MODELO DE PERMEABILIDADES DE RESERVORIO UTILIZANDO REDES NEURONALES ARTIFICIALES E INTEGRACIÓN GEOESTADÍSTICA
INTRODUCCION
Permeabilidad: Objetivo Central
Un óptimo manejo del reservorio sólo puede lograrse luego
de obtener una imagen detallada y cercana a la realidad de
las distribuciones espaciales de las propiedades de la roca.
Entre ellas, la permeabilidad desempeña un rol crucial,
constituyendo la variable de mayor influencia en el flujo de
fluidos en medios porosos (Balan 1995).
La permeabilidad es una función compleja de varios factores
interrelacionados tales como la porosidad, la litología, la
composición del fluido poral y los procesos postdepositacionales,
(Fig. 1). Esta información es desconocida en
la mayoría de los casos, por lo que suele buscarse algún
vínculo matemático con los registros de pozos
convencionales. Sin embargo, la relación entre la lectura de
perfiles y la permeabilidad es más complicada que en el caso
de la porosidad, y por lo tanto se requieren medidas físicas
adicionales para representar su valor (Bhatt 1999, 2001). La
mayoría de los modelos empíricos conocidos, se basan
fundamentalmente en la porosidad, incluyendo en algunas
ocasiones la saturación irreductible de agua, lo que deriva en
modelos poco flexibles y que carecen de la capacidad de
reflejar el flujo de fluidos en medios porosos. En la Fig. 1 se
muestran algunas de las estimaciones de k usadas
frecuentemente.
La utilización de Redes Neuronales Artificiales (ANN), como se
demuestra en este estudio, constituye un nueva línea de
trabajo, que excede la capacidad de predicción de los
métodos convencionales. La ventaja de esta técnica es que
no requiere que todos los parámetros y las relaciones entre
ellos sean especificadas explícitamente.
Fig. 1 - La Permeabilidad y sus Estimaciones
Permeabilidad: Objetivo Central
Un óptimo manejo del reservorio sólo puede lograrse luego
de obtener una imagen detallada y cercana a la realidad de
las distribuciones espaciales de las propiedades de la roca.
Entre ellas, la permeabilidad desempeña un rol crucial,
constituyendo la variable de mayor influencia en el flujo de
fluidos en medios porosos (Balan 1995).
La permeabilidad es una función compleja de varios factores
interrelacionados tales como la porosidad, la litología, la
composición del fluido poral y los procesos postdepositacionales,
(Fig. 1). Esta información es desconocida en
la mayoría de los casos, por lo que suele buscarse algún
vínculo matemático con los registros de pozos
convencionales. Sin embargo, la relación entre la lectura de
perfiles y la permeabilidad es más complicada que en el caso
de la porosidad, y por lo tanto se requieren medidas físicas
adicionales para representar su valor (Bhatt 1999, 2001). La
mayoría de los modelos empíricos conocidos, se basan
fundamentalmente en la porosidad, incluyendo en algunas
ocasiones la saturación irreductible de agua, lo que deriva en
modelos poco flexibles y que carecen de la capacidad de
reflejar el flujo de fluidos en medios porosos. En la Fig. 1 se
muestran algunas de las estimaciones de k usadas
frecuentemente.
La utilización de Redes Neuronales Artificiales (ANN), como se
demuestra en este estudio, constituye un nueva línea de
trabajo, que excede la capacidad de predicción de los
métodos convencionales. La ventaja de esta técnica es que
no requiere que todos los parámetros y las relaciones entre
ellos sean especificadas explícitamente.
Fig. 1 - La Permeabilidad y sus EstimacionesLas Redes “aprenden” a resolver problemas a través de
ejemplos y resultan especialmente adecuadas para procesos
subjetivos e interpretativos que los humanos pueden llevar a
cabo fácilmente pero que no pueden describirse en términos
de algoritmos o set de ecuaciones (Mohaghegh 1995).
También tienen en cuenta la no linealidad en la distribución
de la permeabilidad, ya que son independientes de cualquier
forma de función. En contraste con los métodos de regresión
lineal, las ANN, tampoco fuerzan la predicción a caer cerca de
los valores medios, y por lo tanto permiten preservar la
variabilidad real de los datos (Bhatt 1999).
En síntesis la principal ventaja de las ANN radica en la
habilidad que poseen para aprender de la experiencia y
generalizar dicho aprendizaje a la resolución de nuevos
problemas, sin exponerse a una solución predeterminada,
como la mayoría de los métodos clásicos (Mohaghegh 1995).
Caso Histórico: Breve Descripción del Yacimiento
Se aplicará la metodología aquí desarrollada para la
estimación del Modelo de Permeabilidades del Yacimiento
Anticlinal Campamento, ubicado en la Provincia de Neuquén,
entre las ciudades de Cutral- Co y Zapala. Anticlinal
Campamento inició su producción primaria en 1954 y a fines
de 1983 se comenzó el desarrollo de un proyecto piloto de
Recuperación Secundaria por Inyección de Agua.
La estructura en la que se encuentra el yacimiento es un
anticlinal elongado E-W atravesado por fallas de rumbo
aproximado N-S, que lo dividen en tres bloques: Oriental,
Central y Occidental. En este trabajo se analizaron los
reservorios de la Formación Lotena en el Bloque Oriental.
METODOLOGIA
Fundamentos Básicos y Arquitectura de una Red Neuronal
En el presente trabajo se utilizó una Red Neuronal de Retro-
Propagación Multicapa (Back-Propagational Artificial Neural
Network, Software utilizado: LESA – Módulo Esteem de Digital
Formation). Esta herramienta simula el proceso cognitivo del
cerebro y es de mucha utilidad para resolver aquellos
problemas que no pueden ser solucionados por los métodos
numéricos convencionales. Las ANN, funcionan como
sistemas dinámicos no lineales que aprenden a reconocer
patrones a través del entrenamiento.
La red tiene dos componentes principales: Nodos o Neuronas
y conexiones (nexos ponderados entre las neuronas). Luego
de la exposición de las muestras al entrenamiento, las
neuronas computan los valores de activación y los transmiten
unas a otras, de una forma que depende del algoritmo de
aprendizaje que se use.
El proceso de aprendizaje de las BP-ANN, consiste en
transmitir hacia delante en la red los valores de entrada y
entonces calcular la diferencia entre el Output predicho y el
Output deseado (Fig. 2). Esta información de error es
propagada hacia atrás con el fin de modificar los pesos de los
links entre capas ocultas. Después de un cierto número de
iteraciones, el entrenamiento finaliza logrando la mejor
aproximación entre los valores predichos y los deseados
(Bhatt 1999, 2001).
El entrenamiento de una ANN estará condicionado, mas allá
de los datos de entrada utilizados, por 3 parámetros
intrínsecos: el número de redes en comité, el número de
iteraciones y la cantidad de neuronas en las capas ocultas. La
óptima elección de estos parámetros condicionará los tiempos
y la bondad de los entrenamientos. No existe modelo
matemático que describa la red entrenada, ésta sólo puede
definirse por su topología (número de capas y cantidad de
neuronas en cada capa) que determinan el número de
interconexiones y la fuerza de esas interconexiones.
Fig. 2 - Perfiles de Permeabilidad por Redes Neuronales de Retro-Propagación Multicapa
estimación lineal para predecir un valor en una locación no
muestreada. El valor estimado resulta un promedio
ponderado de los valores vecinos y los pesos dependerán de
la relación espacial entre la locación no muestreada y los
valores vecinos, así como también de la relación entre datos
vecinos (Kelkar M. et al. 2002). La bondad de los modelos
generados podrá evaluarse mediante técnicas de validación
cruzada.
Fig. 3 - Entrenamiento Inicial de Permeabilidad con Perfiles SP, ILD, DT, RHOB y NPHI
ejemplos y resultan especialmente adecuadas para procesos
subjetivos e interpretativos que los humanos pueden llevar a
cabo fácilmente pero que no pueden describirse en términos
de algoritmos o set de ecuaciones (Mohaghegh 1995).
También tienen en cuenta la no linealidad en la distribución
de la permeabilidad, ya que son independientes de cualquier
forma de función. En contraste con los métodos de regresión
lineal, las ANN, tampoco fuerzan la predicción a caer cerca de
los valores medios, y por lo tanto permiten preservar la
variabilidad real de los datos (Bhatt 1999).
En síntesis la principal ventaja de las ANN radica en la
habilidad que poseen para aprender de la experiencia y
generalizar dicho aprendizaje a la resolución de nuevos
problemas, sin exponerse a una solución predeterminada,
como la mayoría de los métodos clásicos (Mohaghegh 1995).
Caso Histórico: Breve Descripción del Yacimiento
Se aplicará la metodología aquí desarrollada para la
estimación del Modelo de Permeabilidades del Yacimiento
Anticlinal Campamento, ubicado en la Provincia de Neuquén,
entre las ciudades de Cutral- Co y Zapala. Anticlinal
Campamento inició su producción primaria en 1954 y a fines
de 1983 se comenzó el desarrollo de un proyecto piloto de
Recuperación Secundaria por Inyección de Agua.
La estructura en la que se encuentra el yacimiento es un
anticlinal elongado E-W atravesado por fallas de rumbo
aproximado N-S, que lo dividen en tres bloques: Oriental,
Central y Occidental. En este trabajo se analizaron los
reservorios de la Formación Lotena en el Bloque Oriental.
METODOLOGIA
Fundamentos Básicos y Arquitectura de una Red Neuronal
En el presente trabajo se utilizó una Red Neuronal de Retro-
Propagación Multicapa (Back-Propagational Artificial Neural
Network, Software utilizado: LESA – Módulo Esteem de Digital
Formation). Esta herramienta simula el proceso cognitivo del
cerebro y es de mucha utilidad para resolver aquellos
problemas que no pueden ser solucionados por los métodos
numéricos convencionales. Las ANN, funcionan como
sistemas dinámicos no lineales que aprenden a reconocer
patrones a través del entrenamiento.
La red tiene dos componentes principales: Nodos o Neuronas
y conexiones (nexos ponderados entre las neuronas). Luego
de la exposición de las muestras al entrenamiento, las
neuronas computan los valores de activación y los transmiten
unas a otras, de una forma que depende del algoritmo de
aprendizaje que se use.
El proceso de aprendizaje de las BP-ANN, consiste en
transmitir hacia delante en la red los valores de entrada y
entonces calcular la diferencia entre el Output predicho y el
Output deseado (Fig. 2). Esta información de error es
propagada hacia atrás con el fin de modificar los pesos de los
links entre capas ocultas. Después de un cierto número de
iteraciones, el entrenamiento finaliza logrando la mejor
aproximación entre los valores predichos y los deseados
(Bhatt 1999, 2001).
El entrenamiento de una ANN estará condicionado, mas allá
de los datos de entrada utilizados, por 3 parámetros
intrínsecos: el número de redes en comité, el número de
iteraciones y la cantidad de neuronas en las capas ocultas. La
óptima elección de estos parámetros condicionará los tiempos
y la bondad de los entrenamientos. No existe modelo
matemático que describa la red entrenada, ésta sólo puede
definirse por su topología (número de capas y cantidad de
neuronas en cada capa) que determinan el número de
interconexiones y la fuerza de esas interconexiones.
Fig. 2 - Perfiles de Permeabilidad por Redes Neuronales de Retro-Propagación MulticapaProcedimientos Geoestadísticos
En el proceso de caracterización del reservorio previamente
mencionado, interesa fundamentalmente inferir la naturaleza
de la distribución de propiedades entre pozos con el suficiente
nivel de detalle como para efectuar predicciones posteriores
(Jensen J.L. et al. 2000).
En presencia de información limitada, cualquier descripción
del reservorio involucra la aplicación de estadística. Definimos
la geoestadística en un sentido amplio como una técnica que
permite tener en cuenta las relaciones espaciales entre
variables en el proceso de estimación en locaciones no
muestreadas. Estas variables incluyen propiedades
petrofísicas convencionales (permeabilidad y porosidad),
información sísmica (valores de impedancias) o variables
geológicas como arenas - arcillas (Kelkar M. et al. 2002). En
un estudio geoestadístico tradicional primero se validan y
normalizan los datos a utilizar y se buscan correlaciones entre
variables estáticas y dinámicas para obtener criterios de corte
que permitan definir y caracterizar los límites de los
reservorios (Galacho M. et al. 2003). El rango de
autocorrelación de los datos se analiza mediante el cálculo de
semivariogramas /covarianzas que luego son suministrados al
algoritmo de interpolación - extrapolación que se utilice
(kriging, cokriging, simulación, etc).
En este estudio se aplicaron los algoritmos de Kriging
Ordinario (K.O.). Esta técnica utiliza un procedimiento de
En el proceso de caracterización del reservorio previamente
mencionado, interesa fundamentalmente inferir la naturaleza
de la distribución de propiedades entre pozos con el suficiente
nivel de detalle como para efectuar predicciones posteriores
(Jensen J.L. et al. 2000).
En presencia de información limitada, cualquier descripción
del reservorio involucra la aplicación de estadística. Definimos
la geoestadística en un sentido amplio como una técnica que
permite tener en cuenta las relaciones espaciales entre
variables en el proceso de estimación en locaciones no
muestreadas. Estas variables incluyen propiedades
petrofísicas convencionales (permeabilidad y porosidad),
información sísmica (valores de impedancias) o variables
geológicas como arenas - arcillas (Kelkar M. et al. 2002). En
un estudio geoestadístico tradicional primero se validan y
normalizan los datos a utilizar y se buscan correlaciones entre
variables estáticas y dinámicas para obtener criterios de corte
que permitan definir y caracterizar los límites de los
reservorios (Galacho M. et al. 2003). El rango de
autocorrelación de los datos se analiza mediante el cálculo de
semivariogramas /covarianzas que luego son suministrados al
algoritmo de interpolación - extrapolación que se utilice
(kriging, cokriging, simulación, etc).
En este estudio se aplicaron los algoritmos de Kriging
Ordinario (K.O.). Esta técnica utiliza un procedimiento de
muestreada. El valor estimado resulta un promedio
ponderado de los valores vecinos y los pesos dependerán de
la relación espacial entre la locación no muestreada y los
valores vecinos, así como también de la relación entre datos
vecinos (Kelkar M. et al. 2002). La bondad de los modelos
generados podrá evaluarse mediante técnicas de validación
cruzada.
Fig. 3 - Entrenamiento Inicial de Permeabilidad con Perfiles SP, ILD, DT, RHOB y NPHIDESARROLLO
Se presenta el desarrollo metodológico en el Caso Histórico.
Elección de Parámetros y Análisis de Sensibilidad
De los 39 pozos perforados en el Yacimiento Anticlinal
Campamento, sólo 2 de ellos tienen información de corona
disponible y una suite completa de perfiles (NPHI, DT, RHOB,
SP, GR, Resistivos) mientras que 11 pozos disponen registros
SP, Resistivos y Sónico. Los 25 restantes carecen de perfiles
de porosidad.
En base a la información disponible, se efectuaron análisis de
sensibilidad con el fin de seleccionar los parámetros de
entrada de mayor influencia en la estimación de la
permeabilidad.
Inicialmente se entrenó una red ideal, la cuál contaba con la
suite completa de perfiles como parámetros de entrada. El
objetivo fue exponer la ANN ante las mejores condiciones
posibles para verificar su poder de predicción. El excelente
ajuste obtenido (Fig. 3) alentó el entrenamiento con un set
más restringido de datos, acorde con la información
disponible.
Se efectuaron correlaciones entre los distintos parámetros
disponibles y se evaluaron varios casos de entrenamiento
empleando combinaciones de datos. Finalmente se concluyó
que el set más adecuado debía estar conformado por perfiles
SP, ILD y Porosidad Efectiva interpretada del Perfil Sónico.
También se variaron los parámetros intrínsecos de las ANN,
como fue aumentar el número de iteraciones y cantidad de
neuronas en la Capa Oculta, para mejorar el Ajuste (Fig. 4)
Tareas Desarrolladas
En los 11 pozos con registro sónico disponible se calcularon
las porosidades efectivas mediante análisis petrofisicos de
perfiles y validación con las porosidades medidas en los pozos
con corona.
Fig. 4- Análisis de Sensibilidad variando los Parámetros Intrínsecos de la Red
Se presenta el desarrollo metodológico en el Caso Histórico.
Elección de Parámetros y Análisis de Sensibilidad
De los 39 pozos perforados en el Yacimiento Anticlinal
Campamento, sólo 2 de ellos tienen información de corona
disponible y una suite completa de perfiles (NPHI, DT, RHOB,
SP, GR, Resistivos) mientras que 11 pozos disponen registros
SP, Resistivos y Sónico. Los 25 restantes carecen de perfiles
de porosidad.
En base a la información disponible, se efectuaron análisis de
sensibilidad con el fin de seleccionar los parámetros de
entrada de mayor influencia en la estimación de la
permeabilidad.
Inicialmente se entrenó una red ideal, la cuál contaba con la
suite completa de perfiles como parámetros de entrada. El
objetivo fue exponer la ANN ante las mejores condiciones
posibles para verificar su poder de predicción. El excelente
ajuste obtenido (Fig. 3) alentó el entrenamiento con un set
más restringido de datos, acorde con la información
disponible.
Se efectuaron correlaciones entre los distintos parámetros
disponibles y se evaluaron varios casos de entrenamiento
empleando combinaciones de datos. Finalmente se concluyó
que el set más adecuado debía estar conformado por perfiles
SP, ILD y Porosidad Efectiva interpretada del Perfil Sónico.
También se variaron los parámetros intrínsecos de las ANN,
como fue aumentar el número de iteraciones y cantidad de
neuronas en la Capa Oculta, para mejorar el Ajuste (Fig. 4)
Tareas Desarrolladas
En los 11 pozos con registro sónico disponible se calcularon
las porosidades efectivas mediante análisis petrofisicos de
perfiles y validación con las porosidades medidas en los pozos
con corona.
Fig. 4- Análisis de Sensibilidad variando los Parámetros Intrínsecos de la RedEn aquellos pozos carentes de perfiles de porosidad, se
estimó esta variable utilizando las ANN. Los análisis
multivariados en los pozos que disponían del set completo de
perfiles arrojaron como resultado una buena correlación entre
los perfiles ISP e ILD con el perfil de porosidad calculado. Se
entrenó entonces una red neuronal con los perfiles ISP, ILD,
PHIE de los11 pozos mencionados, lográndose un ajuste muy
bueno entre el perfil predicho y la porosidad efectiva
calculada (Fig. 5). Estos resultados fueron validados con la
porosidad de corona del pozo NAC 1001 (Fig. 6).
Fig. 5- Resultados del Entrenamiento de Porosidad
estimó esta variable utilizando las ANN. Los análisis
multivariados en los pozos que disponían del set completo de
perfiles arrojaron como resultado una buena correlación entre
los perfiles ISP e ILD con el perfil de porosidad calculado. Se
entrenó entonces una red neuronal con los perfiles ISP, ILD,
PHIE de los11 pozos mencionados, lográndose un ajuste muy
bueno entre el perfil predicho y la porosidad efectiva
calculada (Fig. 5). Estos resultados fueron validados con la
porosidad de corona del pozo NAC 1001 (Fig. 6).
Fig. 5- Resultados del Entrenamiento de PorosidadEste entrenamiento fue aplicado al resto de los pozos
logrando así disponer de un perfil de porosidad efectiva en la
totalidad de los mismos.
Una vez obtenida la porosidad efectiva se procedió a entrenar
una red neuronal que lograra reflejar en sus predicciones la
heterogeneidad en la permeabilidad presente a escala de
reservorio.
Fig. 6- Aplicación del Entrenamiento y Validación con la Porosidad de Corona
La Red Neuronal, que fue entrenada en los dos pozos con
corona disponible, utilizó 3 neuronas en la capa de entrada:
registros de pozo SPN, ILD y Porosidad Efectiva Sónica; 15 y
8 neuronas repartidas en dos capas ocultas y 1 neurona en la
capa de salida: la permeabilidad absoluta en condiciones de
NOBP. Los parámetros básicos seleccionados según los
análisis de sensibilidad fueron: 30 sistemas expertos en
paralelo y 500 iteraciones.
Es importante aclarar que el entrenamiento se efectuó
seleccionando aquellos tramos de corona que tuvieran una
respuesta coherente y acorde a las relaciones generales entre
perfiles observadas en las arenas del yacimiento. El
entrenamiento obtenido fue aplicado al resto de los pozos
para lograr perfiles de permeabilidad sintéticos.
A continuación se realizaron los análisis variográmicos que
representan las tendencias de distribución areal y vertical de
la permeabilidad (Fig. 7), y se aplico la técnica de Kriging
Ordinario respetando estas tendencias para obtener un
modelo tridimensional y continuo de las permeabilidades.
Fig. 7- Tendencias de Variación Espacial Vertical y Areal de la
logrando así disponer de un perfil de porosidad efectiva en la
totalidad de los mismos.
Una vez obtenida la porosidad efectiva se procedió a entrenar
una red neuronal que lograra reflejar en sus predicciones la
heterogeneidad en la permeabilidad presente a escala de
reservorio.
Fig. 6- Aplicación del Entrenamiento y Validación con la Porosidad de Coronacorona disponible, utilizó 3 neuronas en la capa de entrada:
registros de pozo SPN, ILD y Porosidad Efectiva Sónica; 15 y
8 neuronas repartidas en dos capas ocultas y 1 neurona en la
capa de salida: la permeabilidad absoluta en condiciones de
NOBP. Los parámetros básicos seleccionados según los
análisis de sensibilidad fueron: 30 sistemas expertos en
paralelo y 500 iteraciones.
Es importante aclarar que el entrenamiento se efectuó
seleccionando aquellos tramos de corona que tuvieran una
respuesta coherente y acorde a las relaciones generales entre
perfiles observadas en las arenas del yacimiento. El
entrenamiento obtenido fue aplicado al resto de los pozos
para lograr perfiles de permeabilidad sintéticos.
A continuación se realizaron los análisis variográmicos que
representan las tendencias de distribución areal y vertical de
la permeabilidad (Fig. 7), y se aplico la técnica de Kriging
Ordinario respetando estas tendencias para obtener un
modelo tridimensional y continuo de las permeabilidades.
Fig. 7- Tendencias de Variación Espacial Vertical y Areal de laPermeabilidad
RESULTADOS
Fig. 8- Correlación entre la Permeabilidad Medida y la Estimada por Redes
REFERENCIAS
•www.mgoilandgas.com.ar
• Galacho, M.C; Iribarne, M.; Loss, M.L.; Vázquez, P. y Lavia,
M.: Modelo de Permeabilidades de Reservorio utilizando
Redes Neuronales Artificiales e Integración Geoestadística.
VI Congreso de Exploración y Desarrollo, Mar del Plata,
Argentina. (Noviembre, 2006).
• Balan, B.; Mohaghegh, S. D. y Ameri, S.: “State-Of-The Art
in Permeability Determination From Well Log Data: Part 1-A
Comparative Study, Model Development”, SPE 30978, SPE
Eastern Regional Conference and Exhibition, Morgantown,
West Virginia, U.S.A.(Setiembre 1995).
• Bhatt, A. y Helle, H. B. : “Porosity, Permeabilty and TOC
prediction from well logs using a neural network approach”,
61st Annual EAGE Meeting, Helsinki, Finlandia (Junio 1999).
• Bhatt, A.; Helle, H.B. y Ursin, B.: “Application of Committee
Machines in Reservoir Characterization While Drilling: a
Novel Neural Network Approach in Log Analysis”, 6th
Nordic Symposium on Petrophyisics, Trondheim, Noruega
(Mayo 2001).
• Galacho, M.C.; Monsalvo, G. F.; Vázquez, P. y Wouterlood,
C.J.: “La Estadística Integral Autocorrelada y la
Optimización del Desarrollo y Explotación de los Campos”,
3er Congreso E_Exitep, Veracruz, México (Febrero 2003).
• Jensen, J.L.; Lake, L. W.; Corbett, P.W. y Goggin, D. J.:
“Statistics for petroleum engineers and geoscientists”,
Second Edition, Elsevier Science, Amsterdam, Holanda
(2000).
• Kelkar, M. y Pérez, G.: “Applied Geostatistics for Reservoir
Characterization”, Society of Petroleum Engineers,
Richardson, Texas, U.S.A. (2002).
• Mohaghegh, S. D.; Balan, B. y Ameri, S.: “State-Of-The Art
in Permeability Determination From Well Log Data: Part 2-
Verifiable, Accurate Permeability Predictions, The Touch -
stone of All Models”, SPE 30979, SPE Eastern Regional
Conference and Exhibition, Morgantown, West Virginia,
U.S.A.(Setiembre 1995)
• Mohaghegh, S. D.: “Recent Development in Application of
Artificial Intelligence in Petroleum Engineering”, SPE 89033
(Mayo 2004).
Fig. 8- Correlación entre la Permeabilidad Medida y la Estimada por RedesEl entrenamiento de la red neuronal generó una ajustada
predicción de la permeabilidad medida en corona,
lográndose un 90% de correlación entre el dato medido y el
estimado (Fig. 8). La aplicación posterior de este caso en los
pozos sin corona generó perfiles sintéticos de permeabilidad,
con valores entre 10 y 250 md, restringidos a las arenas del
reservorio (Fig. 9)
Los resultados de la distribución de la permeabilidad en la
grilla del modelo, utilizando Kriging Ordinario pueden
observarse en la Fig. 10.
Fig. 9- Aplicación del Entrenamiento y Generación de Perfiles de Permeabilidad Sintéticos
Fig. 10- Distribución de la Permeabilidad en la Grilla
Tridimensional por Kriging Ordinario.
El eje mayor de extrapolación es coincidente con el de
la distribución del perfil SP.
crossvalidación del modelo desde un punto de vista
dinámico.
• Que el Ajuste Histórico arriba referido se logró al cabo de 6
corridas y los únicos parámetros que se modificaron fueron
los puntos extremos de la permeabilidad relativa.
• Que en ese Ajuste no fue necesario modificar el modelo de
permeabilidad absoluta, lo cual confirma la aproximación
del modelo a la situación real del yacimiento.
Fig. 11- Barreras de Conectividad predichas por el Modelo para dos Niveles del Yacimiento
predicción de la permeabilidad medida en corona,
lográndose un 90% de correlación entre el dato medido y el
estimado (Fig. 8). La aplicación posterior de este caso en los
pozos sin corona generó perfiles sintéticos de permeabilidad,
con valores entre 10 y 250 md, restringidos a las arenas del
reservorio (Fig. 9)
Los resultados de la distribución de la permeabilidad en la
grilla del modelo, utilizando Kriging Ordinario pueden
observarse en la Fig. 10.
Fig. 9- Aplicación del Entrenamiento y Generación de Perfiles de Permeabilidad Sintéticos
Tridimensional por Kriging Ordinario.
El eje mayor de extrapolación es coincidente con el de
la distribución del perfil SP.
La bondad del Modelo de Permeabilidades generado se valoró
teniendo en cuenta los siguientes aspectos:
• Que las tendencias mostradas por la permeabilidad fueron
en general similares y congruentes con las mostradas por el
registro eléctrico SP, con la dirección mayor de
extrapolación en sentido NW-SE. (Fig. 10)
• Que las zonas de baja permeabilidad en el modelo
coinciden con barreras de conectividad que permiten
explicar la falta de relación entre productor e inyector a
ambos lados de la barrera, durante el piloto de Inyección
de Agua.
• Que esto puede observarse en los mapas de Delimitación y
Caracterización de Subunidades Hidráulicas donde las
barreras de conectividad coinciden con zonas de bajas
permeabilidades (Fig. 11)
• Que las zonas de mayor Permeabilidad predichas por el
modelo se corresponden con los pozos de mayor
acumulada de petróleo (Fig. 12)
• Que en la Simulación Numérica por Diferencias Finitas el
modelo mostró un excelente ajuste respecto de la
producción histórica. Este resultado (Fig 13) representa una
teniendo en cuenta los siguientes aspectos:
• Que las tendencias mostradas por la permeabilidad fueron
en general similares y congruentes con las mostradas por el
registro eléctrico SP, con la dirección mayor de
extrapolación en sentido NW-SE. (Fig. 10)
• Que las zonas de baja permeabilidad en el modelo
coinciden con barreras de conectividad que permiten
explicar la falta de relación entre productor e inyector a
ambos lados de la barrera, durante el piloto de Inyección
de Agua.
• Que esto puede observarse en los mapas de Delimitación y
Caracterización de Subunidades Hidráulicas donde las
barreras de conectividad coinciden con zonas de bajas
permeabilidades (Fig. 11)
• Que las zonas de mayor Permeabilidad predichas por el
modelo se corresponden con los pozos de mayor
acumulada de petróleo (Fig. 12)
• Que en la Simulación Numérica por Diferencias Finitas el
modelo mostró un excelente ajuste respecto de la
producción histórica. Este resultado (Fig 13) representa una
dinámico.
• Que el Ajuste Histórico arriba referido se logró al cabo de 6
corridas y los únicos parámetros que se modificaron fueron
los puntos extremos de la permeabilidad relativa.
• Que en ese Ajuste no fue necesario modificar el modelo de
permeabilidad absoluta, lo cual confirma la aproximación
del modelo a la situación real del yacimiento.
Fig. 11- Barreras de Conectividad predichas por el Modelo para dos Niveles del YacimientoCONCLUSIONES Y RECOMENDACIONES
Del modelo generado pueden extraerse las siguientes
conclusiones:
• Las redes neuronales han demostrado ser en este
yacimiento un confiable método de predicción, ya que
respetaron las tendencias mostradas por otras variables,
como la litología y la producción de petróleo.
• Al mismo tiempo lograron reproducir la variabilidad y
heterogeneidad de la permeabilidad a escala de
reservorio, sin generar valores “promedio” por zonas, al no
ajustarse a leyes matemáticas predeterminadas.
• Los resultados del modelo fueron validados a través de
caracterizaciones estáticas (distribución y espesores de
arenas definidas a partir de SP) y dinámicas (acumuladas
de producción y ajustes históricos durante la simulación
numérica).
Sin embargo, y aunque resulte evidente, no debería olvidarse
que un buen resultado depende de la calidad de los datos
de entrada casi exclusivamente. Por ello, en la etapa previa
al modelado se recomienda tener en cuenta los siguientes
factores:
• La cantidad de información de corona disponible, su
distribución en el reservorio y el número de perfiles
condicionará la bondad de la predicción posterior ya que la
capacidad de generalización de la red estará basada en la
diversidad de datos y situaciones a las que se la exponga
durante su entrenamiento.
• Las tareas previas al entrenamiento de una Red Neuronal
requieren de una exhaustiva búsqueda de relaciones
confiables entre variables, de análisis de sensibilidad que
permitan seleccionar los parámetros de entrada y de la
elección cuidadosa de los datos de salida más
representativos. Para este fin los análisis estadísticos de los
datos de entrada respecto del patrón a reproducir (en
este caso la permeabilidad) resultan de suma utilidad para
admitir o descartar conjuntos de datos.
• Para evitar los errores de combinar datos de permeabilidad
medidos en distintas condiciones, se recomienda expresar
los mismos a una única NOBP (Net Overburden Pressure).
• Es conveniente que los entrenamientos de permeabilidad se
efectúen por zona, facie, bloque o cualquier otra
diferenciación geológica que implique una variación en la
relación entrada-salida de la Red. Se evitarán así
predicciones erróneas o poco confiables, en detrimento de
la versatilidad de la red neuronal. Si la información
disponible por zonas es escasa o irrelevante, entonces un
entrenamiento global de las Redes es más recomendable,
tal como se realizó en el caso aquí presentado.
AGRADECIMIENTOS
Los autores agradecen a la empresa Pioneer Natural
Resources Argentina por autorizar la presentación de este
trabajo que ha utilizado parte de la información del
Yacimiento Anticlinal Campamento.
Fig. 12- Relación entre Acumuladas de Producción y Permeabilidades
Fig. 13- Simulación Numérica por Diferencias Finitas.
Ajuste Histórico Global
Del modelo generado pueden extraerse las siguientes
conclusiones:
• Las redes neuronales han demostrado ser en este
yacimiento un confiable método de predicción, ya que
respetaron las tendencias mostradas por otras variables,
como la litología y la producción de petróleo.
• Al mismo tiempo lograron reproducir la variabilidad y
heterogeneidad de la permeabilidad a escala de
reservorio, sin generar valores “promedio” por zonas, al no
ajustarse a leyes matemáticas predeterminadas.
• Los resultados del modelo fueron validados a través de
caracterizaciones estáticas (distribución y espesores de
arenas definidas a partir de SP) y dinámicas (acumuladas
de producción y ajustes históricos durante la simulación
numérica).
Sin embargo, y aunque resulte evidente, no debería olvidarse
que un buen resultado depende de la calidad de los datos
de entrada casi exclusivamente. Por ello, en la etapa previa
al modelado se recomienda tener en cuenta los siguientes
factores:
• La cantidad de información de corona disponible, su
distribución en el reservorio y el número de perfiles
condicionará la bondad de la predicción posterior ya que la
capacidad de generalización de la red estará basada en la
diversidad de datos y situaciones a las que se la exponga
durante su entrenamiento.
• Las tareas previas al entrenamiento de una Red Neuronal
requieren de una exhaustiva búsqueda de relaciones
confiables entre variables, de análisis de sensibilidad que
permitan seleccionar los parámetros de entrada y de la
elección cuidadosa de los datos de salida más
representativos. Para este fin los análisis estadísticos de los
datos de entrada respecto del patrón a reproducir (en
este caso la permeabilidad) resultan de suma utilidad para
admitir o descartar conjuntos de datos.
• Para evitar los errores de combinar datos de permeabilidad
medidos en distintas condiciones, se recomienda expresar
los mismos a una única NOBP (Net Overburden Pressure).
• Es conveniente que los entrenamientos de permeabilidad se
efectúen por zona, facie, bloque o cualquier otra
diferenciación geológica que implique una variación en la
relación entrada-salida de la Red. Se evitarán así
predicciones erróneas o poco confiables, en detrimento de
la versatilidad de la red neuronal. Si la información
disponible por zonas es escasa o irrelevante, entonces un
entrenamiento global de las Redes es más recomendable,
tal como se realizó en el caso aquí presentado.
AGRADECIMIENTOS
Los autores agradecen a la empresa Pioneer Natural
Resources Argentina por autorizar la presentación de este
trabajo que ha utilizado parte de la información del
Yacimiento Anticlinal Campamento.
Fig. 12- Relación entre Acumuladas de Producción y Permeabilidades
Fig. 13- Simulación Numérica por Diferencias Finitas.Ajuste Histórico Global
REFERENCIAS
•www.mgoilandgas.com.ar
• Galacho, M.C; Iribarne, M.; Loss, M.L.; Vázquez, P. y Lavia,
M.: Modelo de Permeabilidades de Reservorio utilizando
Redes Neuronales Artificiales e Integración Geoestadística.
VI Congreso de Exploración y Desarrollo, Mar del Plata,
Argentina. (Noviembre, 2006).
• Balan, B.; Mohaghegh, S. D. y Ameri, S.: “State-Of-The Art
in Permeability Determination From Well Log Data: Part 1-A
Comparative Study, Model Development”, SPE 30978, SPE
Eastern Regional Conference and Exhibition, Morgantown,
West Virginia, U.S.A.(Setiembre 1995).
• Bhatt, A. y Helle, H. B. : “Porosity, Permeabilty and TOC
prediction from well logs using a neural network approach”,
61st Annual EAGE Meeting, Helsinki, Finlandia (Junio 1999).
• Bhatt, A.; Helle, H.B. y Ursin, B.: “Application of Committee
Machines in Reservoir Characterization While Drilling: a
Novel Neural Network Approach in Log Analysis”, 6th
Nordic Symposium on Petrophyisics, Trondheim, Noruega
(Mayo 2001).
• Galacho, M.C.; Monsalvo, G. F.; Vázquez, P. y Wouterlood,
C.J.: “La Estadística Integral Autocorrelada y la
Optimización del Desarrollo y Explotación de los Campos”,
3er Congreso E_Exitep, Veracruz, México (Febrero 2003).
• Jensen, J.L.; Lake, L. W.; Corbett, P.W. y Goggin, D. J.:
“Statistics for petroleum engineers and geoscientists”,
Second Edition, Elsevier Science, Amsterdam, Holanda
(2000).
• Kelkar, M. y Pérez, G.: “Applied Geostatistics for Reservoir
Characterization”, Society of Petroleum Engineers,
Richardson, Texas, U.S.A. (2002).
• Mohaghegh, S. D.; Balan, B. y Ameri, S.: “State-Of-The Art
in Permeability Determination From Well Log Data: Part 2-
Verifiable, Accurate Permeability Predictions, The Touch -
stone of All Models”, SPE 30979, SPE Eastern Regional
Conference and Exhibition, Morgantown, West Virginia,
U.S.A.(Setiembre 1995)
• Mohaghegh, S. D.: “Recent Development in Application of
Artificial Intelligence in Petroleum Engineering”, SPE 89033
(Mayo 2004).
