Quirein, J.A. (2001). Use of Multiattribute Transforms to
Predict Log Properties from Seismic Data. Geophysics, v. 66, no. 1, pp. 220-236.

Harding, T.P. y Lowell, J.D. (1979). Structural Styles, Their Plate-Tectonic Habitats, and
Hydrocarbon Traps in Petroleum Provinces. AAPG Bulletin, v. 63, no. 7, pp. 1016-1058.

148

Hart, B.S. y Balch, R.S. (2000). Approaches to Defining Reservoir Physical Properties from 3-D
Seismic Attributes with Limited Well Control: An Example from the Jurassic Smackover
Formation, Alabama. Geophysics, v. 65, no. 2, pp. 368-376.

Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Segunda Edicin. Prentice-
Hall, Inc., Upper Saddle River, New Jersey.

Hentz, T.F. y Zeng, H. (2003). High-Frequency Miocene Sequence Stratigraphy, Offshore
Louisiana: Cycle Framework and Influence of Production Distribution in a Mature Shelf
Province. AAPG Bulletin, v. 87, no. 2, pp. 197-230

Hohn, M.E. (1999). Geostatistics and Petroleum Geology. Segunda Edicin. Kluwer Academic
Publishers, USA.

Hubral, P. y Krey, T. (1980). Interval velocities from Seismic Reflection Time Measurements.
SEG.

Hwang, L. y McCorkindale, D. (1994). Troll Field Depth Conversion Using Geostatistically
Derived Average Velocities. The Leading Edge, v. 13, pp. 262-269.

Kalkomey, C.T. (1997). Potential Risks when Using Seismic Attributes as Predictors of
Reservoir Properties. The Leading Edge, v. 16, pp. 247-251.

Leiphart, D.J. y Hart, B.S. (2001). Comparison of Linear Regression and a Probabilistic Neural
Network to Predicr Porosty from 3-D Seismic Attributes in Lower Brushy Canyon Channeled
Sandstones, Southeast New Mexico. Geophysics, v. 66, no. 5, pp. 1349-1358.

Marsden, D. (1989). Layer Cake Depth Conversion. The Leading Edge, v. 8, pp. 10-14.

Ravve, I. y Koren, Z. (2007). Conic Velocity Model. Geophysics, v. 72, no. 3, pp. U31-U46.

Regueiro, J. (1997). Ssmica para Ingenieros y Gelogos de Yacimientos. Cursos.

Rowan, M.G. y Weimer, P. (1998b). Salt-Sediment Interaction, Northern Green Canyon and
Ewing Bank (Offshore Louisiana), Northern Gulf of Mexico. AAPG Bulletin, v. 82, no. 5B, pp.
1055-1082.

149

Rowan, M. G., Ratliff, R. A, Trudgill, B. D. y Barcel Duarte, J. (2001). Emplacement and
Evolution of the Mahogany Salt Body, Central Louisiana Outer Shelf, Northern Gulf of Mexico.
AAPG Bulletin, v. 85, no. 6, pp. 947-969.

Schlumberger. Oilfield Glossary, 2005. (Documento en lnea).

Slotnick, M.M.(1936). On Seismic Computations, with Applications, Part I. Geophysics, v.1,
pp.9-22.

Tiab, D. y Donaldson, E. (1996). Petrophysics: Theory and Practice of Measuring Reservoir
Rock and Fluid Transport Properties. Gulf Publishing Company, Houston.

Twiss, R. J. y Moore, E. M. (1992). Structural Geology. W.H. Freeman and Company, New
York.

Waters, K.H. (1978). Reflection Seismology. John Wiley & Sons, Inc, USA

Wackernagel, H. (1995). Multivariate Geostatistics. Spring-Verlag, Berlin.

Weimer, P., Crews, J.R., Crow, R.S. y Varnai, P. (1998). Atlas of Petroleum Fields and
Discoveries, Northern Green Canyon, Ewing Bank, and Southern Ship Shoal and South
Timbalier Areas (Offshore Louisiana), Northern Gulf of Mexico. AAPG Bulletin, v. 82, no. 58,
pp. 878-917.

Yassir, N.A. y Zerwer, A. (1997). Stress Regimes in the Gulf Coast, Offshore Louisiana: Data
from Well-Bore Breakout Analysis. AAPG Bulletin, v. 81, no. 2, pp. 293-307.

Yilmaz, O. (1987). Seismic Data Processing. Society of Exploration Geophysicists, Tulsa.

ARKCLS Seismic Solutions. http://www.arkcls.com/docs/pi/ssb/ch02s01.html. (Documento en
lnea). Consultado el 2 de marzo de 2009.

APNDICE 1
MTODO DE MINIMIZACIN DE ERROR DE LA PROFUNDIDAD

Cuando se dispone de informacin de velocidad en los pozos (check shots o registros
snicos), Petrel permite obtener el campo de velocidades mediante la ley de velocidad variable
linealmente con la profundidad (Slotnick, 1936). En esta ley de velocidades intervienen los
parmetros Vo (velocidad en el datum o en el tope de la capa) y k (gradiente de variacin de
velocidad).
Las leyes de velocidad para cada capa definida en el modelo son extradas mediante
minimizacin del error de la profundidad, a travs de la variacin del parmetro k. El mtodo se
describe paso a paso para la primera capa:

Vo = f(k, T, Z), significando que Vo puede ser calculado a partir de un valor de k un par (T, Z)
1. Se selecciona un registro de velocidad o una curva tiempo-profundidad (a partir de check
shots)
2. Comenzando con k=-2.0 se calcula Vo a partir de k y el par (Th, Zh) del tope de pozo
vinculado a la superficie (Figura A.1, punto rojo). Nota = Zh se deriva del tiempo doble
de viaje de la superficie Th y la curva tiempo-profundidad.
3. Utilizando Vo y k=-2.0 se calcula el valor de z para cada muestra de tiempo dentro de la
capa y cada ubicacin (Figura A.2)
4. Se calcula la diferencia entre la profundidad medida y la profundidad calculada en cada
muestra (Figura A.2)
5. Se suma el error de todas las muestras y todas las ubicaciones.
6. Se incrementa el valor de k en 0.01, por ejemplo, y se repite el proceso.

151

Figura A.1. Esquema de los pares TZ generados a partir del registro de velocidad. El punto rojo
representa el par TZ del tope de pozo vinculado al horizonte.

Figura A.2. Esquema mostrando los valores de z (tringulos) calculados para cada muestra de
tiempo (crculos) dentro de la capa, y el clculo del error de profundidad para todas las muestras

7. Se detiene el proceso luego de 400 pasos, por ejemplo.
8. Se grafica el error de profundidad versus k (Figura A.3)
9. Se utiliza el valor de k que arroja el error mnimo y su Vo equivalente para la ley de
velocidad lineal.

152

Figura A.3. Grfica de error de profundidad versus k para una determinada capa

El mnimo de la grfica representa el error total de profundidad mnimo para todas las
muestras en todos los pozos para esa capa. Define el valor de k para el modelo. El grfico
tambin proporciona una indicacin acerca de la confiabilidad de la estimacin de k. Por
ejemplo, en la Figura A.4, la capa con la curva en azul, al tener un comportamiento ms agudo,
indica una estimacin menos incierta que en la capa con la curva roja, la cual presenta un
comportamiento ms plano.

Figura A.4. Comparacin de grficos de error de profundidad versus k para dos horizontes
diferentes (curvas azul y roja), para comprobar la confiabilidad en la estimacin de k

153

Jorge Fernandez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Jorge Fernandez

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD SIMN BOLVAR

DECANATO DE ESTUDIOS PROFESIONALES

También podría gustarte