Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
YACIMIENTOS DE PETRLEO
Asesor
GUILLERMO ALZATE
Ingeniero de Petrleos
AGRADECIMIENTOS
Queremos agradecer a todas las personas que de una o otra manera hicieron posible la
realizacin de este trabajo, muy en particular al Profesor Guillermo Arturo Alzate (M.Sc
Ingeniera de Petrleos) por haber servido como asesor del proyecto y ms an por su
incondicional ayuda que sin duda alguna ser muy importante para nosotros poder
cumplir con las nuevas metas que nos hemos trazado por conseguir.
Tambin agradecer a nuestros compaeros de la Universidad que nos ayudaron a lo largo
de estos aos. En particular aquellos que nos sirvieron de puente de comunicacin con la
Universidad cuando no pudimos estar presentes. Les hacemos partcipes de este logro:
Jaime, Pablo, Juan Guillermo, Carlitos, David (Yeti), Isabel, Marcelo, Eduard, y a los
dems. Su apoyo es invaluable.
Al profesor Dr. Richard Hughes de la Universidad de Oklahoma quien de muy buena
manera nos facilit la informacin para el ejemplo de aplicacin y sirvi de medio para
poder acceder al uso del programa 3DSL para simulacin de flujo tipo streamline.
RESUMEN
ABSTRACT
TABLA DE CONTENIDO
Pg
LISTA DE TABLAS
LISTA DE FIGURAS
II
III
RESUMEN
IV
ABSTRACT
1. INTRODUCCIN
2.1.
GENERALIDADES
2.2.
EL SEMIVARIOGRAMA
12
2.2.1.1.
Modelo Esfrico.
14
2.2.1.2.
Modelo Exponencial.
15
2.2.1.3.
Modelo Gaussiano.
15
2.2.1.4.
Modelos Combiandos.
17
2.2.1.5.
18
2.2.1.6.
20
21
2.3.
22
2.4.
UN EJEMPLO SIMPLE.
25
2.5.
MODELOS DE ESTIMACIN.
27
29
2.5.1.1.
29
2.5.1.2.
31
2.5.1.3.
El Parmetro de Lagrange.
32
2.5.1.4.
33
2.5.2. Corregionalizacin.
36
2.5.2.1.
37
37
38
2.6.
39
SIMULACIN GEOESTADSTICA.
39
2.6.1.1.
Mtodos Secuenciales.
39
2.6.1.2.
40
41
2.7.
42
45
4. METODOLOGA DE TRABAJO.
48
5. RESULTADOS.
51
5.1.
MAPAS DE VARIOGRAMA.
51
5.2.
VARIOGRAFA.
53
5.3.
KRIGING.
56
5.4.
SIMULACIN GEOESTADSTICA.
58
5.5.
66
6. ANLISIS DE RESULTADOS.
70
6.1.
SUPERFICIES VARIOGRFICAS.
70
6.2.
VARIOGRAFA.
70
6.3.
71
6.4.
APLICACIONES.
73
74
7. CONCLUSIONES
77
8. RECOMENDACIONES
79
REFERENCIAS.
BIBLIOGRAFA.
ANEXOS
LISTA DE TABLAS
Pg
TABLA 1. Diferentes estadsticos de Dispersin
57
67
LISTA DE FIGURAS
Pg
FIGURA 1. Diagramas H de Dispersin.
10
11
14
15
16
16
18
19
20
20
22
23
25
26
26
27
43
43
44
44
45
48
50
51
52
53
54
54
55
56
56
58
59
61
62
63
64
65
66
68
69
71
72
76
1. INTRODUCCIN
2.1 GENERALIDADES
El lector de un tema cualquiera en geoestadstica debe conocer y estar familiarizado con los
trminos y conceptos bsicos empleados en este tipo de estudio. Algunos de estos trminos
pueden parecer extraos en el contexto de la ingeniera de petrleos pero por consistencia
con la literatura sern mantenidos aqu. En esta parte del captulo se presentan algunos
conceptos bsicos para poder entender la teora geoestadsitica.
Una variable distribuida en un espacio o rea es una variable regionalizada. Ejemplos de
estas variables son el espesor de una formacin, el gradiente geotrmico, la produccin
acumulada, la porosidad y la permeabilidad. El espacio en el cual se distribuye la variable
puede incluso considerar el tiempo. Por ejemplo, los valores de temperatura a travs del
tiempo en un punto dado es una variable regionalizada.
Una variable aleatoria toma valores que siguen una distribucin cualquiera de
probabilidad. Considrese como ejemplo un valor de permeabilidad medido en un
horizonte dado de un pozo. Entonces dicho valor de permeabilidad es una realizacin
particular de una variable aleatoria. Cada valor de permeabilidad observado representa
una variable aleatoria diferente y el conjunto formado por estas variables constituye una
funcin aleatoria. Para estimar un nuevo valor de esta funcin en un punto nuevo
cualquiera, se usan los valores ya observados en conjunto con algn tipo de informacin
extra que se posea del problema.
Dicha funcin aleatoria tiene dos componentes:
Los gelogos usualmente asumen la presencia del primer componente mientras desprecian
el segundo. Por el contrario, la geoestadstica cuantifica la contribucin relativa de ambos
componentes.
Uno de los aspectos caractersticos de los datos utilizados en un estudio geoestadstico es
que estos estn siempre localizados espacialmente. Tal caracterstica le aade al conjunto
de datos ciertas propiedades particulares como lo son: localizacin de valores extremos,
tendencias a travs del espacio y un grado de continuidad espacial. Pocas o ninguna de
las tcnicas aportadas por la estadstica univariada o bivariada pueden capturar las
3
FIGURA 1. Diagramas H de dispersin. (a) h = (0,1), (b) h = (0,2), h = (0,3), (d) h = (0,4)
Tomado de Srivastava e Isaaks, Applied Geostatistics, 1989
la distancia en la direccin norte. Grficas similares en las dems direcciones nos daran
una idea de cmo el coeficiente de correlacin cambia en funcin de la distancia y la
direccin.
TABLA 1. Diferentes estadsticos de dispersin
Tomado de Srivastava e Isaaks, Applied Geostatistics, 1989
Coeficiente de
Correlacin
Covarianza
Momento de Inercia
0,1
0.742
448.8
312.8
0,2
0.59
341
479.2
0,3
0.56
323.8
521.4
0,4
0.478
291.5
652.9
1
2n
(x
i =1
yi )
(1)
El momento de inercia calculado con la ecuacin (1), es la mitad del promedio del cuadrado
de la diferencia entre la coordenada x y la coordenada y para cada par de puntos en el
diagrama H de dispersin. El factor es consecuencia de que se esta calculando la
distancia perpendicular de los puntos a la lnea de 45.
La relevancia del momento de inercia respecto a la lnea de 45 radica en el hecho de estar
apareando puntos de la misma variable. Considrese el caso de aparear cada punto consigo
mismo, es decir, cuando h = (0,0). En tal caso, todos los puntos del diagrama deberan
coincidir con la lnea de 45 grados. Entonces el significado de dispersin de los puntos a
medida que h se incrementa es que se tiene otro ndice de continuidad a partir del momento
de inercia.
En forma contraria a los dems ndices de continuidad ya expuestos, el momento de inercia
6
crece a medida que la nube de puntos se hace ms dispersa. Lo anterior se puede observar
en la Tabla 1, donde el momento de inercia crece al tiempo que el coeficiente de
correlacin y la covarianza decrecen.
La relacin entre el momento de inercia de un diagrama H de dispersin y su valor de h es
llamado semivariograma (h). El semivariograma, o simplemente el variograma, en la
direccin norte se muestra en la Figura 2 parte (c).
.
Los tres mtodos estadsticos propuestos para cuantificar la dispersin de los puntos en la
nube son sensibles a datos errneos. Siempre es importante la evaluacin de un cambio en
la estadstica de los datos cuando tales puntos son removidos. En la prctica, tanto la
funcin de correlacin como la funcin de covarianza y el variograma podran no describir
satisfactoriamente la continuidad espacial debido a unos pocos datos errneos. Nuevamente
se recomienda como prctica, chequear la existencia de datos errneos que puedan alterar el
estudio de la continuidad espacial.
FIGURA 2. Figuras de (a) coeficiente de correlacin, (b) covarianza y (c) momento de inercia.
Tomado de Srivastava e Isaaks, Applied Geostatistics, 1989
Comentario [Comment1]: fu
ncion
v i v j m h m +h
N (h ) ( i , j ) hi , j =h
(2)
Donde 1,.....,n representan los datos; la sumatoria se aplica sobre los N(h) pares cuyas
ubicaciones estn separadas por una distancia h. m-h es la media de todos los datos cuyas
ubicaciones estn separadas por una distancia -h, mientras que m+h es la media de todos los
datos cuyas ubicaciones estn separadas por una distancia +h.
La funcin de correlacin, (h), es la funcin de covarianza estandarizada por las
desviaciones estndar de todos los datos cuyas ubicaciones estn separadas por una
distancia -h y +h.
( h ) =
C (h)
h +h
(3)
(h) =
1
2 N (h)
(v
( i , j ) hij =h
v j
(4)
Los valores de (h), C(h) y (h) no se ven afectados si los subndices i y j son
intercambiados en las ecuaciones anteriores. Esto implica que:
(h) = (-h) , C(h) = C(-h) y (h) = (-h)
(5)
Es decir, el valor calculado en una direccin cualquiera de las tres funciones anteriores, ser
idntico al calculado en la direccin exactamente opuesta. Es por esto que cuando se
describe la continuidad espacial se habla en direcciones combinadas, norte - sur por
ejemplo, en lugar de norte solamente.
Ahora bien, aunque una serie de diagramas H provee la ms completa descripcin espacial,
usualmente estos contienen demasiada informacin que necesita cierto tipo de resumen. Ya
se han introducido tres funciones que ayudan en este propsito: la funcin de correlacin,
(h); la funcin de covarianza, C(h); y el variograma ,(h). Todas ellas utilizan
informacin de los diagramas H de dispersin para describir como la continuidad espacial
de un grupo de datos cambia en funcin de la distancia y la direccin. As pues, cualquiera
de ellos es adecuado para el propsito descriptivo, sin embargo, el variograma es la funcin
8
tradicionalmente usada.
2.2 EL SEMIVARIOGRAMA
El primer paso en un anlisis geoestadstico es la variografa. Esto implica calcular y
modelar el variograma. El semivariograma es la herramienta bsica de la geoestadstica en
la medicin de la autocorrelacin espacial de una variable regionalizada. Como su nombre
implica, un semivariograma es un mtodo de medir varianza. Si bien existen
procedimientos para modelar un semivariograma a travs de mtodos iterativos de mnimos
cuadrados, en la prctica se recomienda una detallada observacin del modelo ajustado al
comportamiento exhibido por los datos. Finalmente, un modelo adecuadamente ajustado
permitir el clculo de estimativos que reflejarn la correlacin espacial de la variable
tratada.
Una va sencilla para cuantificar como una variable z cambia en valor entre un sitio x y otro
situado a una distancia de h unidades, es decir, a una distancia x + h, es calcular la
diferencia z(x) - z(x + h). Si la superficie representada por los dos puntos es continua y h es
una distancia corta, se esperara un valor pequeo para la diferencia en cuestin.
Contrariamente, a medida que h se incrementa, dicha diferencia se hace mayor.
Trasladando esta idea intuitiva a una frmula, es obvio que se estar interesado en el
comportamiento de:
[z ( x ) z ( x + h ) ]
(h ) =
(6)
2n
FIGURA 3. Ejemplo del rea de bsqueda de datos despus de ser asignados los respectivos
valores de tolerancia.
Tomado de Srivastava e Isaaks, Applied Geostatistics, 1989
Ahora es apropiado introducir la terminologa que es usada para describir las caractersticas
relevantes de un variograma (Figura 4).
Rango: A medida que la distancia de separacin entre los puntos apareados aumenta, el
correspondiente valor del variograma generalmente tambin se incrementa.
Eventualmente, los incrementos en h no causarn ms incremento en el valor del
variograma, de tal forma que este alcanzar una zona de valores constante sin importar los
cambios en h. La distancia a la cual el variograma alcanza esta zona es llamada rango del
10
variograma.
Sill: corresponde al valor que alcanza el variograma cuando este llega al rango.
Efecto Nugget: aunque el valor del variograma cuando h = 0 es estrictamente 0, varios
factores, tales como el error al momento de tomar los datos y la variabilidad a pequea
escala, pueden causar que valores separados por distancias muy cortas sean
extremadamente diferentes. Esto causa una discontinuidad en el origen del variograma.
Este salto vertical desde el origen hasta el valor exhibido por el variograma es llamado el
efecto nugget. La razn entre el efecto nugget y el sill es conocida como el efecto nugget
relativo y es usualmente reportado en porcentaje.
La presencia del efecto nugget implica, en la variable estudiada, abruptos cambios de
continuidad en pequeas distancias, alta variabilidad a una escala ms pequea que la de
muestreo o baja precisin en la medicin. La presencia o ausencia de efecto nugget puede
entonces depender de la escala relativa de muestreo respecto a la escala de variacin del
fenmeno estudiado.
12
Esfrico
Exponencial
Gaussiano
3 h h 3
2 a 2 a 3
(h ) = C
(h ) = C
para h a
(7)
para h > a
Sill = 480
Rango = 9
14
(h ) = C 1 exp
3h
(8)
Sill = 480
Rango = 9
15
h 2
a 2
(h ) = C 1 exp
(9)
16
(h ) = 1 (h ) + 2 (h )
(10)
Donde
3 h h 3
3
2 a 2 a
1 (h ) = C
1 (h ) = C
para h a
(11)
para h > a
2 (h ) = C 0
para todo a
(12)
(h ) = w 1 1 (h ) + w 2 2 (h ) + ... + w k k (h )
(13)
Donde 1(h) tiene en cuenta el efecto nugget y los dems modelos sumados describen las
dems caractersticas del semivariograma experimental. Los wk son factores de peso cuya
suma debe ser igual al sill del variograma experimental.
Como un ejemplo de aplicacin de un modelo combinado, considrese el caso de un
yacimiento naturalmente fracturado que produce de una formacin que consta de varios
estratos geolgicos intercalados. Es claro que en un caso como este son varios los factores
de variacin de porosidad, permeabilidad o potencial inicial de gas o petrleo.
Cada uno de estos factores de variacin puede ser modelado dada una densidad de pozos
suficiente e incluso podemos incluir un efecto nugget para describir el tipo de variacin
cercana al pozo. El modelo hipottico de la Figura 9 incluye tres trminos:
sen (ah)
ah
(h ) = C 1 cos
a
(h ) = C 1
(14)
(15)
amplitud =
min C (h )
(16)
C (0 )
19
3h h 3
h h
cos + C
10 1
2
2
(h ) = 1 exp
(17)
(h ) = ph
(18)
(h ) = ph r
(19)
donde p es una constante y 0 < r < 2. Modelos con valores de r < 1 presentan
comportamiento semejante al modelo exponencial o esfrico en las cercanas del origen.
Los modelos con r > 1 son parablicos cerca al origen.
Z (x )
i
(20)
i =1
C (x
i
i =1 j =1
xj
(21)
y que debe ser mayor o igual a cero para que as C(h) sea positivamente definida. As
pues, un modelo cualquiera de covarianza ajustado a un semivariograma experimental debe
cumplir que VAR{} > 0. Esta necesidad se debe al hecho de que las futuras estimaciones
sern combinaciones lineales de valores conocidos. Es decir que los sistemas de
ecuaciones que se tendrn que resolver para hallar los estimativos, debern tener solucin
real y adems esta solucin ha de ser nica. El concepto de admisibilidad garantiza un
sistema de ecuaciones con estas caractersticas.
Por lo tanto, un modelo cualquiera para (h) debe probar admisibilidad. Afortunadamente,
modelos como los descritos cumplen admisibilidad. En cuanto a los modelos combinados
se tiene lo siguiente: Un modelo resultado de una combinacin lineal de modelos
21
Dado un grupo de variogramas que muestren el rango y/o el sill cambiando con la
direccin, se debe empezar por identificar los ejes de anisotropa. Dichos ejes
corresponden a las direcciones en las cuales se presentan el mayor y menor rango o el
mximo y mnimo sill en caso de anisotropa zonal. Mapas de contorno son
extremadamente tiles para determinar estas direcciones. Otra alternativa, adems de los
mapas de contorno, es una grfica en coordenadas polares de todos los variogramas
experimentales disponibles.
22
1 = a (h )
(22)
o lo que es equivalente,
1 (h ) = a (ah)
(23)
23
Este concepto de un modelo equivalente y distancia reducida puede ser extendido a dos
dimensiones. Si ax es el rango en la direccin x y ay es el rango en la direccin y, entonces
el modelo para este variograma anisotrpico puede ser expresado como:
(h ) = (h x , h y ) = 1 (h1 )
(24)
hy
h
h1 = x +
a x
a y
(25)
(26)
hy
h
h1 = x +
a x
a y
h
+ z
az
(27)
Este mtodo de usar modelos equivalentes y distancias reducidas tambin funciona con
modelos que no alcanzan un sill, es decir, con modelos lineales. La aplicacin que esto
tendra en el modelamiento de una anisotropa geomtrica se presenta en el siguiente
ejemplo:
Recurdese que la anisotropa geomtrica de un grupo de datos esta caracterizada por
semivariogramas direccionales que presentan aproximadamente el mismo sill pero difieren
en rango (en el caso de variogramas lineales, estos presentarn un cambio de pendiente con
la direccin). La Figura 15 muestra tres variogramas direccionales a lo largo de los tres
ejes perpendiculares de anisotropa. Cada modelo direccional consta de solo una estructura
(no combinado) y los tres alcanzan idntico valor de sill. Sin embargo, sus rangos son
diferentes. Un modelo tridimensional equivalente para el caso presentado en la Figura 12
esta dado por:
24
(h ) = w 1 1 (h 1 )
(28)
y la distancia reducida h1 esta dada por la ecuacin 27, donde ax, ay y az son los rangos de
los modelos direccionales a lo largo de los ejes de anisotropa; hx, hy y hz son las
componentes de h en las direcciones x, y y z de anisotropa y 1(h1) es el modelo
equivalente con rango estandarizado de 1.
3
2 0 .9 2 0 .9
(h ) = 1.8 10 6
(29)
25
En general, los parmetros usados en este primer intento parecen ajustar bien, pero el
modelo crece demasiado rpido para valores pequeos de h. Un rango ms largo provee un
mejor ajuste en esta regin pero alcanza el sill a una distancia muy corta. Por dichas
caractersticas el modelo esfrico parece estar equivocado sugiriendo que el uso de un
modelo exponencial podra dar mejores resultados.
0 .4
(h ) = 1.8 10 6 1 exp
(30)
El ajuste es tan bueno que se podra pensar que los datos fueron intencionalmente
calculados para el ejemplo. Sin embargo, datos reales fueron usados y la buena apariencia
26
27
estimado = v~ =
vi
(31)
i =1
variables aleatorias podran tener la misma media y la misma desviacin, pero aun as sus
distribuciones pueden ser muy diferentes. Sin embargo, si conocemos que una variable
aleatoria se distribuye de una forma Gaussiana la media y la varianza sern suficientes para
definirla completamente.
$ = w j
(32)
j =1
Si definimos el error, r, de un valor estimado como la diferencia entre este y el valor real en
la misma posicin,
ri = $i i
(33)
1
k
(34)
i =1
w V (x )
i
(35)
i =1
(36)
Sustituyendo la ecuacin (35) en la (36) se obtiene una expresin para el error que se
comete cuando se estima el valor desconocido en el punto x0.
R(x0 ) =
V ( x i ) V ( x 0 )
(37)
i =1
La forma de asegurar que el error de estimacin en una ubicacin particular tiende a cero,
es determinando la forma que tomara la ecuacin (37) cuando el valor esperado del error
es cero.
30
E { R ( x 0 )} = E {
w V ( x ) V ( x
i
)}
i =1
E { R ( x 0 )} =
w E {V ( x )} E {V ( x
i
)}
i =1
E { R ( x 0 )} = E {V }
E {V }
i =1
(38)
La condicin de imparcialidad se obtendr cuando el valor esperado del error sea igual a
cero. Igualando la ecuacin (38) a cero se concluye que la condicin de imparcialidad del
modelo se cumplir cuando la suma de los pesos de la combinacin lineal sea igual a 1.
0 = E {V }
E {V }
i =1
n
=1
i =1
(39)
(40)
w i V i } =
i =1
w w
i
i =1 j =1
31
j C ij
(41)
Asumiendo que todas las variables aleatorias tienen la misma varianza entonces el tercer
trmino del lado derecho de la ecuacin (41) puede ser reemplazado por:
~2
Cov V (x 0 )V (x 0 ) =Var{V ( x 0 ) } =
(42)
w V )V
2 Cov{V$( x 0 )V ( x 0 )} = 2 Cov{(
o}
i =1
=2
Cov{V i V 0 }
i =1
=2
w C
i
i0
i =1
(43)
Combinando los tres trminos obtenidos en las ecuaciones (41), (42) y (43) y
reemplazndolos en la ecuacin (40) se obtiene la siguiente expresin para la varianza del
error:
n
~ R2 = ~ 2 + w i w j C ij 2 w i C i 0
i =1 j =1
(44)
i =1
Una vez escogidos los parmetros de la funcin aleatoria, esto es, la varianza 2 y las
covarianzas ij, la ecuacin (44), se tendr una expresin para calcular la varianza del error
como una funcin de los pesos w1,.......,wn. La minimizacin de la varianza del error se
puede realizar calculando las primeras derivadas parciales e igualndolas a cero. Este
procedimiento generara un sistema de n ecuaciones con n incgnitas que puede ser resuelto
con un algoritmo para un sistema de ecuaciones lineales. Desafortunadamente este
procedimiento resulta incorrecto ya que la solucin obtenida esta limitada por el concepto
de imparcialidad (la suma de los pesos debe ser igual a 1). Para evitar este problema se
tendr en cuenta la tcnica de los multiplicadores de Lagrange.
medio de una nueva variable denominada como el parmetro de Lagrange (). Escribiendo
la ecuacin (44) con el nuevo trmino que incluye el parmetro de Lagrange se tiene:
n
~ R2 = ~ 2 + w i w j C ij 2 w i C i 0 + 2 ( w i 1)
i =1 j =1
i =1
i =1
(45)
Hay dos cosas importantes que resaltar en la ecuacin (45): la primera es que la
introduccin del nuevo termino no afecta la ecuacin ya que este es igual a cero, y la
segunda es que se esta teniendo en cuenta el concepto de imparcialidad al introducir la
sumatoria de los pesos y dar por entendido que esta sumatoria es igual a 1.
Ahora bien, si se expresan las n+1 derivadas parciales de la ecuacin (45) se obtendr un
sistema de n+1 ecuaciones con n+1 incgnitas, en donde la nueva incgnita seria el
multiplicador de Lagrange. En particular si se calcula la derivada parcial de R2 con
respecto a y se minimiza (igualar la derivada a cero) se obtendr la condicin de
imparcialidad de la ecuacin (39).
2.5.1.4 Minimizacin de la Varianza del Error.
Para minimizar la varianza del error se calculan las n+1 primeras derivadas de la ecuacin
(45). La derivacin con respecto a w1 se muestra en detalle y las dems derivadas con
respecto a los dems pesos se calculan de una forma anloga.
Expandiendo la doble sumatoria de la ecuacin de la ecuacin (45) y eliminando todos los
trminos que no incluyen w1 se obtiene:
~
i =1 j =1 w i w j C ij
n
w 1
w 12 C 11 + 2 w 1 j =2 w j C 1 j
n
w 1
~
= 2 w 1 C 11 + 2
j C1 j
j =2
=2
j C1 j
j =1
(46)
El tercer trmino de la derecha de la ecuacin (45) solo contiene un trmino que involucra a
w1. La derivada quedar de la siguiente manera:
~
i =1 w i C i 0
n
w 1
w 1 C 10
w 1
) = C~
(47)
10
33
De igual manera el ltimo trmino del lado derecho de la ecuacin (45) solo contiene un
termino que involucra w1. La derivada estar representada por
i =1 w i 1 w
( 1)=
=
w 1
w 1
n
(48)
Haciendo uso de las ecuaciones (46) a (48) se puede escribir la primera derivada de R2 con
respecto a w1 de la siguiente forma:
( ) =2
~ R2
w 1
j C1 j
~
2 C 10 + 2
(49)
j =1
Minimizar la funcin de la varianza del error es igualar las derivadas parciales a cero.
Igualando la ecuacin (49) a cero, se obtiene la siguiente expresin:
j C1 j
~
+ = C 10
(50)
j =1
La derivacin con respecto a los dems pesos producir ecuaciones similares a la ecuacin
(50). Tambin se vi en la seccin anterior que la derivacin con respecto a genera la
condicin de imparcialidad. Estas dos situaciones llevan a concluir que el conjunto de pesos
que minimizan la varianza del error son aquellos que cumplen con las siguientes dos
ecuaciones:
j C ij
~
+ = Ci0
i = 1, ....... , n
j =1
(51)
=1
i =1
El sistema de ecuaciones referido comnmente como kriging ordinario puede ser escrito
en notacin matricial como:
34
C~11
M
C~ n 1
~
L C 1n
O M
~
L C nn
L
~
1 w 1 C 10
M M M
= ~
1 w n C n 0
0 1
C w = D
(52)
Todas las covarianzas en el sistema de kriging de la ecuacin (52) se calculan a partir del
semivariograma y de las distancias entre las muestras y los puntos a ser estimados. Cada
entrada en la matriz C es una covarianza de muestra a muestra, es decir de solo valores en
donde la variable corregionalizada ha sido medida. Dicha matriz depende solo de las
ubicaciones de las muestras y no contiene ninguna informacin acerca de la ubicacin
geogrfica en la que se encuentra el estimado deseado. Si dos muestras estn muy cerca la
una de la otra, esto ser registrado como un valor alto de covarianza en la matriz C; lo
contrario suceder cuando las muestras estn muy lejanas. Esta matriz es generalmente
constante, ocasionando un ahorro en el tiempo computacional.
El vector D es un vector de covarianzas entre los puntos de las muestras y el punto a ser
estimado. Cabe recordar que para calcular las covarianzas se requiere tener el dato de la
distancia entre el punto de la muestra y el punto a ser estimado. Es claro que el sistema de
ecuaciones del kriging ordinario dependen de las covarianzas que sean escogidas para
calcular las matrices C y D. Escoger un modelo de covarianza es un requisito necesario del
kriging, lo que hace que los clculos se tornen un poco tediosos. Sin embargo es
importantsimo resaltar que la inclusin del modelo de covarianzas genera un mecanismo
que permite incluir el patrn de anisotropas de la variable regionalizada que se este
estudiando.
En la prctica, el patrn de continuidad espacial que se escoge para la funcin aleatoria es
el mismo que se determina del grupo de datos de la muestra. Una vez que se calcule el
variograma, se le ajusta un modelo mediante una funcin, por medio de la cual se podrn
determinar las covarianzas para las matrices del sistema de kriging. Sin embargo esta
prctica no siempre puede resultar exitosa, debido a que la elaboracin del variograma, y
por consiguiente del modelo de continuidad espacial, se puede dificultar por falta de datos o
errores en el muestreo, o por posibles valores errticos.
Otra forma de encontrar un modelo de continuidad espacial es mediante una apreciacin
cualitativa de los datos que se tienen. La experiencia con otros campos similares al que se
este estudiando (datos similares de las propiedades), puede ser una buena gua para
seleccionar el patrn de continuidad espacial, en particular en campos nuevos donde por
falta de informacin no se puede determinar un buen variograma.
35
2.5.2 Corregionalizacin.
Existen varias situaciones en las que seria conveniente sacar provecho de la covarianza
entre dos o ms variables regionalizadas:
*
z ck
=
z + y
i i
(53)
i =1
ejemplo, sea la profundidad de una formacin productora la variable primaria; esto debido a
que los datos de profundidad son solo observables directamente en los pozos. La variable
secundaria, debido a que un barrido ssmico puede proveer una cobertura total del rea,
podra ser el tiempo de viaje de una onda ssmica hasta el horizonte productor.
Kriging con parmetro externo es un estimador lineal como todos los anteriores que se han
visto hasta aqu:
*
z kpe
=
(54)
i i
i =1
C (v , v ) +
j
j =1
+ 2 y (v i ) = C (v i , V )
para todo i = 1, n
(55)
=1
(56)
y (v ) = y (V )
(57)
j =1
n
j =1
Ntese que solo hay un grupo de pesos; y que la variable secundaria no es usada en la
estimacin directamente pero si se muestra en una de las restricciones.
El mtodo de kriging con parmetro externo requiere dos grupos de datos. El primero es el
valor de ambas variables, tanto primaria como secundaria, en cada pozo. El segundo grupo
lo constituyen las observaciones de la variable secundaria en cada punto de la malla donde
la variable primaria ha de ser estimada. Debe proveerse tambin un semivariograma para la
variable primaria. Finalmente, el mtodo no requiere un variograma cruzado o un
variograma de la variable secundaria.
2.5.4 Kriging Colocado9
El cokriging ordinario puede ser utilizado para mejorar las estimaciones de, por ejemplo,
porosidad a partir de propiedades ssmicas. El hecho de que los datos ssmicos poseen un
muestreo ms denso comparado con los datos obtenidos de pozo, combinado con el efecto
de pantalla del kriging, conduce a que unos pocos valores de la variable secundaria son
necesarios en las ecuaciones de cokriging. Solo el valor de la variable secundaria ms
38
cercano al punto de estimacin recibe un alto peso. Si la malla usada para la estimacin es
igual a aquella donde la variable secundaria ha sido medida, entonces los nodos son
llamados colocados.
Esta observacin significa que las ecuaciones de cokriging pueden ser significativamente
simplificadas si se incluyen valores adyacentes de la variable primaria y solo un valor
colocado de la variable secundaria.
estimacin, es decir, se asume que las funciones de error son cuadrticas incurriendo as en
el siguiente inconveniente: No importa la forma de la distribucin de probabilidad de los
estimados, una funcin cuadrtica ser siempre minimizada por la media. Sin embargo, en
muchas situaciones prcticas, otro estimativo sera ms razonable de usar. Por ejemplo, en
el diseo de una plataforma marina de perforacin no se usara el estimado de la carga
media sino uno de la carga mxima.
42
43
44
45
Es ilgico pensar que las propiedades petrofsicas de un yacimiento son constantes en todos
los puntos que este contiene, y para la muestra basta solo con mirar con algn detalle los
datos a los que se estn haciendo mencin (Anexo B). Es aqu donde entra en juego la
tcnica geoestadstica que se ha venido mencionando a lo largo de este texto. Lo que se
pretende es dar un manejo apropiado a la informacin con la que se cuenta, para generar un
modelo geoestadstico que caracterice dicho yacimiento. A continuacin se presentan dos
opciones que permiten la solucin del problema planteado, es decir la generacin de mapas
geoestadsticos de porosidad y permeabilidad a partir de la informacin que se tiene del
campo.
1.
2.
Se plantea entonces la inquietud de definir una finalidad para la cantidad de modelos que se
pueden obtener a travs de una simulacin geoestadstica. Hipotticamente, las
realizaciones obtenidas podran ser utilizadas en un simulador de yacimientos para acoplar
un modelo que permita realizar simulaciones de flujo. Pero entonces de igual forma se
tendra la posibilidad de elegir entre una cantidad indefinida de realizaciones para incluir en
los parmetros de entrada del simulador. Una posibilidad de seleccin de un modelo nico
de parmetros petrofsicos, sera la de realizar un ajuste histrico de la produccin del
campo con la ayuda de un simulador de flujo, utilizando todas las realizaciones que se
46
47
4. METODOLOGA DE TRABAJO
Ya se han definido los problemas que se pretenden atacar en este proyecto. Ahora, se
plantea la metodologa de trabajo a seguir para cumplir con los objetivos que se han
planteado. La primera opcin de generacin del modelo geoestadstico, es quizs la mas
simple de las dos y la que histricamente se ha utilizado para obtener dichos modelos. La
metodologa para obtener un modelo de parmetro petrofsico mediante el uso del kriging
ordinario se presenta a continuacin.
FIGURA 24. Diagrama de flujo para obtencin de modelo geoestadstico usando kriging
ordinario.
La Figura 24 puede ser explicada de la siguiente manera:
El primer paso que se debe seguir es determinar por medio de la variografa cual es el
variograma que modela la correlacin espacial que dicha variable puede tener dentro del
rea de estudio. Para poder obtener un buen variograma se har uso de programas
geoestadsticos, que en primer lugar permiten analizar si existen anisotropas
geoestadsticas, y si tales anisotropas existen, entonces obtener los variogramas en la
mnima y en la mxima direccin de anisotropa. Recurdese que isotropa geoestadstica,
48
no significa que los valores de la variable son constantes dentro del rea de estudio, lo que
significa es que los cambios de dicha variable se pueden apreciar de una manera constante
en cualquiera de las direcciones en las que se estudie el fenmeno; por lo tanto anisotropa
geoestadstica significa que los valores de la variable de estudio cambian de diferente
manera a medida que se varia la direccin en la que se analiza el variograma. En caso de
que la variable sea isotrpica estadsticamente hablando, bastar con un variograma para
observar su correlacin espacial. El variograma (o variogramas si la variable es
anisotrpica) puede ser obtenido utilizando el programa GSLIB. En dicho paquete tambin
se puede obtener el modelo respectivo para el variograma, cuyas ecuaciones sern
utilizadas en la matriz del kriging ordinario.
El segundo paso ser utilizar las ecuaciones obtenidas en el modelo del variograma, para
alimentar la matriz del kriging ordinario. Dichas ecuaciones pueden ser ingresadas por
medio del GSLIB; el mismo programa realiza tanto la solucin de las matrices para cada
nodo dentro de la malla como un grfico en el que esquemticamente se puede apreciar la
solucin del problema. Debido a que las matrices del kriging son completamente lineales la
solucin del sistema no tomar demasiado tiempo computacional y por lo tanto la malla que
se puede utilizar en la obtencin del modelo geoestadstico por kriging puede ser tan
refinada como se quiera.
Tambin se defini en el captulo anterior una opcin para modelar geoestadsticamente un
yacimiento mediante el uso de la simulacin gaussiana. Se ha dicho que no basta con
obtener mltiples realizaciones de un parmetro petrofsico, ya que carecera de sentido
entregar como resultado muchos modelos geoestadsticos sin decidir cual es el definitivo.
La idea planteada era la generacin rangos de valores para las variables que se incluyen en
la evaluacin econmica de un proyecto. La segunda opcin se puede esquematizar con la
ayuda del diagrama de flujo de la Figura 25.
La Figura 25 puede ser explicada de la siguiente manera.
Los resultados obtenidos de la variografa y el kriging sern aplicados para alimentar un
archivo de datos de entrada en el programa GSLIB, con el fin de realizar la simulacin
geoestadstica gaussiana. En el marco terico de la simulacin gaussiana se ha dicho que se
podrn obtener mltiples realizaciones, es decir mltiples modelos de una misma variable,
dependiendo de un nmero aleatorio que definir el recorrido por medio del cual se irn
obteniendo los valores particulares de dicha variable de estudio en cada una de las celdas
del mallado que contiene el rea de estudio. Para fines prcticos se decidi generar cien
realizaciones para las variables porosidad y permeabilidad.
Utilizando los cien modelos de porosidad y permeabilidad, se realizarn igual nmero de
simulaciones de flujo, con las que se pretende modelar un proceso de inyeccin de agua.
Tales simulaciones se plantean hacer con un simulador de flujo de yacimientos del tipo
stream-line14, el cual permitir realizar dicho trabajo con un menor tiempo computacional
que el que se gastara utilizando un simulador de yacimientos convencional. Los
49
5. RESULTADOS
51
52
puede realizar una mejor aproximacin manipulando las magnitudes del vector h de
bsqueda y de la tolerancia que se le quiere dar a dicho vector. Se ha encontrado como
regla general que cuando el valor de la tolerancia se hace igual a la magnitud del vector h,
se pueden suavizar los picos que habitualmente se presentan en los variogramas que se
obtienen con diferentes tolerancias. Sin embargo, para encontrar el valor del vector h
adecuado, es necesario probar diferentes valores hasta que a juicio personal se crea que se
ha encontrado el variograma o mapa de variograma adecuado.
Ya se ha definido que se modelaran en este proyecto las propiedades de porosidad y
permeabilidad. Los mapas de variograma que se obtuvieron mediante el uso del GS+ se
muestran a continuacin en las Figuras 28 a 31. Es importante sealar que los valores que
se usaron para los vectores h de bsqueda y para la tolerancia del vector fueron 1522 y
2000 pies para porosidad y permeabilidad respectivamente. Bsicamente lo que se
encontr en dichos mapas, es que ninguna de las propiedades present anisotropa
geoestadstica. Un anlisis ms detallado de la razn por la cual se consider que las
propiedades porosidad y permeabilidad son isotrpicas geoestadsticamente se presentar
en el siguiente captulo. Por ahora solo basta saber que se puede considerar un
variograma omnidireccional para modelar la continuidad espacial tanto de porosidad
como de permeabilidad.
53
54
5.2 VARIOGRAFA
Para elaborar un variograma omnidireccional basta con considerar que la tolerancia del
ngulo de bsqueda del variograma es igual a 900. Esto significa, que la bsqueda de
datos para calcular el variograma se hace sin tener en cuenta una direccin especifica;
solo se tiene en cuenta la distancia definida por el vector h y por el valor de tolerancia de
dicho vector.
Utilizando el GSLIB se puede obtener el omnivariograma. Los datos de entrada que se
utilizaron fueron simplemente las coordenadas de la ubicacin de los datos, los datos
mismos, definir la tolerancia del ngulo de bsqueda como 900 y utilizar los valores de
magnitudes del vector de bsqueda y de la tolerancia que se obtuvieron con los mapas de
variograma (1522 pies para porosidad y 2000 para permeabilidad). Despus de obtener el
variograma, se utiliz el mismo paquete para encontrar el mejor modelo que lo
represente; se dice que es el mejor porque es el que menos error presenta entre los valores
del variograma y los valores del modelo. Los variogramas para porosidad y
permeabilidad, como tambin los modelos que los representan se pueden apreciar en las
Figuras 32 y 33.
55
56
La ecuacin 58 representa la grfica de un variograma del tipo esfrico con nugget. El sill
en este caso no es igual al valor de C, sino que es igual al valor de C ms el valor del
nugget (Ngt). La ecuacin indica que cuando h es igual a 0 entonces el variograma tendr
un valor igual al del nugget, y cuando h sea mayor que el valor del rango a entonces el
valor del variograma siempre ser igual al del sill. La ecuacin tambin muestra que el
variograma se comporta linealmente para valores pequeos de h. Los valores de los
parmetros de la ecuacin 58 para las variables porosidad y permeabilidad se muestran en
la tabla 2.
TABLA 2. Parmetros de las ecuaciones de los modelos de variograma.
Variograma Porosidad
C (Semi-sill)
0.651
a (Rango)
9140
18000
0.389
0.3
Variograma Permeabilidad
5.3 KRIGING
La elaboracin del kriging se realiza con la opcin de kriging para GSLIB. En los datos
de entrada de esta opcin, se requiere entrar los parmetros del variograma que se
obtuvieron en el paso anterior. Esto con el fin de que el programa calcule los pesos
apropiados wi para estimar los valores de la variable deseada en los bloques de la malla
donde no se tiene un dato.
Recordando que el campo tiene 20,000 pies en la direccin este-oeste y 40,000 pies en la
direccin norte-sur se decidi elaborar una malla con bloques de 100*100 pies2. Es decir
que en total se trabajaron 80,000 bloques. Como consecuencia de que las ecuaciones del
sistema de kriging son lineales, el tiempo computacional que tarda el GSLIB en elaborar
un mapa de kriging es poco significativo, por lo tanto la malla se puede hacer tan fina
como se desee sin tener problema alguno. Sin embargo, si se escogiesen los modelos
geoestadsticos de porosidad y permeabilidad que se obtienen del kriging para alimentar
un simulador de yacimientos, se tendra que evaluar cual seria el tamao de malla
57
El resultado del kriging para porosidad y permeabilidad que se obtuvo con el GSLIB para
la malla descrita anteriormente se muestra en las Figuras 34 y 35 respectivamente. Un
anlisis de las grficas de kriging se muestra en el siguiente capitulo de este texto.
58
60
61
62
63
64
65
66
Una de las primeras hiptesis que tiene para este ejemplo de simulacin es la seleccin
del arreglo de pozos para la inyeccin de agua. Debido a la simetra de las lneas de los
pozos en la direccin vertical, se planteo un arreglo de lnea directa que alterna inyectores
en una lnea horizontal y productores en la siguiente lnea. Un esquema del arreglo de
inyeccin se presenta en la Figura 41, en donde los pozos inyectores estn representados
como puntos azules y los productores con puntos rojos.
Para realizar las simulaciones de flujo se utilizo el programa 3DSL (Simulador tipo
stream-line). Dentro de los parmetros que se requieren para el archivo de entrada se
encuentran las propiedades petrofsicas, que como se ha dicho sern tomadas del
resultado de la simulacin geoestadstica. Otros parmetros necesarios para la simulacin
son las propiedades de los fluidos involucrados en el proceso, la presin del yacimiento al
tiempo inicial de simulacin, las curvas de permeabilidad relativa, las caractersticas de
los pozos inyectores y productores entre otros.
La malla que se utiliz para la simulacin stream-line fue de 57 bloques en la direccin
este-oeste y 114 bloques en la direccin norte-sur (modelo 2D). Se consider un petrleo
tipo Black oil inmiscible con el agua; las propiedades usadas para el petrleo y el agua
se pueden ver en la tabla 3.
Propiedad
Petrleo
Agua
Viscosidad (cp)
2.5
1.5
Densidad (lbm/pie3)
45
63
0.2
0.22
0.78
0.22
67
68
FIGURA 43. Histograma de frecuencia acumulada del petrleo final recuperado a 15 aos.
TABLA 4. Parmetros estadsticos del histograma de frecuencia del petrleo final recuperado.
Parmetro
Valor
Media (MMSTB)
50.5
1.69
47.1
54.4
69
6. ANLISIS DE RESULTADOS
6.2 VARIOGRAFA
Para los variogramas que se obtuvieron de las variables porosidad y permeabilidad, se
ajustaron modelos esfricos con efecto nugget. Tal vez estos modelos no describen el
comportamiento total del variograma en todas las distancias para las que fue calculado,
pero si lo hacen en forma muy exacta en la zona cercana al origen que es la zona de mayor
importancia al momento de estimar nuevos valores de las variables en cuestin. Adems,
aplicando el mismo concepto de que puntos muy distantes son innecesarios a la hora de
estimar, se ha optado por no recurrir a un modelo con comportamiento oscilatorio como los
mostrados en las Figuras 10 a 12.
Combinados los resultados de los variogramas y las superficies variogrficas, quedan
70
71
Comparando con el mapa de localizacin de los datos utilizados para generar tanto el mapa
de porosidades como permeabilidades (Figuras 34 y 35), es notable como kriging genera
valores con bajo contraste entre dos puntos ya conocidos y es precisamente este fenmeno
el que conlleva a recurrir a nuevos mtodos que generen ms contraste entre valores
estimados y medidos pero que aun cumplan con caractersticas importantes como el
histograma original del grupo de datos (misma media y misma varianza), la correlacin
espacial original (el variograma original) y los datos originalmente recolectados.
Pasando ahora a los mapas generados mediante simulacin geoestadstica (Figuras 36 a 40)
se observa como la caracterstica de suavidad ha desaparecido y en cambio se tienen mapas
que presentan altos contrastes de valores. Incluso en bloques vecinos los valores ya no
parecen estar tan altamente relacionados como lo sugeran los mapas generados mediante
kriging. No obstante, si bien se ha mejorado en la representatividad del fenmeno, ahora se
tiene que enfrentar un problema de unicidad. Kriging proporcionaba un modelo de
permeabilidad y porosidad nico, que a pesar de ser suavizado cumpla con todas las
restricciones impuestas (histograma, variograma, datos originales), en cambio ahora con la
simulacin geoestadstica se tienen mltiples realizaciones de porosidad y permeabilidad
que cumplen con las mencionadas restricciones. As pues, la pregunta obvia que se genera
es cul de todos estos modelos es que realmente describe la variable analizada.
6.4 APLICACIONES
Para el tratamiento de toda la informacin generada con la simulacin geoestadstica se
tiene una de las siguientes posibilidades: elegir el mapa de estimativos que mejor represente
el yacimiento, o bien utilizar todas las realizaciones como fuente de informacin.
En el primer caso varias son las vas de anlisis.
ocurrencia. Al final del mismo se han calculado una serie de probabilidades de xito para
tres eventos A, B y C diferenciados por la cantidad de petrleo recuperable despus de la
ejecucin del proyecto de infill drilling. Como se puede ver, el xito de encontrar
reservas recuperables es funcin de las probabilidades de ocurrencia de cada uno de los
eventos que preceden. As pues, la probabilidad de xito aumentar si por alguna va es
posible aumentar dichas probabilidades. La va que se propone en este trabajo es la
simulacin geoestadstica. Pero no se debe pensar que el nico objetivo es aumentar
probabilidades, en definitiva se trata de disminuir incertidumbre y aumentar confiabilidad,
de hecho las probabilidades de las que se ha venido hablando pudran incluso disminuir,
pero lo importante es que se esta teniendo en cuenta la probabilidad correcta en el anlisis,
y obviamente es mejor usar un valor de probabilidad bajo de alta confiabilidad que un valor
sobreestimado que conlleve a tomar decisiones equivocadas. En conclusin, el objetivo de
las distribuciones de probabilidad generadas va geoestadstica es, sin importar la decisin
final, que esta sea la ms correcta.
75
7. CONCLUSIONES
77
78
8. RECOMENDACIONES
79
BIBLIOGRAFIA
Kashib, Tarum. Iterative Integration of Dyamic Data in Reservoir Models SPE 2003. pp
1 -12
L. Wang y P. M. Wong. Modeling Porosity Distribution in the Anan Oil Field: Use of
Geological Quantification, Neural Networks and Geostatistics SPE Reservoir Evaluation &
Engineering vol. No. 6, Diciembre 2 de 1999. pp 1 - 6
Lang, Zhang y Yanis C. Yortsos. A direct Method for the Identification of the Permeability
Field of an Anisotropic Porous Medium SPE 62976, 2000.
Queipo, V. Nestor y Pintos, Salvador. Surrogate Modeling Based Optimization for the
Integration of Static and Dynamic Data Into a Reservoir Description SPE 63065, 2000.
Yoon, Seongesik. A Multiscale Approach to Production Data Integration Using StreamLine Models SPE Journal, Junio 2001.
Cayeux, Eric. Well Plannig Quality Improved Using Cooperation Between Drilling and
Geosciences SPE 71331, 2001. pp 1 9
Landa, Jorge. Technique to Integrate Production and Static Data in a Self-Consisted Way.
SPE 71597, 2001. pp 1 11
REFERENCIAS
1
Cressie, N. A. C. Statistics for Spatial Data Ed. John Wiley & Sons, 1980. pp 900
Xu, W., Tran, T. y Srivastava R. M. Integrating Seismic Data in Reservoir Modeling: The
Collocated Cokriging Alternative Proceeding of the Society of Petroleum Engineers
Technical Conference, 1992. pp 833 - 842
10
11
Isaaks, E. The Application of Monte Carlo Methods to the Analysis of Spatially Correlated
Data. Disertacin de PhD. Standford University, 1990.
12
13
14
15
16
www.statios.com
ANEXO A
Distancia (Km)
0.18
0.56
1.02
1.51
2.01
2.51
3.01
3.5
4.01
4.5
5
5.5
6
6.5
7
7.5
8
8.5
9
9.5
10
No. Pares
64
1791
3456
4863
6220
7448
8685
9733
10730
11510
12329
13044
13869
14481
15147
15523
16160
16928
17288
17648
17957
ANEXO B
Pozo
E (ft)
N (ft)
Espesor de
Formacion (ft)
Tope de
Formacion (ft)
Porosidad
(%)
K
(mD)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
11564
10679
6311
9386
10761
10769
9145
8201
6727
3834
2780
3994
5482
6692
9324
10817
10761
9350
8237
5354
4013
4214
5372
10748
10728
9348
8298
5368
4101
3910
5341
6685
8300
9385
10776
5691
13706
36307
24799
24755
23463
23413
23557
23472
23446
23494
22098
22214
22138
22199
22305
20774
20761
20748
20804
20873
19455
19467
19443
18125
18125
18147
18157
18042
16690
16788
16852
16803
16770
16781
80
93
89
105
95
95
107
93
93
101
94
101
91
86
98
101
87
94
93
87
98
92
93
106
102
96
91
93
97
96
99
90
91
90
103
4275
4232
4317
4262
4278
4264
4252
4258
4200
4120
4104
4112
4153
4191
4230
4253
4264
4225
4207
4138
4110
4110
4136
4251
4246
4225
4211
4132
4126
4128
4128
4154
4197
4221
4255
7.32
8.79
7.12
9.57
7.74
10.89
6.9
9.86
7.22
7.55
7.6
7.6
7.35
9.55
9.74
8.62
8.63
9.27
7.74
6.66
7.21
7.65
9.3
9.52
7.35
9.77
11.84
9.28
9.18
7.45
9.03
9.85
11.82
9.3
8.49
3.51
5.81
0.77
6.29
2.9
12.32
0.79
8.19
1.45
1.6
1.57
1.51
1.79
8.21
4.48
2.73
2.68
3.42
3.82
2.43
2.72
2.7
9.63
6.53
2.58
7.27
25.78
7.44
4.56
2.59
8.34
13.15
19.29
6.37
2.78
Pozo
E (ft)
N (ft)
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
10740
9241
8225
6637
5370
4110
4222
5503
6683
7640
12775
12260
12185
12180
12148
12144
12128
11277
12283
13036
10323
17500
12185
9497
9443
12051
13436
16926
14643
15963
17138
9265
13046
10670
10557
11555
1325
2694
4032
10213
11622
1375
2618
3915
5444
15545
15332
15385
15384
15489
15328
14324
14290
14094
18817
24773
23473
22070
19494
18259
16998
15660
28705
28712
36272
32598
31524
29848
28845
27493
26104
26010
29997
25975
26086
25993
12786
11699
10061
37687
37376
36860
36849
36875
36236
36323
35515
35342
35341
35644
Espesor de
Formacion (ft)
97
95
95
90
95
94
93
98
97
90
90
88
88
90
101
95
99
93
93
89
93
81
86
94
97
93
94
83
88
86
84
97
81
86
92
94
94
104
100
90
93
90
96
90
91
Tope de
Formacion (ft)
4245
4204
4190
4161
4140
4129
4142
4158
4176
4197
4315
4286
4275
4274
4268
4299
4317
4361
4396
4482
4337
4610
4393
4307
4309
4353
4410
4587
4446
4475
4502
4204
4310
4237
4443
4457
4253
4297
4315
4379
4431
4216
4205
4258
4312
Porosidad
(%)
9.82
11.77
11.25
10.59
10.25
6.02
8.48
9.18
8.69
10.95
8.08
9.03
9.18
8.98
7.93
9.47
11.63
10.01
8.88
6.43
7.64
8.07
7.2
9.45
11.33
10.06
10.25
8.39
10.46
9.41
8.97
9.63
12.45
7.43
6.95
7.9
9.56
9.93
8
8.1
8.39
8.88
9.59
8.63
8.32
K
(mD)
11
15.94
15.15
13.36
13.55
0.96
2.44
8.58
5.8
20.52
2.39
3.34
4.45
4.72
3.69
5.72
14.36
4.62
1.44
0.31
0.88
1
0.91
2.53
10.4
3.58
8.53
2.38
4.67
3.73
2.3
12.36
19.94
3.56
0.61
0.79
2.73
2.78
1.49
0.84
1.37
4.82
3.64
2
1.42
Pozo
E (ft)
N (ft)
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
9804
11150
1393
2628
4064
5478
6905
8260
9172
10420
11693
1356
2647
4047
5391
6765
8295
8890
11587
12931
1424
2641
3893
5387
6885
7933
9155
11651
1439
3986
5301
6856
8154
9197
10546
1393
2650
3717
5362
6898
8009
14187
15482
16214
17015
35321
35267
34225
34162
34105
34237
33995
34066
34206
33813
33847
32818
32772
32789
32728
32748
32709
32531
32674
33125
31212
31413
31373
31450
31391
31309
31127
31433
30286
30123
30022
30278
30096
30071
29983
28730
28895
28860
28775
28887
28756
29319
29316
28518
28642
Espesor de
Formacion (ft)
90
93
86
87
98
93
103
90
87
103
102
85
88
94
95
94
89
93
92
89
91
90
87
92
97
92
97
90
81
90
90
84
96
97
95
94
83
95
98
87
81
86
78
82
86
Tope de
Formacion (ft)
4352
4404
4186
4182
4225
4272
4280
4298
4310
4352
4407
4179
4198
4212
4240
4235
4256
4275
4380
4441
4167
4230
4219
4230
4228
4256
4282
4373
4178
4255
4258
4242
4262
4285
4326
4169
4225
4243
4242
4257
4290
4475
4516
4532
4568
Porosidad
(%)
8.06
9.93
8.08
6.24
8.59
7.41
5.48
7.27
6.92
10.88
10.81
8.47
6.91
6.03
5.58
8.05
7.78
8.66
7.81
8.7
8.57
8.04
7.28
7.65
7.68
8.72
7.55
8.29
7.42
7.75
7.24
6.81
6.05
9.29
10.21
8.74
8.27
7.72
6.71
7.64
8.05
10.54
8.17
8.21
7.6
K
(mD)
0.97
1.59
3.47
0.84
2.15
1.78
0.72
0.46
0.34
2.66
2.89
2.59
2.19
0.58
0.36
2.31
0.67
0.91
0.77
1.46
4.37
3.66
3.09
2.83
1.79
1.62
0.83
3.59
3.03
2.29
1.96
0.6
0.58
3.58
8.25
4.19
4.14
2.34
1.34
1.13
1.45
5.25
1.88
2.53
1.92
Pozo
E (ft)
N (ft)
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
1198
2645
3927
5308
6751
7989
10582
13544
14655
1555
2634
3698
5396
6759
7963
9400
10870
1702
2595
3993
5369
6730
7956
1936
1708
2593
1871
3105
3086
3061
10701
12792
9346
10705
11623
9281
13534
9337
11913
5362
6695
7999
3905
5357
6678
27160
27530
27420
27552
27428
27440
27315
27547
27507
26108
26118
26033
26135
26116
26117
26109
26129
24835
24846
24811
24829
24792
24795
23645
22288
21886
20786
19578
18238
16831
12849
12843
11530
11397
11384
10037
10053
14054
14054
12801
12811
12841
11547
11550
11442
Espesor de
Formacion (ft)
89
88
98
88
94
91
91
99
88
88
93
100
93
86
88
97
99
94
98
96
91
90
98
99
104
100
118
93
98
105
94
95
100
95
93
93
74
87
100
95
97
106
103
95
100
Tope de
Formacion (ft)
4145
4178
4200
4234
4268
4294
4335
4425
4477
4131
4145
4151
4197
4259
4290
4290
4320
4110
4124
4141
4189
4220
4260
4098
4086
4098
4107
4112
4136
4138
4221
4292
4209
4223
4254
4220
4337
4222
4278
4136
4166
4184
4169
4144
4164
Porosidad
(%)
8.12
8.61
7.25
6.5
6.74
9.32
9.52
9.32
8.59
8.59
7.32
7.04
7.4
8.07
9.28
10.94
9.02
8.91
8.06
7.69
7.97
8.44
7.57
8.99
8.44
8.08
8.11
8.43
6.44
7.74
10.45
11.84
10.27
10.16
12.15
9.28
10.15
12.11
12.02
8.06
10.49
6.14
6.73
8.67
10.42
K
(mD)
2.73
3.4
1.23
1.58
0.73
4.9
1.99
5.42
1.37
2.98
1.79
1.23
1.85
1.49
5.31
11.08
1.9
3.45
2.92
1.81
1.38
3.25
0.84
2.75
3.33
2.13
7.57
3.39
0.9
2.82
10.76
18.07
7.6
5.32
16.97
4.03
10.08
15.03
18.48
5.62
13.13
0.58
1.34
4.13
10.54
Pozo
E (ft)
N (ft)
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
4288
5395
7874
1269
2826
4128
5360
6569
7907
9353
10998
12455
14080
17431
2960
5316
6604
7905
12809
14028
14971
16328
2844
5323
6718
8238
9093
9975
14754
16150
4018
5288
6565
7949
9196
10497
12000
13533
16146
5339
6688
7807
8869
10477
12048
9779
10112
10134
8630
8844
8977
8829
8935
8624
8720
8611
8916
9042
8946
7413
7480
7308
7493
7543
7628
7466
7362
6197
6081
5962
6067
6225
6612
5984
6138
4797
4742
4968
4764
4716
4742
4781
4639
4701
3353
3341
3550
3544
3612
3536
Espesor de
Formacion (ft)
102
90
93
89
105
87
84
84
93
92
87
77
83
87
96
99
83
95
76
92
79
75
105
92
87
88
89
82
89
97
93
91
90
90
89
87
80
79
75
99
93
91
89
84
80
Tope de
Formacion (ft)
4166
4166
4190
4169
4153
4170
4180
4194
4214
4231
4248
4280
4362
4454
4177
4178
4192
4216
4271
4309
4336
4372
4206
4192
4204
4210
4230
4234
4324
4386
4248
4230
4209
4204
4250
4262
4291
4302
4340
4252
4240
4231
4238
4252
4260
Porosidad
(%)
7.58
9.1
7.25
6.38
5.61
7.04
6.86
9.51
6.83
8.08
8.53
6.97
6.26
7.12
5.26
7.26
6.87
6.68
6.74
8.32
7.7
7.33
4.81
6.3
7.1
9.1
8.29
7.07
9.18
7.08
7.42
8.83
8.8
7.93
9.14
7.92
9.03
10.2
7.42
9.05
9.48
8.87
6.5
9.28
8.35
K
(mD)
1.05
4.06
1.03
0.73
0.51
0.88
0.85
3.13
1.63
1.89
2.52
1.24
0.88
1.12
0.47
0.91
0.97
2
1.15
1.46
2.05
1.25
0.31
0.56
1.71
2.06
1.9
1.43
2.08
0.94
1
1.43
2.05
1.85
2.28
1.94
2.95
5.48
1.08
5.07
4.05
1.84
0.64
2.55
2.89
Pozo
E (ft)
N (ft)
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
13274
14710
15982
18437
6752
9096
12144
13536
16014
9310
13539
13329
13329
13209
1894
6800
1670
1545
2828
9142
12404
8736
9579
18799
4899
3821
3536
3541
3522
3665
1913
2089
2106
2096
2014
769
807
17265
16061
14475
7377
35201
6207
3624
1906
36445
35086
37564
37746
25955
993
769
Espesor de
Formacion (ft)
82
80
74
85
81
91
82
75
85
103
86
86
87
84
98
102
103
101
109
91
87
96
99
89
101
93
Tope de
Formacion (ft)
4292
4299
4312
4452
4269
4246
4245
4282
4300
4237
4267
4318
4357
4428
4178
4312
4210
4264
4270
4350
4454
4356
4390
4587
4286
4266
Porosidad
(%)
8
7.3
7.52
6.82
8.31
7.18
8.95
9.4
8.98
7.04
7.31
8.58
9.43
9.68
5.47
6.02
7.01
4.9
6.74
8.15
6.77
6.39
7.64
9.92
6.13
6.4
K
(mD)
1.43
1.11
1.5
0.73
1.24
0.79
4.01
3.85
1.86
2.16
1.18
4.35
6.8
5.1
0.47
0.62
0.95
0.33
0.68
0.79
0.28
0.48
0.91
4.5
0.53
0.7
ANEXO C
Petrleo
Recuperado
(STB)
47,093,190
47,159,740
47,331,800
47,417,980
47,575,960
47,807,800
48,165,840
48,272,390
48,293,720
48,326,380
48,412,830
48,498,390
48,560,090
48,649,190
48,730,190
48,759,620
48,765,200
48,828,700
48,910,260
48,982,510
49,032,200
49,144,860
49,153,250
49,208,960
49,215,400
49,306,800
49,312,630
49,331,560
49,439,680
49,441,770
49,481,290
49,497,780
Frecuencia Acumulada
(%)
1.02
2.041
3.061
4.082
5.102
6.122
7.143
8.163
9.184
10.204
11.224
12.245
13.265
14.286
15.306
16.327
17.347
18.367
19.388
20.408
21.429
22.449
23.469
24.49
25.51
26.531
27.551
28.571
29.592
30.612
31.633
32.653
Petrleo
Recuperado
(STB)
49,617,510
49,649,000
49,669,330
49,754,180
49,780,410
50,012,430
50,107,760
50,212,310
50,230,370
50,294,420
50,303,500
50,303,500
50,314,090
50,341,920
50,344,400
50,407,120
50,506,980
50,540,090
50,603,210
50,633,960
50,653,490
50,673,120
50,700,890
50,770,890
50,776,810
50,892,830
51,019,270
51,028,620
51,107,200
51,177,370
51,280,020
51,330,990
51,341,090
51,451,070
51,664,220
51,723,780
51,753,020
51,794,350
51,826,990
51,827,440
51,846,360
51,875,150
51,875,760
51,930,980
Frecuencia Acumulada
(%)
33.673
34.694
35.714
36.735
37.755
38.776
39.796
40.816
41.837
42.857
43.878
44.898
45.918
46.939
47.959
48.98
50
51.02
52.041
53.061
54.082
55.102
56.122
57.143
58.163
59.184
60.204
61.224
62.245
63.265
64.286
65.306
66.327
67.347
68.367
69.388
70.408
71.429
72.449
73.469
74.49
75.51
76.531
77.551
Petrleo
Recuperado
(STB)
51,987,430
51,997,480
52,080,910
52,124,120
52,298,620
52,390,160
52,430,720
52,488,750
52,505,150
52,548,980
52,612,470
52,720,060
52,816,000
52,889,470
53,035,390
53,084,930
53,198,400
53,226,250
53,311,020
53,444,270
53,938,960
54,376,130
Frecuencia Acumulada
(%)
78.571
79.592
80.612
81.633
82.653
83.673
84.694
85.714
86.735
87.755
88.776
89.796
90.816
91.837
92.857
93.878
94.898
95.918
96.939
97.959
98.98
100