Estimacion de Reservas Mediante Método Volumetrico Aplicando Distribuciones Probabilisticas - Método Montecarlo Software Crystal Ball PDF

Facultad de Ciencias y Tecnología
Distribuciones Probabilísticas MATERIA:
Explotación del Gas Natural (PGP300)

en la Estimación de Reservas PAGINA:
1 de 18
Simulación Práctica Nro. 1

Estimación de Reservas mediante el Método Volumétrico
aplicando Distribuciones Probabilísticas
Aplicación: Método Montecarlo (Software Crystal Ball)
Para la estimación del Petróleo y/o el Gas en sitio, en la ingeniería de yacimiento, se usan dos métodos, el
método volumétrico y el método de Balance de Materiales. Dependiendo de la etapa de la vida en que se
encuentre el yacimiento. Si el yacimiento es nuevo y solo se disponen de los datos de geológicos, petrofísica,
las características físicas de muestras de los fluidos contentivos del yacimiento, presión inicial y temperatura,
se hace un estimado por el método volumétrico (que es un método determinístico, ya que aporta un solo
resultado promedio del yacimiento). Ese método, consiste en estimar la geometría del yacimiento basándose
en mapas isópacos, estructurales, mediante un proceso de planimetría de los contornos. Para el cálculo de
áreas, se aplica los métodos de geometría, trapezoidal y piramidal, dependiendo de las relaciones de área de
los contornos. Luego para calcular el hidrocarburo original en sitio, dependiendo del tipo de yacimiento, (si,
es de petróleo o de gas,) y conociendo los datos de petrofísica: porosidad, (Ø), saturación de agua connata
(Swc), espesor (h), se utiliza las ecuaciones las siguientes.
∑ ∅
⎧ ∅= (1)
⎪
Donde n es el número de datos disponibles ℎ = ∑ (2)
⎨
⎪𝑆𝑤𝚤 = ∑ (3)
⎩
Petróleo:
7758 ∗ 𝐴̅ ∗ ℎ ∗ ∅ ∗ (1 − 𝑆𝑤𝑖)
𝑃𝑂𝐸𝑆 = = 𝐵𝑎𝑟𝑟𝑖𝑙𝑒𝑠 (4)
𝛽
Gas:
43560 ∗ 𝐴̅ ∗ ℎ ∗ ∅ ∗ (1 − 𝑆𝑤𝑖)
𝐺𝑂𝐸𝑆 = = 𝑃𝑖𝑒𝑠 (5)
𝛽
El termino Ah o volumen bruto de la roca (Vb) se calcula con los mapas iso-espesores de arena neta,
planimetreando los contornos y aplicando métodos de geometría, con las siguientes ecuaciones:
DOCENTE: PERIODO ACADEMICO: CODIGO:
Ing. Darío Cruz Semestre 01.2020 PGP300_SP1


2 de 18
Método Piramidal:
𝑉𝑏 = 1 3 ℎ 𝐴 + 𝐴 + 𝐴 ∗𝐴 = 𝐴𝑐𝑟𝑒𝑠 − 𝑃𝑖𝑒𝑠 (6)
Método Trapezoidal:
𝑉𝑏 = 1 2 ℎ(𝐴 + 2𝐴 + 2𝐴 + ⋯ + 𝐴 )𝑡 ∗𝐴 = 𝐴𝑐𝑟𝑒𝑠 − 𝑃𝑖𝑒𝑠 (7)
Dónde:
h = espesores promedio de la arena. (Pies)

A = áreas de los diferentes contornos. (Acres.)
0, 1, 2,.n suscrito para cada contorno
Esta metodología es muy popular por dar una respuesta rápida, y se ha venido utilizando desde los inicios la
industria. Sin embargo, en el tiempo ha traído muchos desconciertos a los ingenieros de yacimientos, debido
a la incertidumbre de los volúmenes obtenido en misma, comparativamente con los resultados obtenidos en
el tiempo, al validarlo con la historia de producción, después de desarrollado los yacimientos. Cuando se
requiere la toma de decisión para continuar un proceso de recobro adicional hay que hacer en muchos casos
una revisión del modelo geológico (modelo estático). La razón es que cuando los yacimientos eran
descubiertos, en muchos casos, se disponía de poca información de los límites del yacimiento, y los espesores
de los diferentes contornos de arena, eran estimados empíricamente, y dependía de la experiencia de los
ingenieros y geólogos que estuviera encargado del área. El caso es, que solo se disponía de unos pocos pozos
perforados, y cuando los yacimientos se sospechaban que eran grandes, gran cantidad de datos eran inferidas
por los geólogos, ya que la búsqueda de información era muy costosa, y para esos momentos no se le daba la
importancia del caso.
Actualmente en la búsqueda de optimizar la explotación de los yacimientos, y con la incorporación de las

diferentes disciplinas de la geociencia a un trabajo en equipo, con el ingeniero de yacimiento, en las salas de
Estudios Integrados, se han desarrollado técnicas que ayudan a minimizar los errores e incertidumbre sobre
las reserves de hidrocarburos y por ende el hidrocarburo original en sitio (POES; GOES; GCOES.). Esa nueva
tecnología, está basada en lo geoestadística y métodos probabilísticos, (modelo MONTE CARLO).


3 de 18
1. Método Probabilístico.
Este método trata cada parámetro como un rango de valores, los cuales son representados por variables
aleatorias que permiten describir eventos futuros cuyos resultados son una incertidumbre. Dichas variables
se representan mediante distribuciones estadísticas, de las cuales las más comunes son las siguientes:
Normal
Exponencial
Triangular
Binomial
Uniforme
Poisson
Log-Normal
Representación Gráfica de los diferentes tipos de Distribuciones Probabilísticas.


4 de 18
Distribución Forma Utilidad

Normal Distribución simétrica en que Usada como la base de
coinciden la media, moda y mediciones no sesgadas. No
mediana en el mismo punto. puede ser un problema para
Colas infinitas en ambos cantidades no-negativas. El
sentidos. 99% de los valores caen
dentro de las medias
más/menos tres desviaciones
estándares.
Triangular Similar a la uniforme, pero se Útil cuando el experto conoce
indica una moda. el rango y el valor más
probable. Puede ser simétrica
o no. Muy fácil de editar.
Uniforme Probabilidad uniforme entre Útil cuando se conoce

un límite superior y un límite solamente un rango de valores
inferior. posibles. Indican que no se
conocen detalles acerca de la
incertidumbre del parámetro.
Long Normal Distribución con una Skewness Útil para representar

positiva, con una larga cola a cantidades físicas no-
la derecha, lo que significa que negativas. su logaritmo
la probabilidad de “x” tenga un distribuye normal.
valor al extremo más pequeño
es mucho mayor que el de que
tenga valores al extremo más
altos.
Exponencial Distribución con la moda en Útil para descubrir el tiempo

“0”, y con probabilidad entre eventos sucesivos.
decreciente.


5 de 18
Poisson Distribución discreta, similar a Útil para descubrir eventos

la normal para grandes n. aleatorios que ocurren en un
tiempo determinado.
Definición General de las Distribuciones Estadísticas más Comunes.
Existen muchos métodos en los que se utilizan estas distribuciones para estudios de probabilidad de que un
proyecto se pueda llevar a cabo, o no. Uno de estos métodos es la técnica cuantitativa de Monte Carlo, la cual
hace uso de la estadística y las computadoras para emular, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo
estado cambia con el paso del tiempo, se recurre, bien a la simulación de eventos discretos o bien a la
simulación de sistemas continuos).
2. Técnica Monte Carlo.
Este método es muy usado en los diferentes campos de estudios, ya sea en las áreas informática, empresarial,
económica, etc., es por ello que resulta muy ventajosa su aplicación. En este caso es utilizado a nivel de análisis
de yacimientos por lo que su uso consiste en tomar muestras de la distribución de probabilidad de cada uno
de los parámetros considerados estadísticos y sustituirlos en la ecuación del método volumétrico para
obtener un valor de N.
Después de repetir el proceso anterior, un número significativo de veces (1000 o más), los valores de Ni
(POES)i, son ordenados en sentido creciente, asignándole a cada uno, un valor de frecuencia acumulada igual
a: i/n+1, donde n es el número de valores de N obtenidos. Luego si se grafica la frecuencia acumulada vs. N,
se obtendrá una función de distribución acumulada de estos valores. La aplicación tanto del método
determinístico como del método probabilístico “Monte Carlo” para la estimación del POES, GOES, GCOES, está
basada en una serie de datos característicos del yacimiento.


6 de 18
Distribución Estadísticas parámetros petrofísicos.
Los datos de que se utilizan para la aplicación de los métodos determinístico y probabilístico, deben ser
debidamente validados, por la influencia de estos en la calidad de los resultados finales. Por otra parte, de ser
necesario, se debe considerar la posibilidad de sectorizar el yacimiento, a fin de reproducir los valores con
mayor confiabilidad de las variables a utilizar para determinar el “POES”, al usar los parámetros por área” y
luego integrar las partes. Usando esta técnica, se puede lograr distribuciones más representativas para
alcanzar un mayor grado de ajuste.
3. Marco Metodológico.
El Análisis de Riesgo e Incertidumbre en la Estimación del GOES contempla la determinación de la Distribución

Probabilística de las Reservas de Hidrocarburos y su comparación con las Reservas Oficiales en libros. Este
análisis permite cuantificar la certidumbre de los compromisos volumétricos contemplados en el Portafolio
de Oportunidades (PDO). Para tal fin seguirá la metodología que se describe a continuación:
3.1. Identificación del Modelo.
Se utilizará como punto de partida un modelo tradicional donde existen variables de entrada, un modelo y
variables de salida.


7 de 18
Para identificar el modelo se utilizarán los conceptos de Gas Original en Sitio (GOES), Reservas Recuperables
(RR) y Reservas Remanentes (RRem). Basándonos en estas definiciones se determina que los modelos
matemáticos que permitirán realizar el análisis de riesgo e incertidumbre son los siguientes:
Petróleo Original en Sitio (GOES):

43560 ∗ 𝐴 ∗ ℎ ∗ 𝜑 ∗ (1 − 𝑆𝑤𝑖)
𝐺=
𝐵𝑔𝑖
Donde las variables de entrada del modelo son:
: Porosidad efectiva de la formación (fracción)
A: Área (acres)
h: Espesor neto petrolífero (pies)
Swi: Saturación de agua inicial (fracción)
Bgi: Factor volumétrico del gas a condiciones iniciales (CF/SCF)
Reservas Recuperables (RR):

𝑅𝑅 = 𝐺𝑂𝐸𝑆 ∗ 𝐹𝑅 (𝑀𝑀𝑆𝐶𝐹)
GOES: Petróleo original en sitio (MMSCF)
FR: Factor de Recobro (%)
Reservas Remanentes (RRem):

𝑅𝑅𝑒𝑚 = 𝑅𝑅 − 𝐺𝑝 (𝑀𝑀𝑆𝐶𝐹)
RR: Reservas Recuperables (MMSCF)
Gp: Gas Acumulado (MMSCF)


8 de 18
Tomando como punto de partida el modelo tradicional, basado en variables determinísticas, se construirá un
modelo cuyas variables de entrada son del tipo probabilística, de manera de considerar la incertidumbre (el
rango de posibles valores) asociadas a cada una de ellas.
El esquema muestra la existencia de incertidumbres en las variables de entrada, propagación de la

incertidumbre a través del modelo matemático. Esta propagación se logra con la simulación del Método de
Monte Carlo, para obtener finalmente la variable de salida (variable de decisión) que permitirá determinar el
riesgo del modelo, en este caso el Gas Original en Sitio (GOES), Reservas Recuperables (RR) y Reservas
Remanentes (RRem).
3.2. Identificación de las Variables de Entrada.
Los modelos más conocidos para cuantificar la incertidumbre asociada a una variable son las distribuciones
probabilísticas. En esta etapa se propone encontrar la distribución de probabilidades que mejor representan
cada una de las variables de entrada al modelo.
Como se describió anteriormente las variables de entrada son:  (porosidad efectiva de la formación), A
(área), h (espesor neto petrolífero), Swi (saturación de agua inicial), Boi (factor volumétrico del petróleo a
condiciones iniciales), GOES (gas original en sitio), FR (factor de recobro), RR (reservas recuperables) y Np
(Petróleo Acumulado). Cada una de las variables involucradas en los cálculos ya no estarán identificadas como
valores determinísticos, por el contrario, cada una de ellas estará definida por una distribución probabilística.
A continuación, se describe la metodología a utilizar para caracterizar en forma probabilística cada una de las
variables mencionadas.
Área (A): La incertidumbre de este parámetro depende de la metodología empleada para determinar el área
del yacimiento. Generalmente se dispone de un único valor de área definido por los especialistas, ubicándose
ésta en el libro de reservas.
Cuando la información es insuficiente para generar una curva de distribución probabilística, los versados en
la materia recomiendan el uso de la distribución normal con una desviación estándar del 10 % o ir
disminuyendo en concordancia con el incremento del grado de definición de la variable estudio, en este caso,
el área de la acumulación.


9 de 18
Por lo general se dispone de dos o tres posibles valores de área, una buena aproximación es considerar una
distribución probabilística triangular, en este caso, se definirá valores mínimo, máximo y más probable, los
cuales se introducirán directamente en el programa.
Espesor Neto (h): La construcción de la curva de distribución probabilística de este parámetro será similar
al aplicado a las variables de porosidad y saturación.
Factor volumétrico del Gas a condiciones iniciales (Bgi): La distribución asignada a este parámetro
dependerá de la cantidad de análisis PVT (Presión, Volumen y Temperatura) disponibles para el yacimiento. Si
se contara con varios análisis validados, se debería utilizar toda la información disponible para generar la
distribución probabilística. En su defecto, si se dispone de un único PVT validado sería valido utilizar una
distribución probabilística uniforme.
Factor de Recobro (FR): Para generar la distribución probabilística del Factor de Recobro (FR) se puede
considerar el valor de Factor de Recobro obtenido desde un estudio y en ese caso es posible utilizar una
distribución probabilística uniforme.
Gas Acumulado (Gp): Para generar la distribución probabilística del Gas Acumulado (Gp) al igual que en el
punto anterior el valor del Gas Acumulado puede ser obtenido de un estudio y por lo tanto se posibilita el uso
de una distribución probabilística uniforme.
Porosidad efectiva de la formación () / Saturación de agua inicial (Swi): Comúnmente se dispone de un
volumen de datos previamente validados de la petrofísica detallada para cada pozo del yacimiento en estudio,
dicha información se debe insertar en una hoja Excel. El paso siguiente consistirá en la generación de las
correspondientes curvas de distribuciones probabilísticas según el siguiente procedimiento:
Generación de Distribuciones Probabilísticas utilizando el Software Crystall Ball.
Para generar una distribución probabilística a partir de un conjunto de datos reales, se utilizará la
herramienta Crystall Ball. Este software debe estar instalado en la PC, el cual, al ser activado, presenta
un libro Excel con una barra de herramientas adicional a la tradicionalmente conocida en este
programa.
Para la generación de una distribución probabilística se seguirá el siguiente procedimiento:
a. En una hoja Excel, con la aplicación de Crystall Ball activada, se debe organizar la información sujeta
al análisis. En este caso, un conjunto de datos de porosidad y saturación asociados a pozos.


10 de 18
b. Se debe ubicar el cursor y activar la celda de la variable sujeta al análisis. Esta celda debe estar
definida por un valor numérico colocado manualmente, no puede ser una celda con fórmula ni una
celda en blanco, de lo contrario esta variable no podrá ser definida por “Crystall Ball”. En la celda se
colocará el valor promedio del conjunto de datos asociados a las variables de porosidad y saturación.
c. Una vez posicionado en la celda correspondiente, se hace un “click” en el icono “Define Assumption”
sobre la Barra de herramientas para activar la distribución probabilística. El programa muestra
automáticamente la galería de modelos probabilísticas. Para ver los restantes modelos probabilísticos
se hace un “click” en el cuadro “More” y se muestran las distribuciones restantes incorporadas en la
galería. Para seleccionar alguna de las curvas de la galería se hace un “click” sobre la distribución de
preferencia.
d. Si se conoce previamente el comportamiento probabilístico de la variable, se selecciona

directamente el modelo de la galería, caso contrario, se hace “click” en el recuadro “Fit” para generar
la distribución probabilística capaz de reproducir el comportamiento de la data real. El programa
muestra en pantalla un recuadro donde el usuario indica el rango de datos a cotejar
probabilísticamente.
e. Se hace “click” en el recuadro “Next” para ir a la siguiente pantalla, en este momento se activan las
siguientes opciones: “All Continuous Distributions” y “Show Comparison Chart and Goodness of Fit
Statistics” para visualizar todo el espectro de posibilidades. Para finalizar se hace “click” en el
recuadro “OK”.
f. El programa muestra en cada una de las gráficas, la comparación entre el modelo probabilístico
generado y la data real. Las barras corresponden a la información real y la línea corresponde a la
distribución probabilística ajustada a ese conjunto de datos. El programa muestra por defecto el
modelo con el mejor ajuste, sin embargo, es posible seleccionar otro tipo de distribución. Para ello se
hace “click” en el botón de “Next Distribution” visualizándose la gama completa y pudiéndose
seleccionar aquella con la mejor aproximación según el criterio.
Una vez seleccionada la distribución más representativa se hace “click” en el botón “Accept” y el
programa asignará automáticamente la distribución probabilística de la variable a la celda donde
estaba ubicado el valor determinístico. Este procedimiento se repetirá para cada una de las variables.


11 de 18
Es importante tener en cuenta que mientras mayor es el nivel de data disponible, mejor será el ajuste de los
datos reales a una distribución probabilística en Crystall Ball. De esta forma el valor promedio obtenido es
más representativo, es decir, posee un mayor grado de certidumbre.
3.3. Estimación Probabilística de Variables de Salida.
Distribución Probabilística del GOES: La estimación probabilística del GOES utiliza la fórmula del método
volumétrico.
𝟒𝟑𝟓𝟔𝟎 ∗ 𝑨 ∗ 𝒉 ∗ 𝝋 ∗ (𝟏 − 𝑺𝒘𝒊)
𝑮=
𝑩𝒈𝒊
G: Gas Original en Sitio (GOES) (MMSCF)

: Porosidad efectiva de la formación (fracción)
A: Área (acres)
h: Espesor neto petrolífero (pies)
Swi: Saturación de agua inicial (fracción)
Bgi: Factor volumétrico del gas a condiciones iniciales (CF/SCF)
Es importante hacer la siguiente acotación: cada una de las variables involucradas en este cálculo (A, h, , Swi,
Boi) ya no estarán más identificadas como un valor determinístico, por el contrario, cada una de ellas estará
definida por una distribución probabilística.
Una vez definida la distribución probabilística de cada variable de entrada, se procederá a la determinación
del GOES, COES, RR y RRem (variable de salida) de acuerdo a la siguiente metodología:
a. Finalizada la selección del respectivo modelo probabilístico para cada variable, se procederá a
identificar la celda de la macrovariable la cual será el producto de la ecuación matemática del GOES
donde intervienen las variables definidas en los pasos anteriores.


12 de 18
b. La celda del GOES es producto de una fórmula, condición que estará definida en Crystall Ball. Para
ello se selecciona la celda del resultado (GOES). Luego, se selecciona el icono “Define Forecast” de la
barra de herramientas. Este icono le indica al sistema, la ejecución de una ecuación en donde el
resultado será una distribución probabilística calculada a partir de una Simulación Monte Carlo. El
sistema muestra automáticamente un recuadro en donde se identificará la variable a determinar.
Haciendo “click” en “OK”, la celda quedará automáticamente definida.
c. Una vez definidas todas las distribuciones probabilísticas de cada variable independiente y las celdas
producto de ecuaciones, el programa queda listo para efectuar la simulación Monte Carlo, realizando
las correspondientes iteraciones acorde con la cantidad pre-establecida. Sin embargo, si el usuario
desea modificar el número de iteraciones, debe activar la opcione “Run” de la barra de herramientas
de Excel y luego a “Run Preferences”. El programa automáticamente mostrará en pantalla el cuadro
donde se deberá colocar el número de iteraciones deseadas. Mientras mayor sea el número de
variables involucradas, el número de combinaciones se incrementa y por ende, mayor deberá ser el
número de iteraciones a seleccionar, recomendándose utilizar un mínimo de 10000 iteraciones.
d. Para iniciar el cálculo, se hace “click” en el icono “Start Simulation” de la barra de herramientas.
En este momento se observará en pantalla todas las iteraciones realizadas por el programa. El
resultado tendrá ahora una distribución probabilística definida, la cual será el producto de combinar
aleatoriamente las distribuciones asociadas a cada variable.
La moda de la distribución resultante corresponde al valor más probable de esta variable y puede ser
comparado con el valor determinístico y/o oficial manejado en el área. Esta distribución da el rango completo
de los valores posibles de esta variable.


13 de 18
Distribución Probabilística de las Reservas Recuperables (RR): Una vez obtenido el GOES y el Factor de
Recobro probabilístico, se procederá a efectuar la estimación probabilística de las Reservas Recuperables
(RR) utilizando la fórmula descrita anteriormente.
Tanto el POES como las Reservas pasan de ser un número determinístico a una distribución probabilística,
cuyo comportamiento estará en función del comportamiento real de las variables involucradas en su cálculo.
Distribución Probabilística de las Reservas Remanentes (RRem): Una vez obtenidas las Reservas
Recuperables y el Petróleo Acumulado probabilístico, se efectuará la estimación probabilística de las Reservas
Remanentes (RRem) utilizando la fórmula anteriormente descrita.
Tanto las Reservas Recuperables (RR) como el Gas Acumulado (Gp) pasan de ser un número determinístico a
una distribución probabilística, cuyo comportamiento estará en función del comportamiento real de las
variables involucradas en su cálculo.
El resultado de las Reservas Recuperables y Remanentes estará definido por una distribución probabilística
particular, donde la moda corresponderá al valor más probable y el rango de la curva mostrará todos los
valores posibles.
En los gráficos resultantes será posible la ubicación del valor oficial, tanto del GOES como de las Reservas
Recuperables y Remanentes, pudiéndose presentar una de estas cuatro posibilidades:
Valor Libro = Valor Probabilístico (Basado en lo más probable)

Valor Libro < Valor Probabilístico (Oportunidad)
Valor Libro > Valor Probabilístico (Mayor Riesgo)
Valor Libro >>> Valor Probabilístico (No materializable)


14 de 18
4. Aplicación del Método Monte Carlo.
Para la presente practica de laboratorio, se definirán a continuación los datos e información a ser utilizados
en la aplicación del método Monte Carlo mediante el software Crystal Ball para la Estimación Probabilística de
las Reservas Originales de Gas en Sitio (GOES).
4.1. Descripción e Información del Campo San Roque.
El campo San Roque está ubicado en la provincia Gran Chaco del Departamento de Tarija. Se encuentra 110 km
al Sur de Camiri y 29 km al Norte de Villa Montes. Su elevación es de 600 m.s.n.m. y presenta temperaturas
ambientales que varían entre los 26.6 °F (-3°C) y los 122 °F (50 °C). Forma parte del grupo compuesto por los
campos Vuelta Grande, Ñupuco, La Vertiente, y Escondido.
El conocimiento geológico del área de San Roque se remonta a los años 1954 y 1956, lapso en el que se iniciaron
los primeros trabajos gravimétricos. Posteriormente, en el año 1975, la empresa SEGEASA de México, dio inicio
a los primeros trabajos de sísmica en el área, y como resultado de su interpretación se definieron varias
culminaciones de interés para ser investigados, entre las que se destaca la estructura de San Roque.
La compañía Chaco en el año 2003, efectúo una campaña de sísmica 3D de 60 Km2. Con la interpretación de
la sísmica 3D, la Falla San Roque esta desplazada hacia el Este de su posición original. Esta nueva interpretación
se traduce en un mayor volumen de roca con petróleo y gas que deberán ser investigado mediante la
perforación de pozos que tengan como objetivos los niveles arenosos de las Formaciones Petaca y Castellón y
también posibilita la exploración de reservorios profundos.


15 de 18
Tiene cuatro reservorios de gas y cinco petrolíferos. Los reservorios de gas, están en las formaciones Yecua,
Petaca, Castellón, y Tapecuá. Los reservorios petrolíferos son denominados: Vitiacua, Rosillas, Año Nuevo,
Chaqueña y Navidad. El reservorio Sin Nombre es una arenisca muy delgada y no ha sido evaluada.
Para el presente caso de estudio del campo San Roque se presenta el siguiente mapa isópaco, donde están
descritas las 5 áreas mas relevantes del reservorio con sus respectivos valores:
Área Espesor
Area
entre Promedio
[Acres]
Contornos [ft]
Área 5 316,517 ---
Área 4 22,870 ---
Área 3 17,401 ---
Área 2 11,359 ---
Área 1 3,726 ---


16 de 18
Los datos generales del campo San Roque son presentados a continuación:
Datos Generales
Presión del Reservorio [Psia] 4120
Temperatura del Reservorio [°F] 236
°API 55
RGC [SCF/STB] 9462
Bgi [CF/SCF] 0.004086
Volumen de Gas Producido [SCF] 1.4530E09
Factor de Recuperación [%] 74
Variable a Simular Distribución Rango

Bgi [Bbl/STB] Uniforme 0.003086 – 0.005086
Espesor Neto Permeable [ft] Beta 10.2 – 12.2
Porosidad [Fracción] Normal 0.15/0.02
Saturación de Agua [Fracción] Beta 0.215 – 0.235
Volumen Bruto de Roca Uniforme ---
Porosidad Espesor Saturación de Agua

[Fracción] [Ft] [Fracción]
0,15 16 0,29
0,16 17 0,21
0,1 4 0,3
0,12 6 0,37
0,16 18 0,22


17 de 18
0,13 16 0,27
0,35 26 0,3
0,1 5 0,24
0,21 22 0,31
0,17 12 0,32
0,09 3 0,29
0,17 12 0,3
0,15 13 0,27
0,1 5 0,34
0,24 15 0,29
0,15 10 0,28
0,12 6 0,26
0,15 10 0,21
0,1 4 0,1
0,12 6 0,24
0,12 5 0,1
0,18 15 0,28
4.2. Actividades a Desarrollar.
Mediante la información presentada en la presente practica las actividades a desarrollar son:
1. Diseñar un modelo que refleje un escenario incierto de la estimación probabilística del GOES, tomando
como punto de partida el modelo tradicional (Ec. Volumétrica), y basado en variables determinísticas,
considerar la incertidumbre (el rango de posibles valores) asociadas a cada una de ellas.


18 de 18
2. Determinar el Gas Original en Sitio (GOES), Reservas Recuperables (RR) y Reservas Remanentes
(RRem) ejecutando la simulación del modelo diseñado aplicando el método Monte Carlo mediante el uso
del software Crystal Ball.
3. Obtener las gráficas probabilísticas de las variables de entrada y salida definidas en el modelo de
simulación.
4. Emitir un informe considerando aspectos tales como, desarrollo, metodología, resultados y
conclusiones.

Estimacion de Reservas Mediante Método Volumetrico Aplicando Distribuciones Probabilisticas - Método Montecarlo Software Crystal Ball PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estimacion de Reservas Mediante Método Volumetrico Aplicando Distribuciones Probabilisticas - Método Montecarlo Software Crystal Ball PDF

Caricato da

Copyright:

Formati disponibili

Facultad de Ciencias y Tecnología

Distribuciones Probabilísticas MATERIA:

Explotación del Gas Natural (PGP300)

Simulación Práctica Nro. 1

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

h = espesores promedio de la arena. (Pies)

Actualmente en la búsqueda de optimizar la explotación de los yacimientos, y con la incorporación de las

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

Representación Gráfica de los diferentes tipos de Distribuciones Probabilísticas.

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

Distribución Forma Utilidad

Uniforme Probabilidad uniforme entre Útil cuando se conoce

Long Normal Distribución con una Skewness Útil para representar

Exponencial Distribución con la moda en Útil para descubrir el tiempo

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

Poisson Distribución discreta, similar a Útil para descubrir eventos

Definición General de las Distribuciones Estadísticas más Comunes.

2. Técnica Monte Carlo.

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

Distribución Estadísticas parámetros petrofísicos.

El Análisis de Riesgo e Incertidumbre en la Estimación del GOES contempla la determinación de la Distribución

3.1. Identificación del Modelo.

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

Petróleo Original en Sitio (GOES):

Donde las variables de entrada del modelo son:

: Porosidad efectiva de la formación (fracción)

h: Espesor neto petrolífero (pies)

Swi: Saturación de agua inicial (fracción)

Bgi: Factor volumétrico del gas a condiciones iniciales (CF/SCF)

Reservas Recuperables (RR):

Donde las variables de entrada del modelo son:

GOES: Petróleo original en sitio (MMSCF)

FR: Factor de Recobro (%)

Reservas Remanentes (RRem):

Donde las variables de entrada del modelo son:

RR: Reservas Recuperables (MMSCF)

Gp: Gas Acumulado (MMSCF)

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

El esquema muestra la existencia de incertidumbres en las variables de entrada, propagación de la

3.2. Identificación de las Variables de Entrada.

DOCENTE: PERIODO ACADEMICO: CODIGO:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

Generación de Distribuciones Probabilísticas utilizando el Software Crystall Ball.

Para la generación de una distribución probabilística se seguirá el siguiente procedimiento:

Ing. Darío Cruz Semestre 01.2020 PGP300_SP1

Explotación del Gas Natural (PGP300)

d. Si se conoce previamente el comportamiento probabilístico de la variable, se selecciona

DOCENTE: PERIODO ACADEMICO: CODIGO: