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