MODELADO ESTOCÁSTICO DE FACIES SEDIMENTARIAS CLÁSTICAS EN UN 3D GRID GEOLÓGICO

UNIVERSIDAD MAYOR DE SAN ANDRÉS
FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA PETROLERA
INSTITUTO DE INGENIERIA PETROLERA
MAESTRIA EN INGENIERIA DE RESERVORIOS; EXPLORACION,
EVALUACION Y MEDIO AMBIENTE- PRIMERA VERSION
TESIS DE MAESTRIA
“MODELADO ESTOCÁSTICO DE FACIES SEDIMENTARIAS
CLÁSTICAS EN UN 3D GRID GEOLÓGICO”
Postulante
Tutor
:
Limachi Limachi Salvador Yamil
:
Msc.Ing. Marco A. Montesinos M.
LA PAZ – BOLIVIA
GESTION 2018
AGRADECIMIENTOS
El presente trabajo no podría haberse llevado a cabo
sin la ayuda desinteresada y valiosa del PhD.Udo
Zimmermmann
coordinador
de
maestría
en
representación de la cooperación de la Universidad
de Stavanger en la UMSA.
Agradecimientos especiales al Msc Ing. Marco A.
Montesinos M. director de carrera y docentes de la
carrera de Ingeniería Petrolera por las sugerencias y
apoyo brindado durante la maestría.
I
DEDICATORIA
El presente trabajo es dedicado a mi querida madre
Brigida Limachi F., a mis tías Luisa Limachi F. y
Maxima Limachi A. por el apoyo y ánimo brindado
para culminar de manera exitosa el programa de
maestría.
Dedico este trabajo a mi futura esposa Noemi D.
Chambilla R. quien fue una inspiración para mí en
todo momento, gracias mi amor.
II
INDICE GENERAL
RESUMEN EJECUTIVO……………………………………………………….
1
ABSTRACT……………………………………………………………………...
2
CAPÍTULO I INTRODUCCION……………………………………………….
3
1.1.
Introducción……………………………………………………………..
3
1.2.
Hipótesis…………………………………………………………………
5
1.3.
Objetivo………………………………………………………………….
5
1.4.
Objetivos específicos…………………………………………………..
5
1.5.
Justificación……………………………………………………………..
6
1.6.
Alcances…………………………………………………………………
7
1.7.
Metodología……………………………………………………………...
8
CAPITULO II IDENTIFICACIÓN DE CUERPOS SEDIMENTARIOS……
11
2.1.
Identificación mediante atributos sísmicos…………………………..
11
2.1.1. Root Mean Square……………………………………………………...
13
2.1.2. Coherencia………………………………………………………………
15
2.2.
Identificación mediante registros eléctricos………………………….
19
CAPITULO III CRITERIOS EN MODELADO DE FACIES………………...
24
3.1.
Selección del algoritmo…………………………………………………
25
3.1.1. Algoritmos determinísticos y artificiales………………………………
27
3.1.2. Algoritmos estocásticos………………………………………………..
27
3.1.3. Selección…………………………………………………………………
29
3.2.
Modelado estocástico…………………………………………………..
30
3.2.1. Variograma………………………………………………………………
31
3.2.2. Krigging…………………………………………………………………..
34
III
3.2.3. Cokriging…………………………………………………………………
38
3.2.3. Simulación de Indicadores Secuencial (SIS)……………………….
38
CAPITULO IV APLICACIÓN PRÁCTICA……………………………………
42
4.1.
Ubicación y geología del campo de estudio………………………….
42
4.2.
Informes de perforación………………………………………………..
46
4.3.
Estratigrafía……………………………………………………………...
47
4.4.
Análisis de expresiones sísmicas……………………………………..
56
4.5.
Modelo geológico……………………………………………………….
62
4.6.
Proceso de scale up y análisis de variogramas verticales…………
69
4.7.
Modelado estocástico aplicando simulación de indicadores
secuencial………………………………………………………………………..
72
4.8.
Análisis de resultados y validación de hipótesis…………………….
75
4.9.
Conclusiones…………………………………………………………….
80
4.10. Recomendaciones………………………………………………………
81
BIBLIOGRAFÍA…………………………………………………………….......
82
INDICE DE TABLAS…………………………………………………………...
85
INDICE DE FIGURAS………………………………………………………….
86
GLOSARIO……………………………………………………………………...
89
IV
RESUMEN EJECUTIVO
El proceso de representar
propiedades físicas en un modelo de reservorio
consiste en entender su distribución (facies, porosidad, permeabilidad, etc.) de
forma adecuada, esto requiere la aplicación de una serie de criterios y técnicas
que tienen por finalidad hacer un modelo confiable y entendible
en base a
conceptos geológicos.
El presente trabajo pretende analizar y aplicar todos los pasos requeridos para un
modelado exitoso, entre los que se encuentra
la integración
de datos,
representatividad de facies, y modelado estocástico; esta secuencia es crucial
para una representación óptima. Los puntos que se toman en cuenta en el
presente estudio son:

Identificar características sedimentarias con el uso de atributos sísmicos
(Coherence, Root Mean Square).

Analizar registros eléctricos de pozos (gamma ray, sónico, densidad,
neutrón, SP, resistividad, etc) a fin de identificar la resolución vertical del
modelo y entender la variación de propiedades alrededor del pozo.

Correlacionar marcadores de formación que indican un tiempo
geológico en el que un límite litológico es representado.

Aplicar el método de modelado estocástico, conocido como Simulación
de Indicadores Secuencial (SIS) que toma en cuenta todos los puntos
anteriormente citados para definir los parámetros de su algoritmo y así
calcular las facies correspondientes en base a la probabilidad espacial
que tenga respecto a la distancia.
Las facies sedimentarias que son susceptibles de ser representadas, en el
presente estudio, son las que superan la resolución mínima del registro sísmico,
es decir superiores a 10m de acuerdo a la variación de la longitud de onda
sísmica, a esto se debe sumar el efecto de atenuación, lo que constituye una
limitante propia de la sísmica de reflexión, tomando en cuenta estas limitantes se
trata de realizar un modelo de facies con fines académicos.
1
ABSTRACT
The process to represent physical properties within a reservoir model must take in
count its distribution (facies, porosity, permeability, etc.) in an adequate way; this
requires the application of a series of criterion and techniques that have the final
purpose to represent an understandable and trustful model based on geological
concepts.
This work scope is to analyze and apply all required steps to accomplish a
successful modeling, which mean: data integration, facies representativeness, and
stochastic modeling; this sequence is very important for an optimal model
representation. The key steps taken in count for this work are:

Identify sedimentary features with the use of seismic attributes
(Coherence, Root Mean Square).

Analyze well log data (gamma ray, sonic, density, neutron, spontaneous
potential, resistivity, etc.) with the purpose of identify optimal vertical
resolution, and understand rock properties around near wellbore with the
usage of vertical variograms.

Do well top correlation to understand geological time and context where
this limit lies.

Apply stochastic modeling technique, well known as Sequential Indicator
Simulation (SIS), using previously calculated steps and define algorithm
parameters, this allows to calculate spatial facies probability constrained
to lag distance.
Sedimentary facies that are suitable for correct spatial representation within the
current work are the ones that go beyond minimum seismic resolution, which
means 10m according to seismic wave length. Attenuation effect should be taken
in count as a natural technique restriction for reflected seismic waves. With these
issues in mind, this academic document tries to do a facies model.
2
CAPÍTULO I INTRODUCCION
1.1.
Introducción
Los modelos tridimensionales juegan un papel muy importante en la industria de
los hidrocarburos, se utilizan para planificar nuevos pozos, calcular reservas, y
cuando tienen nexo con un simulador de flujo ayudan a predecir perfiles de
producción. Un factor clave para los profesionales es la integración cuantitativa de
sísmica 3D, para obtener una representación más adecuada de las propiedades
del reservorio entre los pozos.1
La generación de modelos 3D de facies es un paso crucial, debido a que incorpora
dentro de sí gran parte de conocimiento geológico en un reservorio en forma
cualitativa y cuantitativamente. En este sentido es que debe respetar leyes
geológicas (ley de Walter) y de observación, para sucesiones de facies que son
consecuentes entre si y que presenten ausencia de superficies significativas de
erosión.2
Es así que los modelos se vuelven más complejos cada vez, y son utilizados para
representar múltiples propiedades como ser, facies, porosidad, permeabilidad,
impedancia acústica, propiedades mecánicas, propiedades dinámicas (saturación
y presión de formación) entre otras.
La geoestadística es una disciplina que ayuda en la construcción de modelos. Esta
rama inicialmente fue desarrollada con fines aplicados a la industria de la minería,
es una disciplina relativamente nueva, mucho de su desarrollo se lo hizo en los
últimos cuarenta años. La Asociación Internacional de Geología Matemática
(IAMG) es responsable al desarrollar la base teórica de la geoestadística en 1968.
En los años sucesivos de 1970 hasta 1980 muy poca gente usaba métodos
geoestadísticos, sin embargo desde ese año el conocimiento y la comunidad de
1
Ampilov, Y. (2010). Seismic Interpretation to Modelling and Assessment of Oil and Gas Fields. HOUTEN The
Netherlands: EAGE Publications.
2
Le Blevec, T., Dubrule, O., Cedric, J., & Hampson, G. (2016). Building more realistic 3D facies indicator
models. Bangkok: Paper presented at the International Petroleum Technology Conference.
3
profesionales que utilizan esta técnica se ha incrementado de manera
significativa.3
Es así que en 1994 se edita el primer volumen de Stochastic Modeling and
Geostatistics de los autores Yarus y Chambers, que fundamento la aplicación
práctica de la técnica, mejorando la teoría y contextualizando su aplicación en
parte vital del proceso de modelado de reservorios.4
Técnicas como las de krigging y simulación condicional son ampliamente
aceptadas en su uso, para predecir propiedades del reservorio entre los pozos, y
de esta forma crear modelos heterogéneos más realistas.
La distribución espacial de facies con determinadas características petrofísicas
como las de permeabilidad, controla la forma en la que los hidrocarburos se
movilizan en forma de barreras o de caminos de flujo, asimismo se ha visto que la
heterogeneidad vertical en la sucesión de las facies tiene un impacto en el factor
de recuperación del campo.5
Últimamente se ha mostrado en evidencia que el modelado estocástico
(geoestadístico)
no
solamente
proporciona
distribuciones
de
parámetros
geológicos sino que también tiene un tremendo potencial de integrar datos que
provienen de diferentes fuentes. Las ramas que interactúan para tener datos de
entrada
útiles
son:
conocimiento
geológico
(litológico
y
de
modelos
deposicionales), geofísica, geología estructural, petrofísica, e ingeniería de
reservorios. La posibilidad de integrar datos a este nivel y hacia diferentes escalas
3
Myers, D. E. (2006). Reflections on geostatistics and stochastic modeling. En T. Coburn, J. Yarus, & L.
Chambers, Stochastic modeling and geostatistics: Principles, methods, and case studies (Vol. Computer
Applications in Geology 5, págs. 11–22). AAPG American Association of Petroleum Geologists.
4
Coburn, T., Yarus, J., & Chambers, L. (2006). Geostatistics and stochastic modeling: Bridging into the 21st
century. En T. Coburn, J. Yarus, & L. Chambers, Stochastic modeling and geostatistics: Principles, methods,
and case studies (Vol. Computer Applications in Geology 5, págs. 3– 9). AAPG American Association of
Petroleum Geologists.
5
Zhou, Y., Muggeridge, A., Berg, C., & King, P. (2015). Quantifying cross flow and its impact on tertiary
polymer flooding in heterogeneous reservoirs. European Symposium on Improved oil Recovery IOR.
4
hace del modelado estocástico la técnica más poderosa actualmente disponible
para caracterización de reservorios.6
La finalidad de modelar facies sedimentarias que tienen por origen a un ambiente
clástico en un 3D grid geológico, es lograr la representatividad necesaria sobre un
modelo construido en la formación productora o identificada como reservorio, este
procedimiento usa como base modelado geoestadístico en la forma de
ponderación de la distribución espacial de las facies (grano fino, mediano y
grueso). La forma inicial de identificar geomorfologías e indicadores cualitativos y
cuantitativos de facies se usa atributos sísmicos sensibles a variaciones
sedimentológicas.7
1.2.
Hipótesis
El uso de atributos sísmicos (coherence, amplitud contrast) es la mejor forma de
identificar características sedimentarias asociadas a la distribución de facies, y su
aplicación mejora la representación geológica, en el proceso de modelado
geoestadístico con el método SIS (sequential indicator simulation) en un 3D grid
geológico
1.3.
Objetivo
Modelar facies sedimentarias con el método SIS (sequential indicator simulation)
en un 3D grid geológico tomando en cuenta atributos sísmicos para obtener una
representación geológica adecuada.
1.4.

Objetivos específicos
Identificar características sedimentarias que sirvan de datos de entrada
para su modelado y correcta representación en el 3D grid.
6
Pelgrain, A., Cosetino, L., Cabrera, J., Jimenez, T., & Bellorin, O. (2002). Geologically oriented geostatistics:
an integrated tool for reservoir studies. Mexico: Paper presented at SPE international Petroleum
Conference.
7
Zakrevsky, K. E. (2011). Geological 3d Modelling. HOUTEN The Netherlands: EAGE Publications.
5

Seleccionar adecuadamente parámetros de SIS (sequential indicator
simulation) y de variogramas.

Realizar el control de calidad de los datos de ingreso para mantener su
distribución

1.5.

Analizar los resultados obtenidos
Justificación
Un modelo geológico deficiente conlleva problemas en la simulación,
puesto que no se representa de forma adecuada el flujo de fluidos en el
reservorio, como consecuencia se puede sobrestimar o subestimar la
producción de un campo sin estar conscientes de ello.

La limitante de resolución en sísmica de reflexión
hace que no se
puedan tomar en cuenta jerarquías estratigráficas menores a los 10
metros; sin embargo su presencia debe ser tomada en cuenta
ponderando su importancia en los registros eléctricos, este factor hace
importante el entendimiento de la escala de estudio

No todos los aspectos geológicos son relevantes de ser representados
en un modelo geológico, es por esta razón que se deben definir los
objetivos de representación al iniciar el modelado estocástico.
Correlación entre el modelo geológico y el representable.

La mejor forma de planificar un pozo es identificando los lugares más
atractivos en términos de acumulación de hidrocarburos, el modelo
geológico es una referencia cualitativa y cuantitativa de prospectos
atractivos. Identificación de lugres potenciales para pozos

Representar información de pozo en un modelo geológico es muy
importante ya que se referencia mediciones cercanas en distancia al
pozo con una escala mucho mayor (volumen del reservorio), las
características más importantes (litología, porosidad, permeabilidad, etc)
deben estar representadas en el modelo geológico como ser
laminaciones de lutitas que constituyen barreras de flujo en el reservorio
Integrar información de pozo con el grid.
6

Un modelo geológico adecuado brinda certeza respecto al plan de
desarrollo
del campo, posibilitando un manejo adecuado de la
producción así como un monitoreo de reservas.
1.6.
Alcances
El presente trabajo conlleva limitaciones propias de un trabajo académico, donde
se tiene restricciones en acceso a la información y en la perspectiva de análisis,
siendo los siguientes puntos los alcances definidos:
No se realiza comparaciones de cálculo final entre algoritmos de modelado
estocástico y determinístico para determinar de manera cuantitativa cual es el
mejor método para el sistema deposicional, en vez se elige el método en base a
criterios cualitativos y de conocimiento general.
Se hace un tratamiento de datos en base a la información existente, siendo que
podría haber valores referenciales que son diferentes como ser: sistema de
coordenadas, dato de referencia sísmica, o sísmica que no sea cero en fase de
desplazamiento.
No se cuestiona procesos previos al modelado estocástico es decir se asume que
la interpretación
procedimientos
sísmica, conversión de tiempo a profundidad y todos los
que
se
requiere
son
confiables
dentro
de
los
rangos
científicamente aceptables
Se escoge los tributos sísmicos en los que se tiene un conocimiento específico del
funcionamiento del algoritmo, es de suponer que pueden existir otras técnicas
mejores pero la falta de fundamento práctico restringe el uso de ellas
La interpretación de facies se hace en base a registros eléctricos
que son
sensibles a representación litológica en los cuales se aplica clasificación de facies,
y su variación está sujeta los datos de entrada.
7
1.7.
Metodología
Los procedimientos de trabajo para el modelado se propiedades se dividen en tres
etapas fundamentales: 8

Construcción del volumen geométrico a partir de los horizontes y fallas, los
cuales fueron interpretados de los datos sísmicos.

Construcción del modelo estratigráfico que provee de un conjunto de celdas
que se utilizaran en la asignación de propiedades petrofísicas.

Modelado de las propiedades utilizando información de pozos es decir
aquella derivada de registros eléctricos.
En este sentido los datos requeridos para realizar la construcción de modelos de
propiedades son los siguientes:

Datos de horizontes y fallas. Que son superficies regulares que definen
tope y base de los intervalos de reservorio. Los horizontes son obtenidos de
la interpretación sísmica en 3D y después son convertidos a profundidad.
Las fallas son aquellas superficies continuas interpretadas. Estos datos son
fundamentales para la construcción de volúmenes geológicos.

Registros
eléctricos
y
marcadores
de
formación.
Los
registros
fundamentales pueden ser aquellos indicadores de litología o petrofísica,
estas medidas brindan información a través de la trayectoria del pozo. Los
marcadores de formación son puntos espaciales en los que se tiene
información litológica acerca de las formaciones que atraviesa el pozo.

Volúmenes de atributos sísmicos. Los cuales son indicadores cualitativos
de cuerpos sedimentarios, y a partir de los cuales se puede extraer
información.
8
Dubrule, O. (2003). Geoestatistics For Seismic Data Integration In Earth Models. HOUTEN The Netherlands:
EAGE Publications.
8
La metodología utilizada en el presente trabajo toma en cuenta los siguientes
pasos:9

Revisión de todos los datos obtenidos. Mediante la verificación física y
espacial en los archivos, es decir que sean susceptibles de importación y
uso en el trabajo.

Revisión bibliográfica. A fin de recolectar información geológica y del campo
en estudio.

Identificación de los datos representativos. Selección de aquellos dato
iniciales (sísmica o registros eléctricos) o calculados (facies) que sean de
utilidad como datos de entrada en el proceso de calculo

Atenuación de registros eléctricos. Para que los valores de los registros
sean asignados a las celdas estratigráficas del modelo en la trayectoria del
pozo, estos deben ser atenuados, debido a la variación de resolución, el
tipo de atenuación depende de la propiedad y van desde aritméticos hasta
ponderaciones más avanzadas, se debe utilizar métodos de
control de
representatividad con el uso de histogramas y verificación de valores, para
evitar exageraciones que eliminen información valiosa.

Análisis de continuidad espacial. Se refiere al análisis de variogramas para
caracterizar la continuidad espacial en la variación de las propiedades del
reservorio, estos cálculos se realizan como función de distancias
estratigráficas, se puede hacer el análisis de manera vertical y horizontal.
Siendo que la estimación de la resolución vertical del modelo geológico es
función del variograma en base a los registros eléctricos de litología
(gamma ray, densidad, sónico), pudiendo entender el rango máximo de
variación de propiedades en distancias cercanas al pozo. Identificar la
orientación y tendencia horizontal mediante la construcción de variogramas
horizontales, la variación máxima permitida no debe ser superior a 1/2 del
rango en el variograma horizontal menor, en el atributo sísmico que tenga la
mayor representatividad sedimentológica.
9
Zakrevsky, K. E. (2011). Geological 3d Modelling. HOUTEN The Netherlands: EAGE Publications.
9

Se usara métodos de clasificación para identificar variaciones espaciales de
facies,
de
acuerdo
al
proceso
sedimentológico
identificado
como
preponderante y/o de mayor influencia en el intervalo de interés

Realizar cálculos de sensibilidad para evaluar el impacto en toda la
distribución, tomando en cuenta que la validación de los parámetros de
influencia requiere de un alto nivel de especialización
10
CAPITULO II IDENTIFICACIÓN DE CUERPOS SEDIMENTARIOS
La mayoría de los procedimientos para el reconocimiento de cuerpos
sedimentarios toman datos de sísmica 3D. En primera instancia el intérprete
realiza un escaneo en in-line, cross-line y de manera horizontal, el objetivo en esta
primera instancia es identificar características que sean anómalas que por lo
general incluyen puntos brillantes de amplitud, lineamientos abruptos, o
características que sean geológicas a simple vista. Otra forma involucra la
aplicación de opacidades a fin de visualizar valores específicos de amplitud que
permitan ver una paleo morfología. Una vez identificados estas características se
procede a interpretar amplitudes en el reflector de interés, extraer amplitudes en
un intervalo definido, analizar los atributos sísmicos en un intervalo como ser
coherencia, RMS, impedancia acústica, entre otros.
Al concluir estos pasos se debe definir geológicamente el significado de estos
patrones, que pueden ser por ejemplo canales fluviales o de aguas profundas,
derrumbes, deslizamientos, límites de plataforma continental, carbonatos, etc.
Un paso crítico en la evaluación de cualquier característica sísmica es que esta
expresión debe ser científicamente razonable en múltiples direcciones, al igual
que en los diferentes planos de vista de la sísmica. Un complemento es también
referido a los datos de pozo disponibles, que estos provean un conocimiento
litológico y sedimentológico. Datos de analogía con ambientes actuales o antiguos
conocidos pueden ser utilizados para mejorar la credibilidad de la interpretación.10
2.1.
Identificación mediante atributos sísmicos
Un atributo sísmico es cualquier operación realizada sobre datos sísmicos que
ayuda a mejorar la visualización o cuantifica características que son de interés en
la zona de interpretación, los atributos sísmicos tienen pueden ser de tiempo,
amplitud, fase y frecuencia de sismica. Un buen atributo sísmico tiene que ser
directamente sensitivo hacia la característica geológica deseada o a la propiedad
10
Posamentier, H., & Allen, G. (1999). Siliciclastic Sequence Stratigraphy-Concepts and Applications. Tulsa,
Oklahoma, U.S.A: SEPM Society for Sedimentary Geology.
11
de interés del reservorio y de esta forma nos permita definir características
estructurales o deposicionales, e inferir las propiedades de interés. Los atributos
sísmicos son ampliamente utilizados en interpretación sísmica, la Fig 2.1 ilustra de
manera práctica la importancia de aplicar atributos sísmicos para resaltar
características deposicionales que sean susceptibles de ser visualizadas en
sísmica tridimensional.
En la Fig 2.2 se puede ver un ejemplo de un atributo de coherencia que resalta
los límites de un canal, en el cual se pueden diferenciar elementos sinuosos que
en al caso del elemento 1 es más antiguo y en el elemento 2 es más nuevo, para
a) se aplica el atributo y se resalta características, en b) se identifica las facies
sísmicas de acuerdo a su expresión sísmica, en c) se caracteriza el cuerpo
geológico. Debido a que resalta características texturales, puede utilizarse en
diferentes tipos de análisis estratigráficos y sedimentológicos en el intervalo de
interés, considerando que representan relaciones conceptuales entre las facies
sísmicas y su deposición, el ambiente se lo puede entender en una perspectiva
tridimensional delineando sus características deposicionales y sus propiedades
geológicas.11
Fig. 2.1 Ejemplo de uso de atributo sísmico
Fuente: (Chopra & Marfurt, 2007)
11
Posamentier, H., & Allen, G. (1999). Siliciclastic Sequence Stratigraphy-Concepts and Applications. Tulsa,
Oklahoma, U.S.A: SEPM Society for Sedimentary Geology.
12
Fig. 2.2 Caracterización geológica mediante atributo sísmico
Fuente: (Catuneanu, 2006)
Todas las técnicas que se aplican para este fin, contribuyen a mejorar el
entendimiento de característica geomorfológica en particular. Como en muchos
aspectos de la interpretación sísmica, es imperativo estar pendientes de los
errores y desviaciones que el modelo conlleva al momento de ser construido, por
lo que el intérprete debe ser capaz de distinguir entre expresiones deposicionales
y deformaciones por procesamiento geofísico. Otro aspecto a considerar son las
limitaciones que se tiene en la resolución vertical, de acuerdo al contexto
geológico y la forma en la que los atributos utilizados fueron calculados.12
Si bien los atributos ayudan a identificar cuerpos sedimentarios el conocimiento
del funcionamiento del algoritmo es vital para determinar las variables más
importantes, resaltar la mayor cantidad de variaciones y obtener visualmente algo
que se pueda reconocer de manera geológica.
2.1.1. RMS (Root mean square)
RMS cuyo significado traducido es promedio de raíces cuadradas de la traza
sísmica que es función de tiempo este atributo está relacionado a la energía
12
Doyen, P. (2007). Seismic Reservoir Characterization An Earth Modelling Perspective (Vol. Education Tour
Series). Houten The Netherlands: EAGE Publications.
13
contenida en la traza, y su cálculo se realiza dentro de una ventana móvil de
cálculo. La fórmula de RMS amplitud es:
1
𝑅𝑀𝑆 (𝑡) = √ ∑
𝑁
𝑁
2
[𝑓(𝑡 + 𝑘)]2 ………..Ec.2.1
𝑁
𝑘=− 2
El operador RMS es inherentemente sensitivo a reflectores fuertes individuales,
debido a que esta característica es propia de cuerpos sedimentarios que tienen un
contraste de impedancia relativamente alto, el cálculo final se hace sensitivo a
parámetros sedimentarios.
El atributo RMS es de tipo post-stack y puede ser utilizado para identificar
directamente hidrocarburos en una zona de interés. Sin embargo es sensitivo a
ruido puesto que eleva al cuadrado todos los valores dentro de una ventana de
cálculo. RMS es una versión más suave en términos de estimación del esfuerzo
de reflexión, se aplica de la misma forma para visualizar anomalías de amplitud en
sísmica, la resolución puede modificarse cambiando la ventana de cálculo para
producir una estimación más suave en la amplitud, ayuda en la identificación de
facies que contienen granos gruesos de alta porosidad, efectos de compactación
como ser mármol y limolita, y también discordancias; como se ve en la Fig. 2.3 la
aplicación de este atributo resalta características específicas en la sísmica.13
13
Chopra, S., & Marfurt, K. (2007). Seismic Attributes for Prospect Identification and Reservoir
Characterization (Vol. Geophysical Developments Series No. 11). Tulsa, OK U.S.A: SEG Society of Exploration
Geophysicists.
14
. Fig. 2.3 Aplicación de RMS en sísmica.
Fuente: (Al-Anezi, Kumar, & Eibad, 2013)
2.1.2. Coherencia
El atributo de coherencia se define como una medida de la similaridad entre
ondiculas. Cuando se aprecia un sección procesada de sísmica se observa
características que son producto de la convolución de la ondicula con la geología
de subsuperficie, esta respuesta cambia en términos de amplitud, frecuencia y
fase dependiendo del contraste de impedancia acústica y el espesor de los
estratos, el concepto de coherencia se puede visualizar mejor en la continuidad de
reflectores en la Fig.2.4 donde se muestra de arriba hacia abajo eventos
coherentes
definidos en continuidad lateral, cada una de estas respuestas
sísmicas corresponde a expresiones geológicas en la sección y su expresión va
desde reflectores continuos, discontinuos hasta caóticos.14
14
Chopra, S., & Marfurt, K. (2007). Seismic Attributes for Prospect Identification and Reservoir
Characterization (Vol. Geophysical Developments Series No. 11). Tulsa, OK U.S.A: SEG Society of Exploration
Geophysicists.
15
Fig.2.4 Expresión de ondiculas sísmicas
Fuente: (Chopra & Marfurt, 2007)
Cuando se tiene volúmenes de sísmica 3D se puede apreciar evoluciones
espaciales de la estructura y su estratigrafía, siempre y cuando la calidad de la
adquisición sísmica sea adecuada para eso, por ejemplo sistemas deposicionales
(canales o meandros) se visualizan mejor en cortes horizontales. Usualmente los
resultados de esta técnica provee datos valiosos de entrada para realizar
modelado de propiedades en el reservorio estudiado, esto implica que su uso
reduce riesgos de exploración, ayuda en el mejor entendimiento de la producción
del reservorio.
El algoritmo de coherencia utiliza una ventana espacial de búsqueda para su
comparación con las ondiculas vecinas,
como se ve en la Fig.2.5 donde la
ondicula central es la raíz de comparación para las vecinas, en a) las posibles
ondiculas de comparación y en b) las ondiculas comparadas en crossline e en
inline.
16
Fig.2.5 Ejemplo de búsqueda del algoritmo de coherencia
Fuente: (Chopra & Marfurt, 2007)
Una variante del algoritmo se basa en el cálculo de varianza a través de las
ondiculas vecinas de acuerdo a la ecuación:
𝑣𝑎𝑟(𝑡, 𝑝, 𝑞 ) =
1
𝐽
2
∑𝐽𝐽=1[𝑢𝐽 (𝑡 − 𝑝𝑥𝐽 − 𝑞𝑦𝐽 ) − ⟨𝑢(𝑡, 𝑝, 𝑞 )⟩]
……..Ec.2.2
Donde la expresión ⟨𝑢(𝑡, 𝑝, 𝑞)⟩ se define como
⟨𝑢(𝑡, 𝑝, 𝑞 )⟩ =
1
𝐽
∑𝐽𝐽=1 𝑢𝐽 (𝑡 − 𝑝𝑥𝐽 − 𝑞𝑦𝐽 )………..Ec.2.3
De esta forma las ecuaciones anteriores se consideran como una cuantificación de
cuan bien la traza de las ondiculas se parece o ajusta a una traza promedio dentro
del volumen de análisis15. La aplicación final del algoritmo en un registro sísmico
se puede ver en la Fig.2.6.
15
Posamentier, H., & Allen, G. (1999). Siliciclastic Sequence Stratigraphy-Concepts and Applications. Tulsa,
Oklahoma, U.S.A: SEPM Society for Sedimentary Geology.
17
Fig.2.6 Aplicación del algoritmo de coherencia
Fuente: (Posamentier & Allen, 1999)
18
2.2.
Identificación mediante registros eléctricos
En un análisis deposicional, como por ejemplo un paleo delta, los registros de
gamma son susceptibles de ayudar en el análisis sedimentológico y
así
determinar la naturaleza de los contactos y los detalles de las relaciones de facies.
Estos estudios permiten evaluar el grado de compartamentalización en las varias
etapas de la vida del campo desde exploración hasta producción, siendo el
beneficio principal, el de proveer una distribución de facies a gran escala, como se
puede ver en la Fig.2.7 donde se ilustra la regresión de un sistema deposicional
deltaico, donde GR=gamma ray; CH= fluvial channel; CS= crevasse splay; MFS=
máximum flooding Surface. Se debe notar que las superficies máximas de
inundación están asociadas los sedimentos de granos más finos y su posición
indica la geometría global de la progradación, en este caso el reservorio incluye
por
lo
menos
cinco
unidades
hidrodinámicas
de
correspondencia a una etapa de la progradación del delta.
flujo,
cada
una
en
16
Los registros eléctricos brindan información de las propiedades físicas de las
rocas, pero no de la litología de manera directa siendo mediciones indirectas en su
naturaleza. Los registros que más se utilizan en la interpretación de sucesiones
siliciclásticas en términos litológicos son: potencial espontaneo y gamma ray, por
lo que la interpretación se hace en términos de decrecimiento e incremento de
tamaño de grano. En consecuencia, valores altos de gamma ray pueden
corresponder a una variedad de condiciones de sedimentación, desde un
ambiente de plataforma, aguas profundas, planicies costeras o ambientes
lacustres. Sin embargo estos valores altos de gamma ray son indicadores de
periodos restringidos de circulación de corrientes de fondo y/o tiempos de aporte
reducido de sedimento.
Es importante resaltar también que, cuando se trata de interpretación geológica de
registros eléctricos, diferentes sistemas deposicionales producen formas similares,
por esta razón la interpretación correcta requiere la integración de múltiples
estudios y datos que incluyen: análisis de núcleos, recortes de roca en mud
16
Catuneanu, O. (2006). Principles of Sequence Stratigraphy. Amsterdam, The Netherlands: Elsevier.
19
logging, bioestratigrafía, y sísmica. Un ejemplo se ve en la Fig.2.8 donde las
comparaciones de las respuestas de areniscas de tipo bloque son parecidas para
los ambientes: fluvial, estuario, playa, marino somero y marino profundo, donde 1=
canal fluvial con relleno, 2=canal de estuario rellenado, 3=depósitos de costa, 4=
canal de aguas profundas rellenadas con turbiditas, 5=depósitos de playa.
Fig.2.7 Interpretación geológica de registros eléctricos
Fuente: (Catuneanu, 2006)
Fig.2.8 Ejemplo de forma de bloque en gamma ray
Fuente: (Veeken & Van Moerkerken, 2013)
20
De igual manera, las formas tipo jagged (dentado) en registros no pueden
diagnosticarse en particular para un solo ambiente deposicional, sin embargo lo
que indican es una fluctuación de las condiciones de energía prevaleciente en la
deposición de sedimentos finos y más gruesos (facies heterolíticas), estas
condiciones pueden alcanzarse en ambientes no marinos, marinos marginales y
marinos profundos. Un ejemplo se da en la Fig.2.9 donde los tracks en los
ejemplos son 1=sistema fluvial, 2= planicie deltaica, 3=plataforma continental por
encima del nivel de tormenta, 4= aguas profundas de plataforma continental o
base de la cuenca respectivamente.17
Fig.2.9 Ejemplo de expresión tipo jagged en gamma ray
Fuente: (Veeken & Van Moerkerken, 2013)
17
Veeken, P., & Van Moerkerken, B. (2013). Seismic Stratigraphy and Depositional Models. HOUTEN The
Netherlands: EAGE Publications.
21
Sucesiones monótonas de comportamiento poco errático, dominadas por
sedimentos de granos finos puede ser común en muchos ambientes, incluyendo
solapamientos de agua profunda (áreas de suelo marino situado afuera de la zona
de inundación de un canal) como se ve en la Fig.2.10 donde existen sucesiones
de grano fino, donde 1=cuenca de suelo marino profundo, 2= costa por debajo del
nivel de tormenta pero por encima de la plataforma. Se debe notar que los cuerpos
arcillosos se sobreponen a depósitos más someros de arena. La asociación de
registros brinda pistas importantes para la interpretación de ambientes
paleodeposicionales, la flecha indica un evento de inundación en la costa.18
Fig.2.10 Ejemplo de sucesión monótona en registros
Fuente: (Veeken & Van Moerkerken, 2013)
18
Veeken, P., & Van Moerkerken, B. (2013). Seismic Stratigraphy and Depositional Models. HOUTEN The
Netherlands: EAGE Publications.
22
Finalmente los patrones secuenciales de grano creciente, indican un cambio
gradual hacia un ambiente deposicional que tiene alto nivel de energía pero de
manera progresiva. En la Fig.2.11 se visualiza la expresión en los ambientes en
los cuales se pueden encontrar este tipo de patrón, que incluyen para 5-30m:
ambientes deltaicos donde los cuerpos arenosos que
progradan en el
distributario, progradación de depósitos de costa somera donde exista apertura.
Para menores a 5m: los cuerpos de inundación (crevasse splay) en ambientes
fluviales, también en sistemas de flujo gravitacional en ambientes profundos
especialmente en los límites distales de un lóbulo de turbiditas donde CH=
channel, CS= crevasse splay.19
Fig.2.11 Ejemplo de patrón secuencial en registros
Fuente: (Catuneanu, 2006)
19
Veeken, P., & Van Moerkerken, B. (2013). Seismic Stratigraphy and Depositional Models. HOUTEN The
Netherlands: EAGE Publications.
23
CAPITULO III CRITERIOS EN MODELADO DE FACIES
Modelado de facies pertenece a la rama de modelado de propiedades y se
encarga de dar valores a cada una de las celdas (cell grids) con propiedades
discretas o continuas, donde se debe usar toda la información geológica
disponible para construir un modelo que se aproxime lo más posible a la realidad.
El requisito fundamental es tener un conocimiento geológico, noción de la
conectividad del reservorio y el nivel de heterogeneidad de las facies, los datos de
entrada deben ser tales que la información descriptiva de las facies sea
entendible, en términos de forma, tamaño y orientación de los cuerpos
sedimentarios, en la Fig.3.1 se puede ver los diferentes ambientes sedimentarios
en los cuales se puede aplicar modelado de facies en relación directa con
reservorios de hidrocarburos. Las rocas sedimentarias que son formadas de
material procedente de rocas previas (detrítico) pueden tener un carácter
deposicional que puede ser lacustre, continental, en aguas someras o profundas,
el ambiente deposicional determina las características del reservorio.
El ambiente deposicional es una parte vital de la evaluación de un pozo y de un
campo, gracias a esto se puede definir la litología preponderante, y tener criterio
respecto a la variación a distancias cortas o largas, por ejemplo un delta en
progradación en la plataforma continental tiende a presentar conglomerados,
mientras que si se trata de aguas profundas lo más común es encontrar lutitas de
grano muy fino.20
El objetivo del modelado de facies es capturar la arquitectura del reservorio con
unidades de flujo y barreras. Las unidades de flujo pueden modelarse como zonas
y las barreras pueden ser modeladas como fallas. Dependiendo del ambiente de
20
Veeken, P. C. (2007). Seismic Stratigraphy, Basin Analysis and Reservoir Characterization (Vol. Seismic
Exploration Volume 37). The Netherlands: Elsevier.
24
deposición y la cantidad de datos de entrada se puede escoger el algoritmo más
adecuado.21
Fig.3.1 Ambientes deposicionales
Fuente: (Le Blevec, Dubrule, Cedric, & Hampson, 2016)
3.1.
Selección del algoritmo
Para el proceso de modelado de facies se dispone de muchas técnicas que tienen
su utilidad bajo diferentes circunstancias, para la selección del algoritmo es
importante conocer los conceptos básicos de aplicación, en la Fig.3.2 se puede
21
Pyrcz, J., Gringarten, E., Frykman, P., & Deutsch, C. V. (2006). Representative input parameters for
geostatistical simulation. En T. Coburn, J. Yarus, & L. Chambers, Stochastic modeling and geostatistics:
Principles, methods and case studies (Vol. Computer Applications in Geology 5 volume II, págs. 123–137).
AAPG American Association of Petroleum Geologists.
25
ver la clasificación y la familia a la cual pertenecen estos métodos al igual que los
ejemplos ideales de los resultados de cada uno de estos algoritmos.22
Fig.3.2 Métodos disponibles de modelado de facies
Sistemas de
Determinístico
Estimación
Indicator Kriging
aprendizaje
Asignación directa
Assign values
Artificial
Interactive
Neural Net
Estocástico
Pixel based
Sequential
Tuncated
Indicator
Gaussian
Simulation
Simulation
Object based
Truncated
Gaussian
Simulation
with Trends
Multipoint
Facies
Simulation
Object
Modeling
Fuente: (Zakrevsky, 2011)
22
Coburn, T., Yarus, J., & Chambers, L. (2006). Geostatistics and stochastic modeling: Bridging into the 21st
century. En T. Coburn, J. Yarus, & L. Chambers, Stochastic modeling and geostatistics: Principles, methods,
and case studies (Vol. Computer Applications in Geology 5, págs. 3– 9). AAPG American Association of
Petroleum Geologists.
26
3.1.1. Algoritmos determinísticos y artificiales
Los algoritmos determinísticos son los que siempre van a dar el mismo resultado
con los mismos datos de entrada, estos algoritmos son fáciles de entender puesto
que la asignación de propiedades una celda tiene asignado un valor definido,
lógico y fácil de predecir. Su desventaja radica en que los resultados serán muy
estilizados o suaves en su forma, a pesar de que la evidencia y experiencia
sugiera que no es así. En base a esta consideración no se puede tener noción de
la incertidumbre del modelo en las lejanías de los datos de entrada. El uso de
estas técnicas se da cuando se tiene una gran cantidad de datos de entrada, es
decir muchos pozos y sísmica 3D de alta resolución. De acuerdo a la Fig.3.2 la
descripción de los métodos y algoritmos determinísticos es: (Doyen, 2007)
Estimación

Indicator krigging que permite una distribución de la propiedad haciendo
cumplir un histograma predefinido
De asignación directa

Assign values que permite asignar valores en base a funciones

Interactive permite pintar facies directamente en el modelo 3D
Sistemas de aprendizaje

Neural nets que utiliza un modelo de clasificación a partir de un proceso de
aprendizaje y asignación de variable para la creación de una propiedad
discreta
3.1.2. Algoritmos estocásticos
Los métodos estocásticos tienen buena utilidad cuando se trata de incorporar
información secundaria, como ser datos de sísmica, para su cálculo utilizan un
origen al azar en adición a datos de entrada, por lo que es importante resaltar que,
múltiples cálculos con los mismos parámetros dan resultados parecidos pero no
iguales. Estos algoritmos son mucho más complejos y toman mucho más tiempo
27
en realizarse, sin embargo respetan más aspectos de las variables de entrada en
relación a su continuidad y variabilidad. Esto significa que valores altos y bajos
aparecerán en los resultados, además su distribución se parecerá a la realidad
con fluctuaciones cercanas al promedio cercano. Estos algoritmos generan
aspectos que tienen carácter de distribución de una función Random (al azar) por
lo que la realización de análisis de incertidumbre en estos efectos hace que se
pueda cuantificar en las realizaciones. Estas técnicas se utilizan en condiciones en
las que se tiene datos de entrada dispersos y su predicción mejora conforme a la
densidad de datos de entrada. Estos métodos permiten obtener resultados que
son igualmente probables bajo los mismos parámetros de entrada. De acuerdo a
la Fig.3.2 la descripción de los métodos y algoritmos estocásticos es:23
Object based

Object modeling permite asignar un modelo discreto de facies con
diferentes cuerpos de geometría variada, un código de facies, y fracción
Pixel based

Sequential indicator simulation (SIS) permite una distribución estocástica de
la
propiedad
utilizando
un
histograma
predefinido,
las
variables
direccionales, como ser variogramas y tendencias extensionales son
cumplidas.

Truncated gaussian simulation TGS es una técnica de modelado rápido de
propiedades discretas, donde se conoce que las facies siguen un
comportamiento secuencial y donde los variogramas para cada facies es la
misma, por los general se utiliza en ambientes de carbonatos, puede
manejar una gran cantidad de datos de entrada, fracciones especificadas, y
tendencias en diferentes planos.

Truncated gaussian simulation with trends es una técnica que utiliza
tendencias
deposicionales
en
mapas
23
donde
se
define
relaciones
Dubrule, O. (2003). Geoestatistics For Seismic Data Integration In Earth Models. HOUTEN The Netherlands:
EAGE Publications.
28
secuenciales para estimar la mejor aproximación en las facies a ser
modeladas, una vez completado ese paso se convierte en un algoritmo de
tipo TGS.

Multi point facies simulation (MPFS) es un algoritmo basado en estadística
de puntos múltiples y crea modelos que se parezcan a patrones de
modelos, adecuando su forma a la correlación espacial entre los múltiples
puntos al mismo tiempo, este método no utiliza variogramas y los
reemplaza con imágenes patrón.
3.1.3. Selección
Para la aplicación práctica en el presente proyecto surge la necesidad de
encontrar el método más adecuado con el cual lograr los mejores resultados. En
este sentido se considera los siguientes puntos para la selección adecuada:

Por lo general los métodos estocásticos son en general más flexibles que
los determinísticos, por ejemplo con el uso de Indicator krigging nunca se
va a obtener resultados diferentes.

Los métodos estocásticos manejan mejor las tendencias y si se necesita
repetir exactamente los cálculos se lo puede realizar con el mismo valor
raíz.

En la práctica es imposible hacer análisis de incertidumbre con el uso de
krigging.

La elección también depende del modelo conceptual del reservorio y de la
experiencia del experto modelador.

El uso de modelado de objetos puede ser razonable en caso de lechos
fluviales que son reservorio, pero teniendo en cuenta que los parámetros de
los geocuerpos pueden ser escogidos de forma tal que puede existir una
coincidencia falsa o generar un error en el cálculo.

Los métodos de asignación directa son recomendables para correcciones
pequeñas pero no para asignaciones completas y requieren además un
nivel alto de experiencia y especialidad para entender las consecuencias de
cada cambio que se realiza.
29
Se concluye que para el proyecto se necesita un método flexible que incorpore
variables secundarias provenientes de sísmica por lo que se escoge un método
estocástico. Al tratarse turbiditas que no pueden definirse directamente sino de
manera aproximada se utilizara un método pixel based. De entre los algoritmos
disponibles se escoge Sequential Indicator simulation debido a que se tiene una
alta variabilidad en los geocuerpos y también porque no existen mapas de
distribución de facies a los cuales se tenga acceso.
3.2.
Modelado estocástico
Anisotropía es un factor muy importante a considerar en modelado estocástico
puesto que es una forma de medir la forma en la que los valores de los datos
cambian en una dirección preferida Fig.3.3 donde se puede ver que la variación
de distribución de tamaño de grano en el canal transversalmente es mucho mayor
que en la dirección de flujo del canal. Cuando se decide hacer un proceso de
modelado se debe considerar: la distribución de valores de facies, variabilidad de
los valores, conectividad de valores extremos, y nuestra habilidad para evaluar el
impacto de la incertidumbre.24
Fig.3.3 Sistema deposicional con variación direccional
Fuente: (Pelgrain, Cosetino, Cabrera, Jimenez, & Bellorin, 2002)
24
Dubrule, O. (2003). Geoestatistics For Seismic Data Integration In Earth Models. HOUTEN The Netherlands:
EAGE Publications.
30
3.2.1. Variograma
Los variogramas son utilizados para modelar la forma en la que dos valores en
espacio o tiempo están correlacionados. Por lo general, dos valores que tienen
proximidad espacial tienden a ser más parecidos que dos valores que se hallan
más distantes en escala dimensional. La estadística basada en una sola variable
no puede tomar en cuenta este aspecto, por ejemplo dos distribuciones podrían
tener el mismo promedio y varianza, pero no se puede definir la forma en la que
son correlacionadas entre sí.25 Un variograma puede ser desplegado en un gráfico
de varianza vs distancia de clases, las partes constituyentes de un variograma son
Fig.3.4:

Varianza: una medida de cuan diferentes son entre sí, los miembros de
una colección de datos

Lag: distancia de separación entre puntos de datos o medidas.

Sill: varianza en un punto donde la tendencia se hace horizontal y describe
la variación entre dos muestras que no presentan correlación.

Rango: distancia de correlación más allá de la cual los puntos de la
colección no presentan ninguna similaridad estadística, en otras palabras
describe la distancia de separación a partir de la cual no existe ningún
cambio en el grado de correlación entre pares de datos en la colección y a
partir de la cual, dos puntos tienen solamente una relación al azar o
cualquiera.

Nugget: grado de no similaridad en una distancia correspondiente a zero, y
que describe la variación de los datos en una distancia corta, y se identifica
mejor de manera vertical donde el intervalo de los datos es muy pequeño,
también se interpreta como variación de pequeña escala y tiene influencia
cuando existe laminaciones delgadas, las cuales pueden causar cambios
rápidos en porosidad en distancias cortas.
25
Myers, D. E. (2006). Reflections on geostatistics and stochastic modeling. En T. Coburn, J. Yarus, & L.
Chambers, Stochastic modeling and geostatistics: Principles, methods, and case studies (Vol. Computer
Applications in Geology 5, págs. 11–22). AAPG American Association of Petroleum Geologists.
31
Fig.3.4 Variograma tipo y sus partes
Fuente: (Coburn, Yarus, & Chambers, 2006)
La información esencial que brinda el variograma sirve para identificar la relación
en la que dos puntos que están cercanos entre sí, tienden a ser más similares
(varianza pequeña para distancias pequeñas).
Al igual que cualquier análisis de datos, se pueden estimar modelos de
variogramas para compararlos con los datos de la colección
Existen tres tipos de modelos de variogramas:26

Variograma esférico: es el más simple y tiene un comportamiento lineal en
distancias cortas con transiciones abruptas en el límite de sill, son los que
responden de mejor forma y son más estables en convergencia al resolver
el sistema de ecuaciones krigging, la influencia de los datos se halla
limitada por el rango
26
Dubrule, O. (2003). Geoestatistics For Seismic Data Integration In Earth Models. HOUTEN The Netherlands:
EAGE Publications.
32

Variograma exponencial: presenta un comportamiento errático en distancias
cortas con aproximaciones asintóticas en distancias más grandes que el sill.

Variograma gaussiano presenta alto nivel de continuidad en distancias
cortas para luego presentar comportamiento exponencial en distancias más
largas, usualmente no tiende a usarse en datos discretos y usarse con
precaución para permeabilidad.
Un mapa de variograma Fig.3.5 es una forma de presentar variogramas
individuales que se calcularon en diferentes direcciones, indicando claramente la
dirección en la cual existe anisotropía a través de una forma ovalada, donde el
centro representa cero en distancia de búsqueda, en la fig
se puede ver la
dirección de mayor y menor anisotropía respecto a los datos analizados
Fig.3.5 Variograma de área
Fuente: (Le Blevec, Dubrule, Cedric, & Hampson, 2016)
33
La construcción de variogramas es muy útil para:

Utilizar algoritmos geoestadísticos, siendo que es la función primaria de
entrada para estimar valores, por ejemplo si se utiliza krigging se requiere
un variograma suave y continuo que cumpla propiedades matemáticas
específicas, un modelo que se aproxime al variograma experimental puede
cumplir estas condiciones.

Un
variograma
vertical
es
importante
para
determinar
espesores
estratigráficos óptimos, puesto que es un buen indicador para definir
incrementos de espesor de los estratos en una zona en particular, siendo
que se desea representar estratos donde las diferencias de facies se
puedan visualizar fácilmente.

Determinar direcciones y el grado de anisotropía existente mediante la
construcción de variogramas horizontales.
3.2.2. Kriging
Kriging es un algoritmo de cálculo para la estimación de un sistema linear de
ecuaciones donde los valores del variograma son conocidos (varianza y promedio)
y donde los parámetros de estimación son desconocidos.
Krigging hace suposiciones acerca de los datos de entrada, y la forma de
comportamiento de las variables que se analiza, esto significa que la propiedad
debe comportarse de manera consistente con el volumen elegido, esto es, no
deben tener tendencias externas, y si existiera se deben corregir antes del
modelado.27
Los resultados obtenidos con el algoritmo se pueden resumir en dos principios:

El primero, referido a que un dato que sea cercano en distancia geológica
del valor desconocido debe tener una ponderación alta.

El segundo, referido a los datos que son cercanos entre si deben compartir
la misma ponderación
27
Zakrevsky, K. E. (2011). Geological 3d Modelling. HOUTEN The Netherlands: EAGE Publications.
34
En conclusión de manera práctica, el valor estimado que minimice el error de la
varianza es krigging y el resultado es una distribución de probabilidad que varía
alrededor de los datos de entrada, es una técnica de estimación basada en la
interacción entre los parámetros del variograma y los datos vecinos.
En general krigging es un algoritmo de movimiento promedio donde el objetivo es
calcular los parámetros como se ve en la Fig.3.6. Al ser una distribución en una
superficie, la única variable conocida se halla en la ubicación del pozo y donde los
valores de las otras variables deben ser estimadas, la ecuación base de krigging
es:
𝑍(𝑥0 ) = ∑𝑛𝑖 𝜆𝑖 𝑍(𝑥𝑖 ) ……Ec.3.1
Donde
𝑍(𝑥0 ) Son valores desconocidos y que son ponderados en base a la suma de
valores conocidos y calculando el valor para la posición Xo combinando un
sistema lineal en los datos adyacentes.
𝜆𝑖 Son parámetros de krigging calculados del modelo de variograma. Por lo
general la ponderación se reduce mientras la distancia se aproxime al rango del
variograma, por lo que krigging usa el variograma para entender la variabilidad en
la distancia.
𝑍(𝑥𝑖 ) Son valores conocidos por ejemplo los que existen en el pozo como
producto del scale up.
La variación de cálculo producidos por krigging de acuerdo al rango como se ve en
Fig.3.7 con un Rango: 1000m
y Rango: 10000m en un variograma esférico,
claramente la continuidad se incrementa en forma proporcional al valor del rango
del variograma. Un rango muy pequeño produce influencias espaciales pequeñas
produciendo efectos muy aislados.
35
Fig.3.6 Ponderación de krigging en base a variograma
Influencia del rango en la
ponderación del
variograma
Dirección de mayor continuidad
Datos con valores conocidos
Z(Xi)
Valores a ser estimados Z(Xo)
Factor de ponderación decidido en
el variograma
Fuente: (Zakrevsky, 2011)
Fig.3.7 Influencia del rango en krigging
Rango:1000m
Rango: 10000m
Fuente: (Dubrule, 2003)
La influencia del tipo de variograma (exponencial, esférico y gaussiano) en la
ponderación de krigging con un rango areal de 10000/5000m como se ve en la
Fig.3.8, por lo general los resultados de los modelos de variograma dan similares
resultados pero con características distintivas
36
Fig.3.8 Influencia del modelo de variograma en krigging
Exponencial
Esférico
Gaussiano
Fuente: (Dubrule, 2003)
La influencia del nugget para un modelo de variograma tipo esférico como se ve
en la Fig.3.9 en un valor cercano a 1 creara mapas de propiedades que vean
continuos, excepto en la ubicación de los datos de entrada (en los pozos) por lo
que los puntos adquirirán valores cercanos al promedio global en las lejanías. Si
se tiene un valor de nugget cercano a cero los resultados tendrán mucha mayor
variabilidad o heterogeneidad dentro de la propiedad.
Fig.3.9 Influencia del nugget en krigging
Dirección anisotropía: -45 grados Rango Dirección anisotropía: -45 grados Rango
areal: 10000m / 5000m
Nugget: 0.99
areal: 10000m / 5000m
Fuente: (Dubrule, 2003)
37
Nugget: 0.1
3.2.3. Cokriging
Cokriging es una extension multivariable de krigging desarrollado por Matheron en
la década de los 1960s, el objetivo es predecir una propiedad de la roca en un
lugar espacial definido
mediante la combinación de medidas de la misma
propiedad en otro lugar con medidas de otra variable, esto supone que ambas
variables tengan un factor de correlación determinable, de esta manera se busca
mejorar la estimación de una variable mediante una segunda variable, es
particularmente útil cuando la variable principal es de baja densidad de muestras,
en comparación con la segunda variable que podría ser derivada de sísmica como
atributos sísmicos. Sus predicciones son mejores en el sentido de que minimizan
la estimación de errores en el promedio cuadrado. En este sentido se logra una
representación de valores extremos que son importantes a la hora de calcular
volúmenes insitu, o cuando se hace una simulación de flujo.28
3.2.3. Simulación De Indicadores Secuencial (SIS)
Este método es el más popular y tiene su base en el uso del variograma como
indicador y requiere datos de pozo como entrada y calibración del pozo, si las
diferentes litologías son identificadas con valores discretos el siguiente paso
consiste en definir variables de indicadores, esto para caracterizar la presencia o
ausencia de las facies de interés en los pozos. El análisis de variogramas no
debería superar los metros para el rango vertical, mientras que para el horizontal
debería adquirir valores en kilómetros, por supuesto, hay una relación directa
entre la proporción de facies de interés y el sill del variograma.29
28
Coburn, T., Yarus, J., & Chambers, L. (2006). Geostatistics and stochastic modeling: Bridging into the 21st
century. En T. Coburn, J. Yarus, & L. Chambers, Stochastic modeling and geostatistics: Principles, methods,
and case studies (Vol. Computer Applications in Geology 5, págs. 3– 9). AAPG American Association of
Petroleum Geologists.
29
Al-Anezi, K., Kumar, S., & Eibad, A. (2013). Geostatistical Modeling with Seismic Characterization of
Wara/Burgan sands-Minagish Field-West Kuwait. Abu Dhabi UAE: Society of Petroleum Engineers SPE
166046.
38
Este método de modelado si bien utiliza la base krigging pero tiene la ventaja de
reproducir histogramas y cumplir con la variabilidad espacial, lo que lo hace más
apropiado para después realizar simulaciones de flujo, ofreciendo alternativas de
realizaciones.
Este método es un algoritmo estocástico, que utiliza celdas con valores en los
pozos para modelar las facies, el variograma es el parámetro que se utiliza para
definir la distribución y conexión de cada tipo de facies, es un método ampliamente
utilizado cuando se tiene facies con formas que no son muy claramente definidas,
o cuando se tiene pocos datos de entrada disponible. Su aplicación podría darse
en una etapa temprana del desarrollo de un campo, cuando no se tiene un
conocimiento definido de la arquitectura de las facies, dimensiones, ni formas. SIS
puede usarse para generar modelos de facies preliminares usando una
distribución de entrada que puede ser un histograma.
El procedimiento de cálculo con SIS tiene la siguiente secuencia, Fig.3.10:

Cada celda del grid
(X3) se visita de manera secuencial siguiendo un
camino al azar (definido por un número de inicio o de raíz) siguiendo un
patrón de función Random.

Para cada nueva celda se calcula la función local de distribución de
probabilidad de la propiedad usando los datos de pozo y las celdas que ya
fueron calculadas previamente como puntos de control (X0) (X1) (X2).

Un estimado de la probabilidad de la propiedad se estima utilizando
indicator krigging.

La estimación es dada por el variograma, el cual después es ponderado
con los valores de los pozos.

El valor calculado para la facies se asigna desde la curva de distribución de
propiedades.

Finalmente los valores calculados serán usados para el cálculo de la
siguiente celda actualizando la curva de probabilidad.
39
Fig.3.10 Procedimiento de cálculo en SIS
Fuente: (Zakrevsky, 2011)
La influencia directa del rango del variograma en el cálculo de SIS puede verse en
la Fig.3.11 donde se hace una comparación de rango pequeño con dirección
anisotropía no definida y rango grande con dirección anisotrópica con tendencia
direccional, claramente estos factores influyen de manera preponderante en la
distribución de propiedades.
40
Fig.3.11 Influencia del rango del variograma en SIS
Rango pequeño sin dirección
Rango grande con dirección
anisotrópica
anisotrópica
Fuente: (Al-Anezi, Kumar, & Eibad, 2013)
41
CAPITULO IV APLICACIÓN PRÁCTICA
4.1.
Ubicación y geología del campo de estudio
El campo de estudio para el presente trabajo se halla ubicado en el bloque 15/20a
en el mar del norte, perteneciente al sector del Reino Unido al noreste de la ciudad
de Aberdeen, a sus alrededores existen campos vecinos a 4km este y 15km
noreste. Fue descubierto en 1986 pero permaneció sin desarrollar hasta 2010,
esto debido a que se trata de una estructura de bajo relieve y su delgada columna
de petróleo de aproximadamente 45ft hacían de este campo un prospecto
marginal y de poco atractivo económico. Un factor crítico para su desarrollo se
debió a la instalación de las facilidades de producción las cuales presentaron retos
en cuanto al diseño e instalación. Este campo fue descubierto mediante el pozo
15/20a-3 el cual fue perforado para evaluar el potencial del Paleoceno en un
sistema de fallas de cuatro direcciones que forman un cierre estructural, este pozo
encontró una columna de 75ft de petróleo en turbiditas intercaladas en la
formación Andrew con ubicación estructural en la parte norte del graben.30
Los datos sísmicos utilizados para la interpretación fueron adquiridos en 2005 con
el objetivo de desarrollar el campo. En 2008 este volumen fue reprocesado en un
intento por mejorar la calidad de la señal y disminuir la presencia de ruido, para
esto se utilizó un procesamiento de preSTM (pre stack time migration). Junto a
este trabajo se solicitó también el procesamiento diferenciado para generar cubos
sísmicos en base a ángulos de reflexión en nearstack (7-15), midstack (15-30),
farstack (30-45), ultrafarstack (45-60) y un compilado en fullstack, este tipo de
procesamiento se realizó con el objetivo de realizar estudios de anomalías de
amplitud (AVO Amplitude versus offset) en post stack y en correlación con los
ángulos de reflexión. Los estudios de AVO en Prestack fueron
realizados de
manera interna en la compañía operadora y su publicación y conocimiento es de
carácter confidencial.
30
Gluyas, J. G., & Hichens, H. M. (2003). United Kingdom Oil and Gas Fields (Vol. Commemorative
Millennium Volume). London, UK: GEOLOGICAL SOCIETY.
42
El presente proyecto no tuvo acceso a superficies construidas o interpretadas,
evaluación petrofísica o modelos 3D grid constuidos, solamente a datos de tipo
crudo, es decir cubos sísmicos en poststack, fullstack, nearstack, far stack,
registros eléctricos convencionales (Caliper, Bulk Density, Density correction,
Compresional slowness, Gamma Ray, Neutron porosity, Photoelectric factor, Deep
resistivity, Medium Induction, Micro Resistivity, Shallow Resistivity, Shear Wave
Slowness,
Potassium
Concentration,
Spontaneous
Potential,
Thorium
Concentration,Uranium Concentration), registros de desviación (MD, Dip, Azimut),
y checkshots para tres pozos.
La disposición de pozos al igual que el área de cobertura del registro sísmico se
puede visualizar en la Fig.4.1, donde existen 15 pozos que fueron utilizados en el
presente estudio
Fig.4.1 Disposición espacial de los datos de pozo y sísmica
Fuente: Informe geologico
43
Dentro de la información geológica regional, se puede encontrar que esta
estructura es caracterizada como una cuenca extensional con dirección estructural
predominante noroeste- sureste, teniendo contacto en la parte norte con el alto de
basamento conocido como Fladen Ground Spur, el periodo extensivo ocurrió entre
el triásico y el cretácico, expresado en fallas normales de tipo listrico, las
principales fases de control de fallamiento se dio en el cretácico inferior generando
estructuras low-relief como se ve en la Fig.4.2
donde se resalta el tiempo
geológico preponderante en la zona de interés, por encima de estas fallas se
encuentra el intervalo productivo correspondientes a arenas procedentes de flujo
turbiditico de una variedad de características.
Fig.4.2 Identificación geológica del fallamiento
Fuente: (Gluyas & Hichens, 2003)
44
Respecto al sistema petrolero, dentro del área de estudio del mar del norte, los
sedimentos anóxicos que pertenecen al jurásico superior conocidos como Grupo
Kimmeridge clay son lutitas con un alto contenido orgánico, tienen contacto
superior con el Grupo Cromer Knoll del cretácico temprano, esta formación es
conocida como generadora principal en el área, y de donde procede la mayoría de
la producción de hidrocarburos. El proceso de sedimentación es controlado por la
interacción de procesos Eustáticos/ Tectónicos, referidas a procesos de
transgresivos y regresivos, estas se dividen en tres partes principales. El principal
pulso transgresivo, fue el causante para la deposición de la formación Kimmeridge
clay, este evento inicio cambios en la química de los cuerpos de agua y un cambio
litológico, pero sin mayor cambio en el procesos de sedimentación dentro de las
cuencas aisladas en su comunicación con el océano abierto. Es decir que esta
roca generadora, fue probablemente depositada en un espacio de mar restringido,
con bajo nivel de oxígeno en los centros de la cuenca y con circulación de flujo de
agua restringida. Al presente, esta roca generadora es suficientemente madura en
toda el área, siendo inclusive que en lugares profundos llega a tener un carácter
de sobre maduración llegando a la etapa de generación de gas. Inmediatamente
después de la deposición de las arenas del reservorio, la roca generadora estaba
madura en la localidad cercana a los depocentros de la cuenca. La Tabla.4.1
resume las propiedades y las formaciones identificadas en el sistema petrolero.
Tabla.4.1 Resumen sistema petrolero
Fuente: Informe geológico
45
4.2.
Informes de perforación
El total de pozos perforados en el campo hacen un total de 21 tanto en la fase de
exploración como en la de desarrollo, de estos, 17 son de desarrollo y el restante
son de exploración. Los registros eléctricos adquiridos son los convencionales,
entre los cuales gamma ray, resistividad, densidad y neutrón fueron adquiridos en
todos los pozos. Pruebas de presión de formación se hallan presentes en 6 pozos
y solo 3 tienen pruebas DST de producción, la Tabla.4.2 hace ilustración respecto
al tipo de registros que cada pozo tiene y a los cuales se tuvo acceso para el
presente estudio.
Tabla.4.2 Información de registros eléctricos disponible por pozo
Fuente: Informes geológicos
46
4.3.
Estratigrafía
La estratigrafía general de la roca reservorio corresponde al miembro Balmoral
lower que pertenece a la formación Lista dentro de los grupos Moray y Montrose,
en el Paleoceno superior, Paleógeno en el Terciario en como se ve de manera
detallada en la Fig.4.3. Esta roca es una arenisca está caracterizada por una
litología heterolítica de intercalación de lutitas y arenas, se subdivide en 5 zonas
que están relacionadas genéticamente, y que tienen tendencia arenosa definidas
como M2-M6, estas zonas son separadas por variaciones bioestratigraficas donde
domina la tendencia lutitica definidas como S1-S5, esta clasificación se realiza a
partir de estudios de análisis de testigos extraídos en los pozos 15_20a-4, 15_20a6. El tope del reservorio es representado por la base del intervalo S5. Hacia el
norte las arenas reservorio son M4b, mientras que las arenas M5 son reservorio
en la parte sur. Este marco estratigráfico se complica aún más en algunas
localidades con la presencia de inyectitas de arena, como se ve en la Fig.4.4
donde se muestra también la expresión de las zonas identificadas en gamma ray y
sus marcadores de litología típicos.
Los tipos de deposicionales encontrados en la formación tienen correspondencia a
diferentes tipos de flujos, entre ellos turbiditas de alta y baja densidad, en mezcla
con depósitos hemipelágicos; aparecen también inyectitas, esto produce una
variación en los tipos de litofacies. La equivalencia en las litofacies y su escala
típica que se puede observar en la Tabla.4.3.
La Fig.4.5 muestra la correlación base de la arena M4a, y M4b donde se ve la
oscilación de los cuerpos sedimentarios a través de la estructura, zonas de arena
delgada y shale con dirección noreste para M4b con una disminución de espesor
hacia los flancos, esta correlación es a través del eje de la estructura, indicando
que M4a y M4b forman intervalos deposicionales de compensación en los límites.
47
Fig.4.3 Estratigrafía general
Fuente: Informe de campo
48
Fig.4.4 Clasificación estratigráfica y expresión en registros
Fuente: (Gluyas & Hichens, 2003)
Tabla.4.3 Descripción del tipo deposicional y litofacies
Fuente: (Gluyas & Hichens, 2003)
49
Fig.4.5 Correlación litológica para las arenas M4a y M4b
Fuente: Elaboración propia
50
En la Fig.4.6 se puede apreciar la evaluación básica de registros eléctricos para
los pozos 15/19- 6, donde el objetivo es la integración de datos como ser:
marcadores de formación, referencia cronoestratigrafía, al igual que el cruce de
neutrón densidad para resaltar los efectos de gas. De acuerdo a los informes de
perforación, solo trazas de hidrocarburos fueron encontrados en este intervalo, y
en caliper se puede apreciar breakouts en el intervalo haciendo que las lecturas en
estas zonas no sean confiables, se puede apreciar también lecturas altas de
resistividad pero de forma muy laminada y que algunas no tienen coincidencia con
densidad neutrón. A pesar de que este pozo haya salido seco y que solamente
agua haya sido encontrada muestra indicadores muy buenos de la presencia de
hidrocarburos.
La Fig.4.7 muestra el proceso de integración de datos de registros eléctricos para
el pozo 15/19- 7, siendo que las lecturas de caliper muestran breakouts en la parte
superior, hace difícil reconocer miembros arenosos en este intervalo lo que podría
afectar a las lecturas de resistividad, al igual que el anterior caso este pozo
encontró hidrocarburos en el jurásico pero no en cantidades que puedan ser
consideradas como productor potencial.
La Fig.4.8 muestra la integración de datos para el pozo 15/20- 2 donde se puede
apreciar la disminución del efecto de gas por densidad neutrón y donde los picos
de resistividad son mucho más laminados y puntuales, las lecturas del caliper
hacen que los intervalos de arena no sean del todo confiables en su
reconocimiento.
Integración de datos mostrada en la Fig.4.9 para el pozo 15_24b- 6, donde se
aprecia un intervalo de gamma ray que no presenta mucha variación entre lutita y
arena, sin embargo se puede ver un alto nivel en resistividad bastante continuo
aunque oscilante donde se encuentra el intervalo productivo, esto es corroborado
por el cruce de densidad neutrón, perteneciente al Paleoceno, este pozo en las
pruebas de producción DST dio un caudal de 3600 Bbld de producción.
51
Fig.4.6 Integración de datos para el pozo 15_19-6
Fuente: Elaboración propia
Fig.4.7 integración de datos para el pozo 15_19-7
Fuente: Elaboración propia
52
Fig.4.8 Integración de datos para el pozo 15_20-2
Fuente: Elaboración propia
Fig.4.9 Integración de datos para el pozo 15_24b- 6
Fuente: Elaboración propia
53
La clasificación de facies se la realizo considerando un aspecto muy importante,
referida a la reactividad de las arenas, con un alto contenido de minerales pesados
(potasio, torio)
que hacen las lecturas de gamma ray mucho más altas en
intervalos de arena, esto hace que se tenga que modificar la ponderación de este
registro al momento de clasificar facies, donde lecturas más altas de gamma ray
también corresponden a arenas reactivas como se ve en la Fig.4.10.
Fig.4.10.Identificación de arenas reactivas en el pozo 15_24b- 6
Fuente: Elaboración propia
La Fig.4.11 muestra la continuidad de las formaciones identificadas, pudiendo ver
su variación e espesor y continuidad, al igual que las variaciones de las
características deposicionales,
el registro utilizado para esta comparación es
gamma ray y se puede ver la variación entre cuerpos masivos de arena y lutitas, la
aparición de intercalaciones areno arcillosas y ausencia en otros casos.
54
Fig.4.11.Correlación de litológica
Fuente: Elaboración propia
En base al criterio anterior se realizó la clasificación de facies utilizando los
registros gamma ray, densidad, sónico y neutrón para cuatro facies predominante
como ser: Sand, Fine Sand, Coarse Sand y Shale, y obtener la columna
estratigráfica más aproximada al comportamiento litológico en estos registros, el
resultado se puede ver en la Fig.4.12 donde claramente se puede ver la transición
de cuerpos masivos a mas laminados y condensados.
55
Fig.4.12 Interpretación de facies litológicas
Fuente: Elaboración propia
4.4.
Análisis de expresiones sísmicas
Dentro del aspecto estructural el campo se tiene fallas subsísmicas y límites fallas
que fueron reconocidos en los pozos perforados. En los datos sísmicos se puede
apreciar intervalos con inclinación suroeste en el eje de la cuenca, donde las
arenas que se pueden visualizar son masivas de tipo laminar.
Para la interpretación sísmica identificar y seguir el reflector del tope del reservorio
es difícil por la reversión de polaridad en el procesamiento full stack, debido a la
presencia de arenas llenas con petróleo y fluidos, por lo que el uso de
56
manipulación de colores, atributos de señal y estructurales son requeridos para
lograr una interpretación adecuada.
La importancia de las expresiones sísmicas se da no solamente al momento de
hacer interpretación sísmica, sino también para correlacionar patrones de los
reflectores con el significado deposicional, en este sentido se utiliza la siguiente
convención de expresión de reflectores como base para la caracterización, esto
se ve en la Fig.4.13:

Paralelas o subparalelas, ondulares, divergentes, en las generales.

Sigmoidales, sigmoidales complejas u oblicuas, oblicuas paralelas,
estiradas, oblicuas tangenciales, de tipo hummocky, en las que expresan
factores sedimentológicos.

Discontinuas, contorsionadas, lenticulares en las de continuidad.
La configuración de los reflectores depende de la forma y el ángulo en el cual
ocurre la sedimentación
y es influenciado por: la composición del material
depositado, el caudal de sedimentación y la cantidad de sedimento disponible, la
salinidad del agua, la profundidad respecto al nivel del mar, el nivel de energía del
ambiente de deposición, el radio de subsidencia entre otros.31
31
McKie, T., Rose, P., Hartley, A., Jones, D., & Armstrong, T. (2015). Tertiary Deep-Marine Reservoirs of the
North Sea Region (Vols. Special Publications, 403). London: Geological Society.
57
Fig.4.13 Expresiones sedimentarias clásticas
Fuente: (Veeken & Van Moerkerken, 2013)
58
La expresión sísmica en el cubo sísmico en Fullstack para los cuerpos
sedimentarios se puede ver en la Fig.4.14 donde los reflectores interpretados son
convertidos de manera horizontal o reconstruido para resaltar el carácter
deposicional, se puede ver claramente que en la parte izquierda las expresiones
son subparalelas en
una mezcla entre paralelas oblicuas y tipo hummocky
clinoform lenticular y contorsionadas, este comportamiento es típico de los flujos
de transporte de masa. En la derecha se puede ver reflectores más continuos
disrupted pero contorsionados.
Fig.4.14 Expresiones sísmicas en un corte Xline reconstruido
Fuente: Elaboración propia
Para la interpretación de horizontes base se definió como punto de partida los
marcadores del pozo 15_24b-6 donde se tiene altas características de fallamiento
y donde los reflectores son más continuos e identificables en la parte superior
mientras que en la parte inferior los reflectores son menos continuos y más de tipo
disrupted, entre reflectores interpretados se observa formas lenticulares típicas de
flujos deposicionales como se ve en la Fig.4.15.
59
Fig.4.15 Interpretación sísmica con fallas en el pozo 15_24b-6
Fuente: Elaboración propia
Dentro de los atributos sísmicos utilizados para identificar cuerpos sedimentarios
están Coherence como se ve en la Fig.4.16 donde los canales deposicionales de
las turbiditas son claramente visibles con diferentes direcciones, la continuidad de
los cuerpos se modifica debido a la inclinación de los cuerpos. Se puede ver
también cambios en la dirección de flujo por orden de antigüedad en la deposición.
60
Fig.4.16. Atributo de coherencia para cuerpos sedimentarios
Fuente: Elaboración propia
Dentro de los rasgos más importantes que se pueden observar en dos datos de
sísmica están los que expresan columnas de gas como se ve en la Fig.4.17,
evidenciando la existencia de un sistema petrolero vigente y de la existencia de
fluidos que tienen un proceso migratorio hacia cuerpos porosos, producto de esto
se puede ver el incremento de la amplitud de algunos reflectores haciéndolos más
brillantes, lo que implica una variación del contraste de impedancia acústica.
61
Fig.4.17 Columnas de gas en sísmica
Fuente: Elaboración propia
4.5.
Modelo geológico
El campo se halla formado una estructura cerrada en cuatro direcciones como se
ve en la Fig.4.18, las rocas sello corresponden a lutitas de las formaciones Lista y
Sele, la acumulación de la roca reservorio se halla completa en la parte oeste con
columnas de hidrocarburo de hasta 100 ft por encima del acuífero que es por lo
menos 700 veces más grandes en volumen. El análisis del sistema petrolero
muestra que la roca generadora corresponde a las lutitas de la formación
62
Kimmeridge del Jurásico y que el fluido ha migrado de manera lateral y vertical
hacia la trampa, donde uno de los factores que contribuyeron a la migración son la
inyectitas de arena en la parte arcillosa que crearon canales permeables de flujo,
ideales para una migración y acumulación.
Fig.4.18. Mapa estructural del campo de estudio
Fuente: Informe de campo
El campo se halla localizado por encima de fallas corticales que llegan al
basamento con dirección noroeste-sureste, estas fallas estuvieron activas durante
el jurásico tardío hasta el cretácico temprano, con episodios de reactivación
durante terciario. La estabilidad estructural ocurrió desde el cretácico tardío hasta
el paleoceno temprano. Sin embargo movimientos menores en estas fallas
probablemente influencio en la deposición de arena en la formación Balmoral. La
reactivación e inversión ocurrió durante la deposición de la formación Balder y
durante el mioceno. Algunas fallas que originalmente fueron extensionales durante
el jurásico se convirtieron en fallas transpresionales durante la orogénesis tardía
de los Alpes.
63
El área regional donde se sitúa el campo está dominada por areniscas
amalgamadas, arcillas hemipelágicas, inyectitas de arena y arenas con tendencia
arcillosa, estas características son las heterogeneidades más significativas.
La identificación de inyectitas en arenas identificadas en los testigos supone un
factor importante al momento de explicar el comportamiento de migración y de
dinámica de flujo del reservorio, a su vez la yuxtaposición de diferentes zonas a
través de fallas de pequeña escala las cuales son más comunes en el área norte.
Las arenas de la formación Lower Balmoral tienen porosidades por encima de
25% y permeabilidades mayores a 800mD, la reducción de estas propiedades se
deben a granos marginales de tamaño muy fino, y resultado de una posición más
distal de la localización del sistema de flujo. La calidad del reservorio está
controlada principalmente por la textura, variación de tamaños de grano y
selección. La mejor calidad del reservorio se observa dentro de las arenas limpias
y masivas que son dominantes en los canales amalgamados laminares donde la
permeabilidad es mayor a 1000mD con radio net to gross mayor al 90%. En los
lóbulos distales los depósitos están compuestos por sedimentos delgados
debriticos, con un alto contenido de arcilla en el matrix.
El modelo geológico 3D usado para el desarrollo de campo fue simplificado por
razones de representación estructural, la calidad de la sísmica mejoro la
resolución
de
reconocimiento
fallas
de
y
la
consistencia
estructural
de
estructural.
características
La
interpretación
y
sutiles
incrementan
la
incertidumbre, haciendo necesaria la consideración de escenarios geológicos
alternativos.
Las Fig.4.19 muestran el tope estructural de la formación Sele, donde se puede
evidenciar un alto nivel de fallamiento el cual se halla acentuado debido a la
característica litológica, lutitas con un alto nivel de características tipo dewatering,
lo que genera la geometría romboidal y errática, la delineación de fallas tiene
forma poligonal y se hace mucho más perceptible siendo que el análisis estructural
para la para la construcción de modelo se basa en este horizonte.
64
Fig.4.19 Tope estructural formación Sele alrededor del pozo 15_ 24b-6
Fuente: Elaboración propia
65
El modelo geológico final comprende los topes estructurales de las formaciones
como se ve en la Fig.4.20, donde las fallas modeladas son las que se encuentran
en el área de interés siendo las más resaltantes y representativas siendo que
presentan anomalías amplitud, si bien son las principales y las más importantes en
términos de desplazamiento y resolución, es necesario resaltar que existen fallas
por debajo de la resolución sísmica que no pueden visualizarse pero que su
análisis sería muy importante para caracterizar los mecanismos de migración y
producción pero que su estudio conllevaría a otro proyecto.
Fig.4.20 Volumen estructural con las fallas modeladas
Fuente: Elaboración propia
Los topes de las formaciones se muestran en las Fig.4.21- Fig.4.22- Fig.4.23Fig.4.24- Fig.4.25 al igual que las fallas modeladas, todas las fallas modeladas
tienen un alto grado de continuidad a través del intervalo estratigráfico de interés.
66
Fig.4.21 Tope de la formación Balder
Fuente: Elaboración propia
Fig.4.22 Tope de la formación Sele
Fuente: Elaboración propia
67
Fig.4.23 Tope de la formación lista
Fuente: Elaboración propia
Fig.4.24 Tope del miembro Base S5 (Top Lwr Balmoral)
Fuente: Elaboración propia
68
Fig.4.25 Tope de la formación Maureen
Fuente: Elaboración propia
4.6.
Proceso de scale up y análisis de variogramas verticales
Una vez que se termina de construir el modelo geológico se debe realizar el
proceso de transferencia de datos de pozo al modelo; es decir de registros
eléctricos hacia las celdas del grid, este proceso es conocido como scale up, para
su correcta implementación es necesario tomar en cuenta la trayectoria del pozo,
las celdas que se encuentran a su paso, como se ve en la Fig.4.26. La operación
de asignación que debe ir en consecuencia geológica con la representación
buscada y el tipo de variable a ser representada, para facies es de tipo discreto, es
obvio en este punto hacer énfasis en mientras más pequeña sea la resolución de
las celdas más representatividad se logrará, sin embargo el número de celdas se
incrementará de manera exponencial exigiendo al hardware su máxima
capacidad.32
32
Zakrevsky, K. E. (2011). Geological 3d Modelling. HOUTEN The Netherlands: EAGE Publications.
69
Fig.4.26 Ejemplo del proceso de scale up
Fuente: (Zakrevsky, 2011)
Para la aplicación en el proyecto se realizó una interpretación de las facies más
importantes dentro de las características litológicas como ser tamaño de grano en
las facies de: Sand, Fine Sand, Coarse Sand y Shale. El procedimiento de scale
up toma en cuenta estos registros y asigna valores a las celdas de acuerdo al
cantidad de facies que atraviesan la trayectoria de los pozos, el algoritmo utilizado
es de tipo “Most of” que hace una ponderación para asignar facies en porcentaje
de presencia de la variable. Como se ve en la Fig.4.27 se realizó la asignación de
facies para diferentes valores de resolución vertical en el grid, el track 1
correponde a gamma ray, track 2 a las facies interpretadas en los registros
eléctricos, track 3 corresponde a un grid con resolución vertical de 5 ft, el track 4
corresponde a 13 ft, y el track 5 a 25 ft de resolución respectivamente, se puede
observar la comparación de representatividad de las facies de acuerdo a la
resolución vertical.
70
Fig.4.27 Comparación de asignación de facies interpretadas en scaleup
Fuente: Elaboración propia
Los variogramas experimentales fueron construidos en base a las facies
interpretadas dando como resultados un modelo de variograma Exponencial con
un Sill= 0.2606 y un rango vertical= 44.008 estos valores como se puede ver en la
Fig.4.28.
Fig.4.28 Variograma vertical modelo y experimental para las facies
Fuente: Elaboración propia
71
4.7.
Modelado estocástico aplicando simulación de indicadores secuencial
Para realizar el modelo de facies se procedió a reconocer los paleo flujos en
primera instancia tomando en cuenta los atributos sísmicos de RMS y Coherence
sobre las superficies de interpretación, logrando de esta manera la identificación
de direcciones dominantes sedimentarias que en el caso de TOP_SELE en
Fig.4.29 tiene una tendencia norte-sur, para Mb4 noreste- suroeste en la Fig.4.30,
y para TOP_MAUREEN norte-sur más uniforme en Fig.4.31, las direcciones
encontradas en los mapas son coherentes con la dirección referencial
bibliográfica.
Fig.4.29 Variograma aéreo experimental para las facies en TOP_SELE
Fuente: Elaboración propia
72
Fig.4.30 Variograma aéreo experimental para las facies en Mb4
Fuente: Elaboración propia
Fig.4.31 Variograma aéreo experimental para las facies en TOP_MAUREEN
Fuente: Elaboración propia
73
El resultado de la aplicación del algoritmo de indicadores secuenciales tiene una
distribución y representatividad muy buena en términos de continuidad e
intercalación de facies en el intervalo de estudio, como se ve en la Fig.4.32 para
S3 hasta el tope de la formación Thor utilizando los variogramas experimentales
mostrados anteriormente con variables subyugadas al atributo de RMS y
Coherence como cokriging, siendo las distribuciones de Sand=36%, Fine
Sand=18%, Coarse Sand =10%, Shale = 36%.
Fig.4.32 Resultado del modelado para el intervalo S3-Thor
Fuente: Elaboración propia
74
4.8.
Análisis de resultados y validación de hipótesis
Para la validación de hipótesis se tiene: herramientas cualitativas que dependen
del conocimiento y experiencia geológica del modelador; también existen
herramientas cuantitativas que se basan en la distribución de histogramas de las
propiedades calculadas. Para el objetivo del presente trabajo utilizan ambas dada
su complementariedad. Claramente se puede observar en la Fig.4.33 una buena
distribución en la proporción en el histograma que tiene una gran aproximación en
los porcentajes presentes de las facies interpretadas a partir de los registros
eléctricos, los utilizados en el proceso de scale up y los obtenidos después del
modelado en todo el grid. Esta simetría y aproximación de valores hace posible
aceptar la hipótesis planteada como válida.
El resultado obtenido se puede contrastar con diferentes cálculos, aplicando
modificaciones en las variables y así ver la influencia de los diferentes parámetros
en el resultado de la distribución de las facies, si bien este procedimiento se lo
realiza quitando variables, en una fase de estudio más profundo y especializado
se lo puede hacer con casos geológicos alternativos o modificando parámetros
pequeños.
Para el caso A como se ve en la Fig.4.34, las propiedades de las facies son
Sand=36%, Fine Sand=18%, Coarse Sand =10%, Shale = 36%, sin mapas aéreos
de variogramas horizontales, y sin variables de RMS en cokrigging, pero con
variograma vertical, a pesar de eso la distribución en el histograma es
relativamente aceptable en aproximación de valores; sin embargo se puede
apreciar en forma vertical oscilaciones anormales al sistema deposicional
identificado en el área.
Para el caso B como se ve en la Fig.4.35, se utilizó el mismo porcentaje de
distribución de facies que en el anterior caso, el algoritmo utilizo como variable de
cokriging a RMS, sin embargo la distribución de facies en el histograma presenta
mayor variación, la proporción focalizada se debe a la resolución del atributo
sísmico, las oscilaciones abruptas de facies no corresponden a las transiciones
75
estratigráficas identificadas en el área, sino a anomalías de amplitud mal
representadas o con sobre estimación en importancia.
Para el cálculo del caso C como se ve en la Fig.4.36, se procedió a no utilizar el
variograma vertical, tampoco los mapas de variogramas aéreos ni ningún tipo de
variable en cokrigging, respetando las proporciones de las facies en el caso A, la
distribución final en el histograma muestra una buena representación de los
valores, sin embargo en la inspección visual se puede apreciar un tipo errático sin
forma ni representación geológica en el área, este tipo de distribución de facies es
el carácter neto tipo random del algoritmo, en el cual no existe criterio geológico.
Fig.4.33 Histograma de comparación
Fuente: Elaboración propia
76
Fig.4.34 Calculo de comparación caso A
Fuente: Elaboración propia
77
Fig.4.35 Calculo de comparación caso B
Fuente: Elaboración propia
78
Fig.4.36 Calculo de comparación caso C
Fuente: Elaboración propia
79
4.9.
Conclusiones
Mediante el presente trabajo se puede concluir que:
La resolución vertical óptima de representación, es dada por el variograma
experimental vertical de los pozos, tomando en cuenta como base de cálculo a las
facies interpretadas, en una inspección visual se puede verificar la poca distorsión
y muy buena representación en el intervalo de interés.
La mejor forma de atenuar oscilaciones abruptas es mediante cokrigging, de esta
forma los atributos sísmicos logran tener influencia en la tendencia de la
distribución de las facies seleccionadas susceptibles a la resolución sísmica.
Mientras las fallas no generen diagénesis secundaria, pueden dejarse de lado,
puesto que no existe distorsión en las facies sometidas a evaluacion para el
análisis de distribución.
Es extremadamente importante poseer un modelo de velocidad confiable puesto
que es el nexo para convertir tiempo a profundidad y viceversa. Aunque este
proceso no es contemplado en el presente trabajo una variación pequeña en la
estimación de velocidad genera una gran incertidumbre en la identificación del
reflector guía y en los topes de formación en el modelo estructural, causando
distorsión en el modelo.
Los datos estratigráficos son muy importantes a fin de integrar información
geológica obtenida en pozo mediante informes de perforación y registros eléctricos
con su equivalencia en el modelo estructural, esto asegura la contextualización
coherente de la información de registros eléctricos con las expresiones sísmicas y
su ambiente sedimentario.
80
4.10. Recomendaciones
La influencia de la interpretación de facies en base a registros eléctricos puede
mejorarse utilizando inversión mineralógica y en vez de utilizar intervalos definidos
de facies realizar la evaluación en base a porcentajes de litología, esto mejoraría
la capacidad de realizar análisis de sensitividad para la predicción de litofacies
Se podría utilizar atributos de frecuencia para mejorar la visualización y utilizar un
algoritmo determinístico tomando en cuenta paleoformas mas definidas en base a
la técnica de visualización denominada RGB blending.
La homogeneidad en la descripción estratigráfica mejoraría la identificación de
reflectores, puesto diferentes bibliografías utilizan diferentes nombres para los
mismos elementos estratigráficos, esta discrepancia genera incetidumbre en la
existencia y correlación.
Los histogramas solamente hacen referencia a una comparación global, si se
requiere una validación del modelo más exhaustiva se tiene que utilizar otras
técnicas más avanzadas y a su vez un análisis del número mínimo de
realizaciones en que se pueda cuantificar la certidumbre del modelo.
Solo se consideraron facies litológicas, sin embargo las inyectitas son un factor
muy importante a considerar puesto que son las responsables de la migración y
flujo de fluidos, sin embargo al ser de resolución subsísmica, se tiene que utilizar
técnicas más avanzadas.
Puesto que se tuvo que realizar la construcción de todo el modelo y no se tuvo
datos de superficies ya interpretadas, se recomienda tomar los resultados
obtenidos como susceptibles de reinterpretación sísmica y de modificación de los
topes de formación utilizados como reflectores guía.
El impacto económico que genera una mala distribución de facies se hace visible
al momento de realizar el modelado petrofísico y posteriormente en la
cuantificación de reservas, por lo que se recomienda evaluar esta influencia en
estas instancias, a través de un trabajo integrado mucho más profundo
81
BIBLIOGRAFÍA
Al-Anezi, K., Kumar, S., & Eibad, A. (2013). Geostatistical Modeling with Seismic
Characterization of Wara/Burgan sands-Minagish Field-West Kuwait. Abu
Dhabi UAE: Society of Petroleum Engineers SPE 166046.
Ampilov, Y. (2010). Seismic Interpretation to Modelling and Assessment of Oil and
Gas Fields. HOUTEN The Netherlands: EAGE Publications.
Catuneanu, O. (2006). Principles of Sequence Stratigraphy. Amsterdam, The
Netherlands: Elsevier.
Chopra, S., & Marfurt, K. (2007). Seismic Attributes for Prospect Identification and
Reservoir Characterization (Vol. Geophysical Developments Series No. 11).
Tulsa, OK U.S.A: SEG Society of Exploration Geophysicists.
Coburn, T., Yarus, J., & Chambers, L. (2006). Geostatistics and stochastic
modeling: Bridging into the 21st century. En T. Coburn, J. Yarus, & L.
Chambers, Stochastic modeling and geostatistics: Principles, methods, and
case studies (Vol. Computer Applications in Geology 5, págs. 3– 9). AAPG
American Association of Petroleum Geologists.
Davies, R., Posamentier, H., Wood, L., & Cartwright, J. (Edits.). (2007). Seismic
Geomorphology: Applications to Hydrocarbon Exploration and Production
(Vol. Special Publications 277). London: Geological Society.
Davies, R., Posamentier, H., Wood, L., & Cartwright, J. (2007). Seismic
Geomorphology: Applications to Hydrocarbon Exploration and Production
(Vol. Special Publications 277). London: Geological Society.
Doyen, P. (2007). Seismic Reservoir Characterization An Earth Modelling
Perspective (Vol. Education Tour Series). Houten The Netherlands: EAGE
Publications.
Dubrule, O. (2003). Geoestatistics For Seismic Data Integration In Earth Models.
HOUTEN The Netherlands: EAGE Publications.
Fluckiger, S. D., Hennes, A. M., Zawila, J. S., & Hofmann, M. H. (2015). Predicting
Reservoir Heterogeneity in the Upper Cretaceous Frontier Formation in the
Western Power River Basin- An Integrated Stratigraphic, Sedimentologic,
Petrophysical and Geophysical Study. San Antonio Texas USA: Society of
Petroleum Engineers SPE 178542 MS.
82
Gluyas, J. G., & Hichens, H. M. (2003). United Kingdom Oil and Gas Fields (Vol.
Commemorative Millennium Volume). London, UK: GEOLOGICAL
SOCIETY.
Herron, D. A. (2011). First Steps in Seismic Interpretation. Tulsa, OK, USA: Society
of Exploration Geophysicists.
Jialiang, H., Khalid, O., Johan, W., Mohamed, M., & Neves, F. (2015). A case
study of integrated seismic and well statistics in modeling of deep
reservoirs. Abu Dhabi UAE: Society of Petroleum Engineers SPE-177625.
Le Blevec, T., Dubrule, O., Cedric, J., & Hampson, G. (2016). Building more
realistic 3D facies indicator models. Bangkok: Paper presented at the
International Petroleum Technology Conference.
McKie, T., Rose, P., Hartley, A., Jones, D., & Armstrong, T. (2015). Tertiary DeepMarine Reservoirs of the North Sea Region (Vols. Special Publications,
403). London: Geological Society.
Myers, D. E. (2006). Reflections on geostatistics and stochastic modeling. En T.
Coburn, J. Yarus, & L. Chambers, Stochastic modeling and geostatistics:
Principles, methods, and case studies (Vol. Computer Applications in
Geology 5, págs. 11–22). AAPG American Association of Petroleum
Geologists.
Pelgrain, A., Cosetino, L., Cabrera, J., Jimenez, T., & Bellorin, O. (2002).
Geologically oriented geostatistics: an integrated tool for reservoir studies.
Mexico: Paper presented at SPE international Petroleum Conference.
Posamentier, H., & Allen, G. (1999). Siliciclastic Sequence Stratigraphy-Concepts
and Applications. Tulsa, Oklahoma, U.S.A: SEPM Society for Sedimentary
Geology.
Pyrcz, J., Gringarten, E., Frykman, P., & Deutsch, C. V. (2006). Representative
input parameters for geostatistical simulation. En T. Coburn, J. Yarus, & L.
Chambers, Stochastic modeling and geostatistics: Principles, methods and
case studies (Vol. Computer Applications in Geology 5 volume II, págs.
123–137). AAPG American Association of Petroleum Geologists.
Veeken, P. C. (2007). Seismic Stratigraphy, Basin Analysis and Reservoir
Characterization (Vol. Seismic Exploration Volume 37). The Netherlands:
Elsevier.
83
Veeken, P., & Van Moerkerken, B. (2013). Seismic Stratigraphy and Depositional
Models. HOUTEN The Netherlands: EAGE Publications.
Weimer, P., & Slatt, R. M. (2004). Petroleum Systems of Deepwater Settings (Vol.
Distinguished Instructor Series No7). Tulsa, OK, USA: Society of
Exploration Geophysicists.
Zakrevsky, K. E. (2011). Geological 3d Modelling. HOUTEN The Netherlands:
EAGE Publications.
Zhou, Y., Muggeridge, A., Berg, C., & King, P. (2015). Quantifying cross flow and
its impact on tertiary polymer flooding in heterogeneous reservoirs.
European Symposium on Improved oil Recovery IOR.
84
INDICE DE TABLAS
Tabla.4.1 Resumen sistema petrolero………………………………………...
45
Tabla.4.2 Información de registros eléctricos disponible por pozo………...
46
Tabla.4.3 Descripción del tipo deposicional y litofacies…………………….
49
85
INDICE DE FIGURAS
Fig. 2.1 Ejemplo de uso de atributo sísmico…………………………………
12
Fig. 2.2 Caracterización geológica mediante atributo sísmico…………….
13
Fig. 2.3 Aplicación de RMS en sísmica. …………………………………….
15
Fig.2.4 Expresión de ondiculas sísmicas…………………………………….
16
Fig.2.5 Ejemplo de búsqueda del algoritmo de coherencia………………..
17
Fig.2.6 Aplicación del algoritmo de coherencia……………………………..
18
Fig.2.7 Interpretación geológica de registros eléctricos……………………
20
Fig.2.8 Ejemplo de forma de bloque en gamma ray………………………..
20
Fig.2.9 Ejemplo de expresión tipo jagged en gamma ray………………….
21
Fig.2.10 Ejemplo de sucesión monótona en registros……………………...
22
Fig.2.11 Ejemplo de patrón secuencial en registros…………………………
23
Fig.3.1 Ambientes deposicionales…………………………………………….
25
Fig.3.2 Métodos disponibles de modelado de facies……………………….
26
Fig.3.3 Sistema deposicional con variación direccional…………………….
30
Fig.3.4 Variograma tipo y sus partes…………………………………………
32
Fig.3.5 Variograma de área……………………………………………………
33
Fig.3.6 Ponderación de krigging en base a variograma……………………
36
Fig.3.7 Influencia del rango en krigging………………………………………
36
Fig.3.8 Influencia del modelo de variograma en krigging…………………..
37
Fig.3.9 Influencia del nugget en krigging…………………………………….
37
Fig.3.10 Procedimiento de cálculo en SIS…………………………………..
40
Fig.3.11 Influencia del rango del variograma en SIS……………………….
41
Fig.4.1 Disposición espacial de los datos de pozo y sísmica……………..
43
Fig.4.2 Identificación geológica del fallamiento……………………………...
44
86
Fig.4.3 Estratigrafía general……………………………………………………
45
Fig.4.4 Clasificación estratigráfica y expresión en registros………………..
49
Fig.4.5 Correlación litológica para las arenas M4a y M4b………………….
50
Fig.4.6 Integración de datos para el pozo 15_19-6…………………………
52
Fig.4.7 integración de datos para el pozo 15_19-7…………………………
52
Fig.4.8 Integración de datos para el pozo 15_20-2…………………………
53
Fig.4.9 Integración de datos para el pozo 15_24b- 6……………………….
53
Fig.4.10.Identificación de arenas reactivas en el pozo 15_24b- 6…………
54
Fig.4.11.Correlación de litológica……………………………………………...
55
Fig.4.12 Interpretación de facies litológicas………………………………….
56
Fig.4.13 Expresiones sedimentarias clásticas……………………………….
58
Fig.4.14 Expresiones sísmicas en un corte Xline reconstruido……………
59
Fig.4.15 Interpretación sísmica con fallas en el pozo 15_24b-6…………..
60
Fig.4.16. Atributo de coherencia para cuerpos sedimentarios…………….
61
Fig.4.17 Columnas de gas en sísmica………………………………………..
62
Fig.4.18. Mapa estructural del campo de estudio……………………………
63
Fig.4.19 Tope estructural formación Sele alrededor del pozo 15_ 24b-6...
65
Fig.4.20 Volumen estructural con las fallas modeladas…………………….
66
Fig.4.21 Tope de la formación Balder…………………………………………
67
Fig.4.22 Tope de la formación Sele…………………………………………...
67
Fig.4.23 Tope de la formación lista……………………………………………
68
Fig.4.24 Tope del miembro Base S5 (Top Lwr Balmoral)…………………..
68
Fig.4.25 Tope de la formación Maureen………………………………………
69
Fig.4.26 Ejemplo del proceso de scale up……………………………………
70
Fig.4.27 Comparación de asignación de facies interpretadas en scaleup..
71
87
Fig.4.28 Variograma vertical modelo y experimental para las facies……..
71
Fig.4.29 Variograma aéreo experimental para las facies en TOP_SELE…
72
Fig.4.30 Variograma aéreo experimental para las facies en Mb4………….
73
Fig.4.31 Variograma aéreo experimental para las facies en
TOP_MAUREEN………………………………………………………………...
73
Fig.4.32 Resultado del modelado para el intervalo S3-Thor………………..
74
Fig.4.33 Histograma de comparación…………………………………………
76
Fig.4.34 Calculo de comparación caso A……………………………………..
77
Fig.4.35 Calculo de comparación caso B…………………………………….
78
Fig.4.36 Calculo de comparación caso C…………………………………….
79
88
GLOSARIO
Algoritmos determinísticos: Basado en datos de entrada definidos donde el
resultado final será calculado en base a una formula predefinida y donde el
resultado final es único y depende únicamente de los datos
Anisotropía: Una forma de medir si la varianza dentro de una colección de datos
está determinada por una dirección (medida en azimut y porcentaje de
excentricidad)
Chimenea de gas: Región de escape de gas que migra hacia arriba desde una
acumulación de hidrocarburos, aparecen como anomalías de baja amplitud, zonas
caóticas reconocibles en datos sísmicos.
Clasificación: organización de datos en grupos que representan una propiedad
especifica.
Coherencia: medida de la similaridad de una ondicula sísmica a través de
correlaciones en Inline y Xline
Continuo: Un numero definido en una propiedad de la roca con ilimitada cantidad
de posibilidades por ejemplo porosidad, permeabilidad, etc.
Correlación: Una forma de medir si dos colecciones de datos separados están
relacionados (medidos en porcentaje)
Desviación estándar: El cuadrado de la varianza y se utiliza para describir como
una distribución de datos varia del promedio.
Dewatering: Proceso de expulsión de agua afuera de las lutitas y lodos.
Discreto: Código asignado a una propiedad con un número limitado de opciones
posibles, ejemplo, facies, cuerpos, litologías.
Distribución normal: Significa que la mayoría de las medidas de una colección
de datos están cercanas al valor promedio mientras que relativamente pocas
muestras tienden hacia los extremos de cada lado.
89
Facies sísmicas: Las características que un grupo de reflectores que implican
amplitud, abundancia, continuidad, y configuración. Una característica de las
ondiculas de la sísmica en su trayectoria y su relación con una localización
especifica en una unagen sísmica espacial.
Geoestadística: Una rama de la estadística aplicada que hace énfasis en el
contexto geológico de los datos y la relación espacial entre los datos.
Heterogeneidad de reservorio: Variabilidad espacia de las propiedades de la
roca en un reservorio que puede ser producido por procesos geológicos como
sedimentación, diagénesis, erosión, fallamiento, etc. Un análisis multivariable de
técnicas geoestadísticas se utilizan habitualmente para estimar el nivel
heterogeneidad usando datos de pozo y sísmica.
Histograma: Una representación gráfica de la distribución de frecuencias de la o
las variables elegidas.
Kriging: Un sistema lineal de ecuaciones donde los valores del variograma son
parámetros conocidos y donde las ponderaciones son parámetros desconocidos.
Modelado de facies: Interpolación, cálculo o Simulación de datos discretos por
ejemplo litología, cuerpos o facies.
Modelado estocástico: Se basa en un conjunto de datos de entrada y donde el
resultado va a ser calculado en un marco probabilístico. Los resultados serán
múltiples realizaciones dependiendo de los datos de entrada y un camino de
asignación tipo random (azar).
Modelo geológico: Un grupo de celdas con volumen definido en la misma
estructura de fallas y límites. Cada proyecto podría contener muchos modelos y
cada modelo muchos 3D grids.
Scale up: El proceso de asignar valores de los registros eléctricos o de sus
atributos hacia un grid, listo para ser utilizado en el proceso de modelado de facies
y petrofísico.
90
Transformación: Preparación de un conjunto de datos en datos internos, los
cuales cumplen requerimientos estadísticos de acuerdo al algoritmo escogido.
Tendencia: Cambio continúo o permanente del valor promedio de una propiedad
en un modelo 1D, 2D y 3D.
Varianza: Una medida de cuan dispersa es una distribución, es calculada como el
promedio cuadrado de cada uno de los números de su promedio
Variograma: Una descripción cuantitativa de la variación de una propiedad como
una función de distancia de separación entre puntos, se representa gráficamente
como un gráfico varianza (Y) vs distancia de clases (X).
91