Caracterizacion Dinamica de Yacimientos Estratigraficamente Complejos

CT&F Ciencia, Tecnología y Futuro
Instituto Colombiano del Petróleo

ct&f@ecoeptrol.com.co
ISSN (Versión impresa): 0122-5383
COLOMBIA
2004
Santiago González / Eduardo A. Idrobo
CARACTERIZACIÓN DINÁMICA DE YACIMIENTOS ESTRATIGRÁFICAMENTE
COMPLEJOS USANDO ALGORITMOS GENÉTICOS
CT&F Ciencia, Tecnología y Futuro, diciembre, año/vol. 2, número 005
Instituto Colombiano del Petróleo
Bucaramanga, Colombia
pp. 23-51
Red de Revistas Científicas de América Latina y el Caribe, España y Portugal
Universidad Autónoma del Estado de México
http://redalyc.uaemex.mx
CARACTERIZACIÓN
DINÁMICA DE YACIMIENTOS
ESTRATIGRÁFICAMENTE
COMPLEJOS USANDO
ALGORITMOS GENÉTICOS
Santiago González*1 y Eduardo A. Idrobo*2
1
Ecopetrol – Gerencia Centro Oriente, El Centro, B/bermeja, Santander, Colombia
2
Ecopetrol – Instituto Colombiano del Petróleo, A.A. 4185 Bucaramanga, Santander, Colombia
e-mail: sagonzal@ecopetrol.com.co e-mail: aidrobo@ecopetrol.com.co
(Recibido Junio 11 de 2003; Aceptado Septiembre 20 de 2004)
E
n este trabajo se presenta la aplicación a un caso real de una metodología novedosa para la caracte-
rización de yacimientos altamente heterogéneos mediante la integración de la información dinámica
del yacimiento al modelo estático actualizado. La metodología fue desarrollada por el Dr. Carlos
Romero, quien la aplicó a un yacimiento sintético.
El proceso de caracterización de yacimientos tiene como objetivo construir un modelo del yacimiento, lo mas
realista posible, mediante la incorporación de toda la información disponible. El enfoque clásico consiste
en elaborar un modelo que se fundamenta en la información estática del yacimiento, teniendo como etapa
final del proceso la validación del modelo con la información dinámica disponible. Es importante aclarar
que el término validación implica un proceso por naturaleza puntual, generalmente asociado a asegurar
solamente la coherencia requerida entre zonas productoras y propiedades petrofísicas.
El objetivo de la metodología propuesta es mejorar la capacidad de predicción del modelo del yacimiento
mediante la integración a priori de los parámetros intrínsecos a la dinamicidad de los fluidos del yacimiento
mediante un proceso de inversión dinámica de datos a través de un procedimiento de optimización basado
en computación evolutiva.
La metodología propuesta parte de la construcción del modelo estático del yacimiento de alta resolución,
el cual es escalado mediante técnicas híbridas buscando preservar la heterogeneidad del yacimiento. Pos-
teriormente, usando como marco de referencia un simulador analítico, el modelo escalado es metódica-
mente modificado mediante un proceso de optimización que usa algoritmos genéticos y como información
condicional los datos de producción.
Palabras claves: caracterización de yacimientos, modelamiento geoestadístico, simulación streamline, algoritmos

genéticos, optimización global, ajuste histórico automático.
* A quien debe ser enviada la correspondencia
CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 23

El Producto final de este proceso es un modelo que respeta las condiciones estáticas y dinámicas del yaci-
miento con capacidad de minimizar el impacto económico que genera el ajuste histórico de producción en
las tareas de simulación. Este modelo final, entonces, presenta unas propiedades petrofísicas (porosidad,
permeabilidad y saturación de agua) modificadas para lograr un mejor ajuste de la historia de producción
simulada con la real (History Matching). Adicional a lo anterior, el proceso involucra una liguera modifica-
ción de las permeabilidades relativas, las cuales se han cambiado buscando calibrar estas propiedades que
igualmente presentan un grado alto de incertidumbre.
A
novel methodology is presented in this paper for the characterization of highly heterogeneous oilfields
by integration of the oilfields dynamic information to the static updated model.
The objective of the oilfield’s characterization process is to build an oilfield model, as realistic as
possible, through the incorporation of all the available information. The classical approach consists in
producing a model based in the oilfield’s static information, having as the process final stage the validation
model with the dynamic information available. It is important to clarify that the term validation implies a
punctual process by nature, generally intended to secure the required coherence between productive zones
and petrophysical properties.
The objective of the proposed methodology is to enhance the prediction capacity of the oilfield’s model
by previously integrating, parameters inherent to the oilfield’s fluid dynamics by a process of dynamic data
inversion through an optimization procedure based on evolutionary computation.
The proposed methodology relies on the construction of the oilfield’s high resolution static model, escalated by
means of hybrid techniques while aiming to preserve the oilfield’s heterogeneity. Afterwards, using an analytic
simulator as reference, the scaled model is methodically modified by means of an optimization process that
uses genetic algorithms and production data as conditional information.
The process’s final product is a model that observes the static and dynamic conditions of the oilfield with the
capacity to minimize the economic impact that generates production historical adjustments to the simulation
tasks. This final model features some petrophysical properties (porosity, permeability and water saturation),
as modified to achieve a better adjustment of the simulated production’s history versus the real one (History
Matching). Additionally, the process involves a slight modification of relative permeabilities, which have been
changed to allow calibration of these properties that also feature a high degree of uncertainty.
Keywords: reservoir characterization, geostatistical modeling, streamline simulation, genetic algorithms, global
optimization, automatic history matching
24 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

CARACTERIZACIÓN DINÁMICA DE YACIMIENTOS ESTRATIGRAFICAMENTE COMPLEJOS USANDO ALGORITMOS GENÉTICOS
INTRODUCCIÓN los resultados obtenidos se utilizó el streamline

(Simulador Numérico).
El proceso de caracterización de yacimientos tiene El objetivo de la metodología propuesta es mejorar

como objetivo construir un modelo del yacimiento, lo la capacidad de predicción del modelo del yacimiento
más realista posible, mediante la incorporación de mediante la integración a priori de los parámetros in-
toda la información disponible. El enfoque clásico trínsecos a la dinamicidad de los fluidos del yacimiento
consiste en elaborar un modelo que se fundamenta en usando un proceso de inversión dinámica de datos a
la información estática del yacimiento, teniendo como través de un procedimiento de optimización basado
etapa final del proceso la validación del modelo con la en computación evolutiva. Esta tesis se enfoca en la
información dinámica disponible. aplicación de los Algoritmos Genéticos (AGs) a la ca-
racterización de yacimientos de hidrocarburos.
La metodología aplicada fue, inicialmente desarrolla-
da por el Dr. Carlos Romero (Romero, 2000) como tesis La metodología utiliza un AG especialmente di-
de doctorado; sin embargo, aquí fue ajustada mediante señado para buscar descripciones del yacimiento que
la incorporación de las siguientes modificaciones: hacen honor tanto a los datos de los pozos como a sus
historias de producción, siempre y cuando se tengan
• Se trabajó en la definición de la distribución volu- los modelos geológico, estratigráfico y petrofísico
métrica de las propiedades del yacimiento median- previamente definidos. Este AG se combina con el
te técnicas geoestadísticas detalladas, utilizando modelamiento geoestadístico para generar múltiples
definiciones litológicas (estratigrafía de detalle). descripciones del yacimiento. El resultado es un
conjunto de posibles soluciones (correspondientes a
• Se mejoró la velocidad del método utilizando el diferentes realizaciones del modelo del yacimiento), a
concepto de simulación streamline. partir de las cuales se puede seleccionar la más apta
para análisis posteriores.
• Se redefinieron:
Los yacimientos de hidrocarburos están compuestos,
- los cromosomas (variables) a optimizar (hubo una
por lo general, de rocas sedimentarias heterogéneas
disminución, ya no se contemplaron las transmisi-
que contienen dependiendo del caso: aceite, gas y
bilidades de las fallas ni factor Skin en los pozos).
agua. Para conocer cómo se comportan estos fluidos
- la Función Objetivo. en el yacimiento, se utilizan los simuladores. Para su
aplicación, el yacimiento debe estar dividido en celdas
- Calculo de la Aptitud. discretas que conforman una gran malla, por lo gene-
ral, las propiedades en estas celdas son desconocidas.
- Estrategias de Selección.
Posteriormente, se debe llevar a cabo un proceso de
- La forma como se aplican los operadores genéticos. calibración en el cual los resultados son comparados
con la información histórica del yacimiento. Esta cali-
- El procedimiento de actualización de la población. bración la hace el ingeniero mediante la variación de
algunas de las propiedades de las celdas hasta obtener
• Todo el proceso se programó en plataforma PC
un ajuste adecuado.
que utiliza como sistema operativo Microsoft
Windows©. Se debe resaltar que el programa que Esta metodología automatiza este proceso, mini-
permite la ejecución de la metodología se realizó mizando el impacto económico que genera el ajuste
exclusivamente para esta investigación (INVER- histórico de la producción en las tareas de simulación
DIMANICA©), el cual se encarga de controlar y el modelo resultante incorpora toda la información
(manejar) todas las aplicaciones adicionales, disponible (estática y dinámica), por lo tanto será el más
necesarias para automatizar el proceso de ajuste realista posible. Esta automatización se logra al consi-
histórico. Estas aplicaciones son: Microsoft Ex- derar el ajuste histórico como un proceso de optimiza-
cel, S3D© (Simulador de Streamline) y SGSIM© ción multivariable (el cual puede tener varios óptimos).
(Simulador de Geoestadística). Para comprobar Teniendo en cuenta esta última reflexión, se impone

SANTIAGO GONZÁLEZ et al.
como requerimiento un método de optimización global, Todo el programa corre en plataforma PC ambiente
dentro de los cuales, los AGs han demostrado una alta Microsoft Windows©, lo cual le permite sacar provecho
eficiencia en la solución de este tipo de problemas. de: uso en cualquier equipo, utilización de la última
tecnología en PC para acortar los tiempos de cómputo
Los AGs usan ideas de la teoría de evolución de
y menores costos en relación con los equipos en pla-
las especies de Darwing, donde sólo los organismos
taforma UNIX.
(individuos) más fuertes sobreviven adaptándose a
las diferentes condiciones que el medio les imponga
(más aptos). Estos organismos tienen una información DESCRIPCIÓN PROCESO
genética que los hace únicos y, por lo tanto, cambios CARACTERIZACIÓN
pequeños en estos códigos los hacen más fuertes o por
el contrario más vulnerables.
A continuación se hace una presentación y descrip-
Los resultados obtenidos superan las expectativas ción general de la secuencia que realiza el programa
que se tenían en relación con esta metodología, la cual, INVERDINAMICA ©. El software fue desarrollado, en
sólo había sido probada en un yacimiento sintético, particular, para automatizar el proceso de ajuste históri-
proveyendo un procedimiento que se puede aplicar co de un modelo de yacimiento en plataforma PC.
aún cuando se tenga una alta incertidumbre en cuanto
a parámetros tales como: propiedades petrofísicas de- Cada corrida involucra: cargar los datos básicos
terminadas con registros “viejos”, datos de producción del yacimiento, hacer simulaciones de flujo de fluidos
e inyección de agua. Otra ventaja que se tiene es que (streamline), definir los puntos piloto, aplicar los AGs
se puede utilizar en yacimientos tanto en producción (optimización), hacer simulaciones Geoestadísticas
primaria como en recobro secundario; sin embargo, los (SGSIM) para cada propiedad y actualizar la pobla-
tiempos de cómputo serán mayores para los casos de ción de individuos. La Figura 1 presenta un diagrama
campos en producción primaria. que resume toda la secuencia que hace el programa
algorítmo genético
permebilidades propiedades parámetros

relativas petrofísicas geoestadística
parámetros simulción puntos

simulación geoestadística NO piloto
evaluar
proceso función
simulación SI
objetivo
FIN
Figura 1. Esquema general metodología propuesta

durante su ejecución (Romero, 2000; Romero et este a su vez se encarga de asignarle valores a todas las
al., 2000). celdas que conforman el grid de simulación numérico.
Estos puntos serán ubicados por coordenadas (X, Y),
Simulación Streamline de forma análoga a las localizaciones de los pozos ver-
Para definir la “estratificación social” de cada in- daderos dentro de un grid de simulación. De acuerdo
dividuo y, por ende, los operadores genéticos a aplicar, con el conocimiento heurístico de la geoestadística, se
es necesario determinar la Función Objetivo (Ecuación determinó que la cantidad de pseudopozos a utilizar
1) (Baker, 1985) y para esto, es necesario tener una debía ser equivalente al 5% de las celdas que conforman
producción de aceite simulada, esta curva se obtiene el enmallado (Bissell et al., 1987)
utilizando un simulador streamline, el cual, es muy Una vez determinadas las coordenadas (X, Y) para
conveniente para esta metodología debido a su gran todos los puntos piloto, se deben formar arreglos bi-
velocidad de convergencia (Batycky, 1997; Batycky et dimensionales –uno por cada propiedad petrofísica en
al., 1997; Caers, et al., 2001; Wang et al., 2000). consideración– (Figura 2), donde se almacena tanto los
Los archivos “Grid_Pozos.prn”, “Field.prn” y pseudopozos como los pozos y su respectiva informa-
“Production.prn”, necesarios para la ejecución del ción petrofísica disponible para las celdas en dirección
simulador, no cambian durante el proceso de ajuste Z que componen la coordenada (X, Y) seleccionada
histórico; por el contrario, los archivos “Files.prn” y (Cuypers et al., 1998)
“Fluid.prn” deben ser actualizados para cada individuo
(realización), ya que las propiedades roca - fluido (per-
1
meabilidades relativas), son cromosomas dinámicos y 2
en cada generación van siendo modificados por el AG 3
(Deutsch et al., 1998). 4

5
Capas
Los datos de las propiedades se encuentran organi- 6

7
zados en archivos texto, existe un archivo de este tipo 8
por propiedad y por individuo, en total se tienen 60 9
archivos para las tres propiedades petrofísicas conside- 10
radas y los 20 individuos. Adicionalmente, los puntos 1 2 3 4 5 6 7 8 9 10 11 12
finales de las permeabilidades relativas se encuentran puntos piloto
en otro archivo plano. Figura 2. Arreglo bidimensional puntos piloto
El programa diseñado hace uso de la dependencia

que existe entre las permeabilidades y sólo se alma- Resumiendo, durante la definición de los puntos
cenan los datos de permeabilidad horizontal en X, los piloto el programa se encarga de: calcular la cantidad de
datos de permeabilidad en Y y las permeabilidades en celdas que equivalen al 5% del enmallado, seleccionar
Z, son calculados por el simulador, utilizando la infor- aleatoriamente las celdas que serán utilizadas, crear
mación de anisotropías (Ky/Kx y Kz/Kx) suministrada arreglos bidimensionales –uno por cada propiedad
(Dake, 1978 ; Renard et al., 1997). petrofísica– (Figura 2) e ir a los archivos planos para
cargar los datos de cada celda.
Definición puntos piloto
La metodología utilizada para disminuir la cantidad Formulación del algoritmo genético modificado
de datos a manejar en el AG (upscaling), se denomina La selección de esta metodología de optimización
Método de los puntos piloto. Los puntos piloto deben se hizo teniendo en cuenta las características que hacen
considerarse como pseudopozos y se utilizan como los de los AGs una técnica conveniente para realizar el
parámetros a variar durante el desarrollo del proceso ajuste histórico automático en yacimientos de hidro-
de optimización con AGs, tal como se describe en la carburos, una vez este se formula como un problema
Figura 1. Estos pseudopozos y los pozos son utilizados de optimización (Chen et al., 1974; Davis, 1991; Yang
como datos de entrada al Simulador de Geoestadística, et al., 1987).

La primera característica es que los AGs pueden optimización y puede evolucionar después. (Goldberg
ser usados eficazmente para la optimización de fun- et al., 1991; Holland, 1975).
ciones “ruidosas”, porque no requieren información
adicional (tales como derivadas) de la función que va Los modelos numéricos de yacimientos requieren
a ser maximizada o minimizada (Mitchell, 1996; Stoffa especificar un gran número de variables. Para este
et al., 1991; Thomas et al., 1971). caso en particular, se han seleccionado las siguientes
variables para ser incluidas en la optimización: propie-
La segunda característica esta muy ligada a la pri- dades petrofísicas (permeabilidad horizontal, porosidad
mera. Porque los AGs usan búsquedas aleatorias, por lo y saturación de agua) tanto en los puntos piloto como en
tanto no siguen reglas determinísticas y pueden escapar los pozos; parámetros que controlan el proceso geoes-
a mínimos locales. Esta característica les da el potencial tadístico (rango en la dirección de máxima correlación,
para alcanzar óptimos globales (Deschamps et al., 1998; rango en la dirección de mínima correlación y rango
Gomez et al., 1999; Goldberg, 1989). de correlación vertical) y permeabilidad relativa en los
puntos finales.
La capacidad para manejar muchos parámetros es
otra característica importante de los AGs. Dependiendo La información restante no incluida en el genoma
de la complejidad y nivel de detalle necesario, una si- dinámico, tal como: propiedades de los fluidos (PVT),
mulación completa de un yacimiento puede requerir el estructura geológica, contacto de fluidos, etc., que es
cálculo de muchos parámetros, generalmente del orden necesaria para una descripción completa del modelo
de miles o algunas veces de cientos de miles (Bush et de simulación del yacimiento, esta contenido en el
al., 1996; Zalzala et al., 1997). genoma estático y permanece ahí a lo largo de todo
La cuarta característica de los AGs son sus atributos el proceso. De aquí en adelante, el término “genoma”
de paralelismo. Por una parte, los AGs tienen un para- hará referencia al genoma dinámico.
lelismo implícito porque ellos trabajan con una pobla- El genotipo solo provee la información a partir de
ción de soluciones y no con una sola solución. De esta la cual el fenotipo es construido. Este tipo de mapeo
manera, varias soluciones propuestas son evaluadas y es conocido como “Embriogenia” porque el genotipo
combinadas durante el proceso de optimización. Adi- solo establece las reglas para el desarrollo de las carac-
cionalmente, las soluciones propuestas son basadas en terísticas fenotípicas, las cuales son producidas por la
la evaluación de soluciones previas, en otros términos, interacción de varios genes. En este caso, el genotipo
los AGs hacen uso de todas las experiencias exitosas contiene las propiedades petrofísicas de los bloques
anteriores, gracias a la llamada “memoria implícita”. de los puntos piloto y de pozos, además de parámetros
Esto es particularmente importante cuando una función
para el control del proceso geoestadístico y permeabi-
es muy costosa para ser evaluada, como es el caso del
lidades relativas en los puntos finales. Cada modelo se
ajuste histórico en los yacimientos. De otro lado los
construye bajo la interacción de estos parámetros. Un
AGs tienen el potencial de retornar un conjunto de
solo genotipo puede producir una variedad de fenotipos,
posibles soluciones, es decir, la población final puede
dependiendo de los elementos aleatorios de los métodos
ser usada para evaluar parámetros y predecir la incer-
geoestadísticos (Bäck, 1996).
tidumbre (Ounes, 1992; Sen et al., 1995).
En este trabajo, un genoma con estructura no es-
Estructura del genoma y el genotipo tándar fue seleccionado por las razones ya descritas
El primer paso en la definición de la estructura de anteriormente. Las variables han sido divididas en ocho
un genoma es la selección de las variables que van a ser grupos, y a cada grupo de variables tridimensionales,
incluidas en la optimización. Estrictamente, el genoma se le asignó un cromosoma separado (porosidad, per-
debe ser dividido en partes: el genoma dinámico, con meabilidad y saturación de agua). Cromosomas indi-
las estructuras que cambiarán durante el proceso de viduales, para cada una de las variables que componen
optimización y el genoma estático, con la información los grupos de parámetros restantes, fueron construidos:
que contribuirá a la conformación de los modelos nu- parámetros geoestadísticos y permeabilidades relativas
méricos pero permanecerá inalterable a lo largo de la para los puntos finales (Figura 3).

Propiedades Petrofísicas
K F Sw
W W W
P P P P P P P P P
W W W
P P P P P P P P P
W W W
P P P P P P P P P
Geoestadística
Permeabilidades Relativas
Figura 3. Estructura del genoma no-estándar (Romero, 2000)
Cromosomas de propiedades petrofísicas Cromosomas misceláneos

Los tres cromosomas de propiedades petrofísicas Las variables misceláneas están contenidas en
tienen la estructura que se presenta en la Figura 4. Estos cinco cromosomas unidimensionales. Cada variable
arreglos tridimensionales presentan inserciones para es codificada dentro de una cadena de bits binarios
los pozos. Con esta estructura, los elementos vecinos con una longitud determinada (Calvete et al., 2001;
en los arreglos tienen la misma relación espacial a los Martínez, 1990).
puntos piloto equivalentes en el fenotipo (Palazzari et
al., 1999). Para este trabajo, el número de bits osciló entre
cuatro y siete por parámetro, de esta manera las va-
Los valores de las propiedades petrofísicas son re- riables fueron discretizadas entre 16 y 128 intervalos,
presentados por números reales (Surry et al., 1997), en dependiendo de la precisión que se les quisiera dar. Las
lugar de formas binarias. Esto se hace para reducir la cadenas binarias son estándar durante todo el desarrollo
complejidad del manejo de los datos (Wright, 1991). de la metodología (Whitley, 1999).
1
2
3
4
5
Capas
6
7
8
9
10
1 2 3 4 5 6 7 8 9 10 11 12
puntos piloto
Figura 4. Arreglo tridimensional para los puntos piloto (Romero, 2000)

El cromosoma para los datos geoestadísticos forma, este modelo corregido podrá ser utilizado en la
contiene tres parámetros: rango en la dirección de predicción de la producción.
máxima correlación, rango en la dirección de mínima
correlación y rango de correlación vertical. Para este El ajuste del modelo se hace optimizando una fun-
trabajo, un conjunto de sencillo de parámetros contro- ción objetivo, la cual fue definida como:
la las simulaciones geoestadísticas en todas las capas ��
(Jensen et al., 1997). �� = å ��
�
� - �� (1)
El cromosoma que incluye los parámetros de las

Donde:
permeabilidades relativas en los puntos finales, fue
codificado usando números binarios. Este cromosoma FO : es el valor de la Función Objetivo.
se incluyó en el estudio para dar integridad al modelo,
aunque su variabilidad se mantuvo al mínimo. Qosi : es la producción simulada de aceite prome-
dio para un mes i.
Habiendo definido la estructura del genoma y el
procedimiento para codificar las variables dentro de Qori : es la producción real de aceite promedio
los cromosomas, otro conjunto de estructuras deben para un mes i.
ser definidas: las estrategias de selección y los opera-
NT : número total de meses considerados.
dores genéticos. La Figura 3 muestra una ilustración
simplificada del genoma no-estándar, implementado El AG busca disminuir hasta su mínima expre-
en este trabajo. sión el valor de FO, haciendo ajustes a las variables
representadas por los cromosomas, para este caso
Estrategias de la población en particular son: porosidad, permeabilidad, satura-
Los AGs trabajan con una población de soluciones ción de agua, permeabilidades relativas y paráme-
potenciales individuales del problema que se está con- tros geoestadísticos.
siderando. A medida que el proceso de optimización
Los cromosomas de porosidad, permeabilidad y
avanza, la población actual va siendo reemplazada
saturación de agua, se les aplica una metodología
progresivamente por nuevas soluciones. La manera
denominada puntos piloto mediante la cual se hace
exacta como se logra esto depende de la formulación
un muestreo de valores aleatorio y estos son los datos
de las estrategias de la población (Baker, 1985).
que se van a ajustar. Posteriormente, las propiedades
Las estrategias de población requieren la definición petrofísicas son nuevamente distribuidas en todo el
de tres aspectos principales: la evaluación de la aptitud modelo mediante una simulación geoestadística, el
de cada individuo es decir, obtener una medida de que modelo resultante nuevamente es simulado y se repite
tan conveniente es un modelo particular (realización) el proceso.
como solución del problema que se está considerando;
Cálculo de la aptitud
el procedimiento usado para asignarle descendencia
a cada individuo, según la última aptitud calculada; En los AGs, la aptitud de un individuo es un
y cómo los individuos entran o salen de la población indicativo de qué tan bueno es, en particular, para
(actualización) (De Jong, 1975). resolver el problema, en comparación con los otros
individuos de la población. Para aplicar los AGs en
Función objetivo
un proceso de ajuste histórico en un yacimiento de
La metodología busca ajustar las propiedades hidrocarburos con datos de producción, valores de
petrofísicas del yacimiento para que este, al ser si- aptitud deben ser asignados a cada realización (mo-
mulado, reproduzca la curva de producción real del delo). Estos valores deben reflejar el grado, en que
campo, obteniendo de esta forma un modelo que ha una realización particular puede reproducir la historia
sido ajustado automáticamente (sin intervención del de producción. Esto se hace comparando los datos de
ingeniero de yacimientos) y que reproduce lo más pa- producción reales con los datos obtenidos por medio
recido posible el comportamiento del campo. De esta de una simulación numérica.

Los datos generados por la simulación geoesta- baja para que puedan encontrarse nuevos individuos
dística (H3D) son convertidos (arreglados), por una con buenas aptitudes, mientras que la fase de explota-
subrutina del programa, al formato de streamline, gene- ción requiere que la presión de selección sea alta para
rando los diferentes archivos de entrada que contienen que los individuos con buenas aptitudes se acentúen
los datos de porosidad, permeabilidad y saturación de en espera que ellos produzcan descendencia con apti-
agua de cada celda del grid utilizado por el programa tudes mejores. Debido a la complejidad del espacio de
de simulación. Este paso es de conversión de archivos búsqueda a la exploración se le da la prioridad aunque
y se requiere porque los sistemas de coordenadas de no debe descuidarse la explotación.
los programas de simulación geoestadística y de flujo
son diferentes. La estrategia de selección implementada en el
desarrollo de este proyecto, después de evaluar todas
El paso final del proceso es el cálculo de la aptitud, las estrategias propuestas, fue el elitismo combinado
el cual se realiza después de que los resultados de la con el clasismo; esta estrategia mixta que consiste
producción simulada están disponibles. Este proceso se en clasificar los individuos de acuerdo a su aptitud,
realiza internamente en el programa y utiliza como base creando, por decirlo así, una realeza, una clase media
la Función Objetivo definida por la Ecuación 1. Una y una clase baja. De acuerdo a su clasificación se
vez, se han obtenido los valores de la función objetivo aplican los diferentes operadores genéticos (Mitchell
para los 20 individuos, se comparan entre sí y se selec- et al., 1992).
ciona el valor más bajo, luego mediante la Ecuación 2
se calcula la aptitud para cada individuo. Esta clasificación se hace mediante el cálculo de
una variable que indica la diferencia (amplitud) máxi-
ma que existe entre los valores de aptitud calculados
�� para una misma generación, para tal fin se utiliza la
�� = (2)
�� Ecuación 3:
Donde: �� = �� (3)
Aptitud (ni, ng): es el valor de la aptitud de un indi-

viduo ni en la generación ng Donde:
FO (ni, ng): es el valor de la Función Objetivo de Dif Aptitud (ng): es valor de máxima diferencia
un individuo ni en la generación ng (amplitud) en la generación ng
FOmin (ng): es el valor de la Función Objetivo míni- Aptitudmax (ng): es el valor máximo de la Aptitud en
mo en la generación ng la generación ng
Estrategias de selección Al valor máximo obtenido se le aplican los porcentajes

de elitismo, los cuales son definidos por el usuario depen-
La estrategia de la selección es uno de los factores diendo del comportamiento del proceso; en el desarrollo
principales que controlan el desempeño de la optimiza- de este trabajo se utilizaron los siguientes valores:
ción. La selección apunta a dar las preferencias a aque-
llas realizaciones con aptitudes cercanas a la unidad (1), Reproducción : 10%
para pasar sus atributos a otras realizaciones. Cruzamiento : 70%
Una estrategia que proporcione una óptima presión Mutación : 20%
de selección, es crítica para el buen desempeño del AG
propuesto. La selección debe favorecer la realización Los valores de evaluación del clasismo de los indi-
con mejor aptitud, sin causar una convergencia prema- viduos se calculan de utilizando la Ecuación 4:
tura. Una presión de selección óptima debe mantener el
equilibrio entre la exploración y la explotación. La fase ��
(4)
�� =
de exploración requiere que la presión de selección sea ��

Donde: Sin embargo, en una misma generación uno o más

individuos pueden ser clasificados para ser reproducidos,
Clasismo (ng): Determina el límite para una deter- estos individuos cuya aptitud es buena pero no mejor que
minada clase social en una generación ng la del individuo “rey” serán denominados realeza y estos
Porcentaje Elitismo: Valor máximo permisible para se cruzarán solo con el individuo rey buscando mejorar
una clase social la aptitud de los individuos descendientes. Este cruza-
miento se hace siguiendo las mismas reglas descritas en
Al valor obtenido para cada una de las clases sociales el párrafo Cruzamiento (Mitchell et al., 1992).
se le debe sumar uno (1) y de esta forma se determinan
los límites superiores. Esto significa que los individuos Cruzamiento
con aptitudes que se encuentren entre 1 y el 10% de Dentro del grupo de individuos seleccionados para
desviación se seleccionarán para reproducción; los cruzamiento se verifica inicialmente que sea un grupo
individuos con aptitudes que se encuentren entre el par, es decir, que todos los individuos tengan un com-
10% y el 80% de desviación, se seleccionarán para pañero de cruce. En caso, de no ser así, el individuo con
cruzamiento; y los individuos con aptitudes superiores mejor aptitud dentro de los clasificados para mutación
al 80% de desviación serán mutados.
se convierte a individuo de combinación o cruzamiento,
De esta forma, todos los individuos que com- completando de esta forma el número par requerido.
ponen una generación se estratifican y, simultánea-
El programa se encarga, aleatoriamente, de formar
mente, quedan definidos los operadores genéticos
parejas con los individuos disponibles para cruza-
que se les aplicarán dependiendo de la clase social a
miento, los individuos tendrán una y sólo una pareja,
la cual pertenezcan.
y su descendencia serán otros dos individuos, donde
Operadores genéticos se combinan las características genéticas de los dos
individuos padres.
Se han creado operadores de cruzamiento no están-
dar para trabajar con los cromosomas tridimensionales En los cromosomas tridimensionales (propiedades
de las propiedades petrofísicas. Existen pocas pautas petrofísicos), una vez escogidas las parejas y habiendo
acerca de cómo estos operadores deberían recombinar seleccionado los puntos piloto previamente, se forman
sus genes, sin embargo se optó por un sistema sencillo dos arreglos bidimensionales; posteriormente, se selec-
ciona aleatoriamente un punto de corte (capa), punto
que más adelante se explicará.
por donde se combinarán los dos padres, tal como se
Los cromosomas normales fueron combinados apli- muestra en la Figura 5, de esta forma la descendencia
cando las normas de los operadores genéticos binarios. estará compuesta nuevamente por individuos que tienen
información genética de ambos padres.
Reproducción
En los cromosomas binarios, el cruzamiento se hará
En este trabajo se definió la reproducción como la de la forma tradicional en los AGs, haciendo referencia
acción de “clonar” un individuo de la generación actual, explícitamente al método del punto sencillo; método
en la siguiente, logrando de esta forma preservar una finalmente seleccionado para aplicar en este trabajo.
memoria implícita respecto a la mejor solución lograda
y, de paso, disminuir el tiempo de cómputo requerido, Mutación
ya que a este individuo no se le debe hacer ni simulación En este trabajo solo una clase de mutación fue se-
geoestadística ni numérica. leccionada y es aplicada sobre el individuo padre y su
resultado es un individuo en el cual se modifica uno de
Solo el individuo con aptitud igual a uno (1) será
sus genes; el tipo de mutación utilizado se denomina
reproducido en cada generación, es decir, solo un indi-
de salto.
viduo tendrá esta condición y será denominado como
“rey” dentro de la estratificación clasista diseñada para En los cromosomas binarios el procedimiento es
aplicar el AG. muy sencillo y consiste en cambiar, aleatoriamente un

Capa Corte Seleccionada
1 1
2 2
3 3
4 4
5 5
Capas
Capas
6 6
7 7
8 8
9 9
10 10
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
puntos piloto puntos piloto
INDIVIDUO "A" INDIVIDUO "B"
Figura 5. Combinación cromosomas tridimensionales
bit de la cadena que compone el cromosoma (0 por 1 Las celdas correspondientes a facies de arcillas
o 1 por 0). pueden ser fácilmente reconocidas, ya que los valo-
res de porosidad y permeabilidad fueron ajustados a
En los cromosomas tridimensionales se aplica un 0.0001, y en el caso de la saturación de agua, su valor
procedimiento similar, pero se tiene el cuidado de no siempre se encuentra por encima del 90%. Cuando se
cambiar (alterar) las celdas que representan las arcillas, esta ejecutando la subrutina de mutación y el programa
la Figura 6 muestra lo que ocurre en un individuo selec- encuentra una de estas celdas, inmediatamente salta ese
cionado para mutación, en una generación dada. punto piloto y continua con el siguiente.
Celdas Seleccionadas Mutación
1
2
3
4
5
Capas
6
7
8
Punto Piloto
No Modificado
10
1 2 3 4 5 6 7 8 9 10 11 12
puntos piloto
INDIVIDUO "A"
Figura 6. Mutación cromosomas tridimensionales

En las celdas que se pueden mutar, se selecciona un milla” a utilizar en la simulación, rango en la máxima
número aleatorio, que se encuentra entre el mínimo y dirección de correlación, rango en la mínima dirección
máximo definido para la propiedad petrofísica en evalua- de correlación, rango vertical de correlación, ángulos
ción (porosidad, permeabilidad y saturación de agua). de anisotropía, tipo de estructura del variograma, tipo
de Kriging, nugget y sill.
Actualización de la población
Tal como se puede evidenciar, los nombres de los
Dentro de un AG, una población de soluciones se archivos de entrada y salida, y la información prove-
actualiza constantemente, por norma, las nuevas solu- niente del cromosoma de parámetros geoestadísticos,
ciones reemplazan aquellas cuya aptitud tenga que ser son los únicos datos que se actualizan constantemente,
evaluada. Una estrategia de actualización ideal debe los demás se mantienen constantes.
poder mantener la diversidad en la población, mien-
tras se va acercando a un óptimo global. El número De acuerdo con el análisis de anisotropía hecho, el
de generaciones debe ser suficientemente grande para ángulo de la elipse de búsqueda es de 92° (358° en
permitir que la población evolucione hasta acercarse al azimut); el tipo de estructura del variograma seleccio-
nivel de aptitud requerido. En este trabajo, sin embargo, nado fue el modelo exponencial; el tipo de Kriging
el número de evaluaciones de la función objetivo se ha utilizado fue Ordinary Kriging (OK); el nugget se
restringido a menos de 600 debido a la limitación de definió como cero (0) y el sill es uno (1) por defecto,
recursos computacionales. ya que el programa normaliza las variables de entrada
(Jensen et al., 1997).
Un enfoque generacional fue usado, es decir, la
población se reemplazaba casi en su totalidad en cada Una vez se han generado los archivos texto de
nueva generación, con excepción del individuo con geoestadística, estos deben ser convertidos a formato
mejor aptitud, el cual se “clonaba” en la siguiente ge- streamline para que puedan ser utilizados por el si-
neración. Los parámetros de AG típicos en este trabajo mulador en la siguiente generación. Adicionalmente,
son: el tamaño de la población es de 20 individuos y el se debe tener presente que algunas celdas del modelo
número máximo de generaciones fue de 20; aunque se total se encuentran inactivas y por lo tanto estas de-
hicieron pruebas con 25 y 30 generaciones sin encon- ben ser nuevamente deshabilitadas. Los archivos acá
trar mejorías significativas, mientras que el consumo generados reemplazan a los existentes, lo que facilita
de tiempo máquina si aumento considerablemente. Al que el proceso pueda ser completamente cíclico (WU
preservar el mejor individuo de una generación a la et al., 1998).
otra, se hizo una reducción del 5% en el tiempo de
cómputo, ya que no fue necesario hacer 400 evalua-
ciones (en el caso de 20 individuos y 20 generaciones) CASO DE CAMPO: AREA 07, ZONA C, CAMPO
LA CIRA (COLOMBIA)
sino solamente 380.
Simulación gaussiana secuencial El campo La Cira-Infantas esta localizado en la

Una vez generados los archivos de entrada al cuenca del Valle Medio del Magdalena (VMM) en
Simulador Geoestadístico (SGSIM) (Deutsch et al., Colombia (Figura 7). Se encuentra ubicado en la parte
1998), es necesario leer el archivo texto que contiene central de la antigua Concesión De Mares, al Este del
los parámetros geoestadísticos considerados y generar río Magdalena y al Sur del río Sogamoso, abarcando
un número aleatorio impar de cinco cifras. un área de aproximadamente 160 km²; a una distancia
aproximada de 22 km al SE de la Ciudad de Barran-
Estos datos se utilizan para generar el archivo cabermeja y a aproximadamente 250 km al NNE de
llamado “SGSIM.prn”, el cual contiene la siguiente Bogotá (Figura 7). El VMM esta limitado al Este
información: nombres y rutas para los archivos de en- por la Cordillera Oriental, al Oeste por la Cordillera
trada de datos y salida de resultados, valores mínimo Central, y se extiende desde las localidades del Banco
y máximo permitidos, número de celdas en todas las (Magdalena) en el Norte hasta Honda (Tolima) en el
direcciones (X, Y y Z) que componen el modelo, “se- Sur (Dengo et al., 1993).

1000000 1050000
Pavas
San Pablo Las Garzas Cristalina

Bonanza
Rí ohacha Caribbean Sea
Sant a M a rta
B arra n q uilla
Cartagen a
V all edu par Sabana de Torres
Cantagallo - Yarigui
M o nt er í a
VENEZUELA Provincia
1300000
1300000
C ú cu t a
Puerto Wilches
M e d e llín Sogamoso Aguas Claras
Pacific
M a niz ales
Bogota Salinas
Ocean Per eir a
I ba gué
Bu enav entura Cali Villavicencio
Ne i v a Llanito
Tum aco
Fl or enci a
Gala Lisama
Pasto
Barrancabermeja Tesoro
BRAZIL
ECUADOR Galán
Casabe
Nutria
PERU Yondo
Peñas Blancas La Cira
Infantas Peroles
1250000
1250000
Tenerife
Aguas Blancas
San Luis
Colorado Convenciones
K0 10 20 K Campos
Poblaciones
1000000 1050000
Figura 7. Mapa ubicación campo La Cira (ECP, 1999)
Campo La Cira: Esta estructura consiste de un an- El Campo La Cira produce de tres zonas “A”, “B”
ticlinal en forma de domo alargado en dirección N-S al y “C” (Figura 8). La zona “C” es un yacimiento de
Noroeste del Anticlinal de Infantas, con cabeceo (plun- arenas fluviales de permeabilidad baja a moderada. Esta
ge) hacia el Norte y hacia el Sur y está cortada, al Este zona contiene aproximadamente el 80% del OOIP en
del eje del Anticlinal, por la falla La Cira, que es una el Campo La Cira. Las zonas “C” y “B” producen de
falla inversa de alto ángulo (70°-80°) que buza hacia la Formación Mugrosa de edad Eoceno – Oligoceno
el Occidente y cuyo desplazamiento oscila entre 200 y y la zona “A” produce de la formación Colorado de
300 pies en el tope de la estructura. Hacia el Este de la edad Oligoceno.
falla La Cira la estructura se hunde un poco en forma
En la actualidad se han perforado en el área de la Cira-
de “U” a manera de sinclinal entre esta falla y la falla
Infantas 1716 pozos, de los cuales hay aproximadamente
de Infantas. De acuerdo con los datos de producción del
580 pozos productores activos, 81 pozos inyectores de
campo se puede considerar que la falla La Cira actúa
agua activos, 592 pozos productores inactivos, 106 po-
como una barrera efectiva entre el flanco Occidental y
zos inyectores inactivos y 357 pozos abandonados. El
Oriental de la estructura. Existe en este campo un gran
OOIP del campo la Cira-Infantas es de 3594 Mbls de
número de fallas transversales al eje de la estructura
24° API. La producción promedio de aceite actual es de
las cuales son normales con buzamientos entre 80° y 5700 BOPD (Diciembre de 2002), con una producción
90° y desplazamientos de hasta 250 pies y que dividen de aceite acumulada de 798,15 Mbls y una inyección
al campo en varios bloques. Esta estructura tiene una acumulada de 957,4 Mbls (Diciembre de 2001).
longitud aproximada de nueve km y un ancho de seis
km . Los buzamientos de la estructura hacia el Norte y En el área 07, la zona C inició su explotación en
el Oeste son de aproximadamente 10° a 15°. 1933 con el pozo LC-745 con 1132 bopd. El principal

300
UA3
400
500 UA4a
Arenas 58 600
700
800 UA4b
Formación Colorado
Zona A
900 A1
1000 AA
Arenas 116 1100
1200 A1a
1300 A2
Período Época Formación Litología
Agua 1400
Cuatern. Pleistoceno Mesa Arenas 157 A2a
1500
A3
Plioceno 1600 A3a
Real A4
Arenas 244 1700
Mioceno 1800
A/B
Colorado 1900
B1
2000
Terciario Oligoceno Mugrosa
B1a
Esmeraldas Arenas 13 2100 B1b
B1c
Zona B
Eoceno La Paz 2200 B1d
B2
2300
Discordancia
Eoceno-Paleoceno B2a
Arenas 13 L 2400
B2b
Paleoceno
Lisama 2500
Formación Mugrosa
Maestrichtiano 2600 B3
B3a
Campaniano Umir
Arenas La Cira 2700 B3b
Santoniano B3c
Galembo 2800
La Luna
B4
Coniaciano Arenas 47 2900 B4a
Pujamana
Turoniano B4b
3000
Cenomaniano Salada C1
Cretáceo Arenas C1 3100 C1Bt
C1Ab
Albiano Simití C2
3200
Zona C
C2Dt
Arenas C2 Gtb
Aptiano Tablazo 3300 C3
Paja
Barremiano Arenas C3
Rosablanca 3400 C3cb
C4
3500 C4Ab
Valanginiano Tambor Arenas C4 C4Cb
C4Et
3600 C5
D1
s
da
3700
Arenas D D2
al
Jurásico Girón
na
D3
er
Zo
m
3800 D4
Es
D5
Premesozoico Basamento
Figura 8. Columna estratigráfica general para el VMM y el campo La Cira (ECP, 1999)
desarrollo de esta área se llevó a cabo entre los años • Pozos perforados más recientes (calidad registros
1933 y 1941 cuando se perforaron 124 pozos, de los eléctricos).
cuales 99 penetraron la zona C. La inyección se inició
• Que tuvieran una buena distribución areal (cober-
en 1971 con modelos regulares de seis y siete puntos,
tura total del área).
modificados posteriormente a modelos de cuatro a siete
puntos, por problemas mecánicos de los pozos. • Que estuviera representada la geomorfología de
las unidades definidas.
Para realizar el modelo estratigráfico y el mode-
lo petrofísico se seleccionaron 65 pozos, los cuales
Modelo sedimentario
se pueden observar en la Figura 9. Algunos de los
criterios que se tuvieron a la hora de realizar esta Para la definición del modelo sedimentario y dia-
selección fueron: genético se contó con la información litológica (cora-
zones) del pozo La Cira 1884, perforado y corazonado
• Pozos Corazonados (Carrillo et al., 1990). en 1988 como reemplazo del pozo LC–1133. En la

vertical entre las diferentes unidades de la zona “C”

(Bernal et al., 1992).
Rellenos de canales abandonados
Estas facies limo-arcillosas se caracterizan por pre-
sentar la base del canal, normalmente de poco espesor,
suprayacida por una secuencia de material limoso o
arcilloso que representa el gradual o súbito abandono
del canal (Bernal et al., 1992).
Lodolitas de llanura de inundación
Conformada por arcillolitas varicoloreadas (gris
verdosa, rojiza, amarillenta, etc.) y por limolitas gris
rojizas con restos de raíces, indicios de exposición
subaérea y sectores bioturbados rellenos de arenas
calcáreas (Bernal et al., 1992).
Figura 9. Área descripción estratigráfica Arenas finas y limos de borde de canal (Natural
Levee)
descripción de los 350 pies de corazón del pozo LC-
Constituyen los umbrales de los canales y consisten
1884, que incluye la mayoría de las arenas y arcillas
de material clástico fino con espesores que varían entre
que conforman la unidad “C”, se pudieron identificar
2 y 10 pies aproximadamente (Bernal et al., 1992).
facies correspondientes a: depósitos de canales flu-
viales y depósitos de llanura de inundación (Reyes Arenas finas y limos de desborde de canal (Cre-
et al., 1989). vasse Splay)
Para la identificación de estas facies, se utilizó como Consiste de arenas finas, normalmente con tenden-
guía los modelos y conceptos resultantes del estudio cia granocreciente al tope, espesores de 4 a 10 pies
realizado por la División de Yacimientos, Geología de aproximadamente (Bernal et al., 1992).
Desarrollo y Asociados y el Distrito de Producción El
Centro de Ecopetrol en 1992. Modelo Estratigráfico
Arenas de barras de meandro Los cambios en las propiedades petrofísicas con
respecto a la posición estratigráfica son proporcionales
Estas facies arenosas son las más características al grado de preservación de facies idénticas deposita-
dentro de la secuencia estudiada en muestras de cora- das bajo condiciones variables de A/S (acomodación y
zón, con espesores que oscilan entre 10 y 35 pies ca- suministro de sedimentos). En areniscas con estratifica-
racterizados por presentar hacia la base de las arenas de ción cruzada, los cambios en porosidad y permeabilidad
grano grueso a conglomerático, intraclastos arcillosos son exactamente coincidentes con variaciones sutiles
y fragmentos leñosos, descansando sobre superficies en los atributos que son función de la posición estrati-
de erosión, con estratificación cruzada de alto ángulo gráfica (Ramón et al., 1997).
en artesa que gradualmente cambia a estratificación
plano paralela a subparalela discontinua y a ondulitas, Teniendo en cuenta las anteriores consideraciones,
acompañado por disminución gradual del tamaño de se procedió a clasificar cada una de las arenas presen-
grano hasta llegar a grano fino pasando finalmente a tes en la zona “C” (objeto de este estudio) de acuerdo
facies arcillosas de planicie de inundación, (Bernal et con su posición estratigráfica, clasificando estas de
al., 1992). Normalmente esta secuencia se ve interrum- acuerdo a su unidad genética (depósitos de Canales
pida debido al desarrollo de apilamientos verticales o depósitos de Llanuras de Inundación). Las “barras
(“stacking point bars”), estableciendo comunicación de arenas” y los apilamientos de “barras de arenas” se

Litología Unidades Facies petrofísico que se utilizó para determinar la porosidad

C1D CS y permeabilidad en todos los pozos involucrados, es
Clay1 FP
importante resaltar que las arcillas se unieron bajo una
C1C CS
Clay2 FP
misma clasificación por: simplificación de los datos
C1B2 PB
manejados y por que las arcillas, en este caso particular,
Clay3 FP
no tienen importancia económica.
C1B1 NL
Clay4 FP En el desarrollo de este trabajo se conservó la
C1A
Clay5
NL
FP
nomenclatura que se utilizó en el estudio “Modelos
C1A1 NL de Caracterización del Yacimiento: Geológico, de
Distribución de Fluidos y Petrofísicos” de Bernal et
Clay6 FP
C1C2 PB
al. (1992), para zonificar la zona “C” superior (C1 y
Clay7 CP
C2); la subzona C3 no fue tenida en cuenta por su
C2A PB
carácter acuífero.
Clay8 CP
C2B PB El espesor promedio para el intervalo seleccionado

Clay9 FP
es de 347 ft aproximadamente, en donde se identifi-
C2C NL caron 16 arenas de barras de arena, “natural levee” y
Clay10 FP
“crevasse splay”, las cuales fueron asociadas a 16 uni-
C2D PB
dades genéticas, cada una de ellas representando ciclos
de sedimentación coetáneos (Figura 10). Se destaca la
Clay11 CP
C2E PB
relativa mayor continuidad de las fajas de meandros
Clay12 CP
en dirección Norte – Sur, dirección en la cual se creen
C2F PB
corrían las corrientes principales.
Clay13 CP
C2G PB En términos generales se pueden dividir las dos

Clay14 CP subzonas presentes de la siguiente manera:
C2H PB
En la subzona C1 se identificaron 6 unidades genéti-
Clay15 CP
cas llamadas de base a tope: C1A1, C1A, C1B1, C1B2,
C2I PB
C1C y C1D. En la secuencia que separa las subzonas C1
y C2 se presenta una unidad no continua denominada
Figura 10. Columna estratigráfica zona “C” C1C2 que registra condiciones de alta energía (tipo
canal) dentro de una “llanura de inundación” (FP), la
cual se comunica verticalmente con la unidad C2A de
clasificaron bajo la denominación de Point Bars (PB);
la subzona C2 (Bernal et al., 1992).
las arenas Crevasse Splay y Natural Levee se clasifi-
caron bajo sus respectivos nombres y se encontrarán En C2 se han identificado 9 unidades que presen-
en adelante con la siguiente nomenclatura: CS y NL tan un mayor acoplamiento vertical que el observado
respectivamente. Adicionalmente, las arcillas que ac- durante la depositación de las unidades del C1. Estas
túan como sellos tanto en los depósitos de canal (clay unidades se denominan de base a tope: C2I, C2H,
plugs) como en los depósitos de llanuras de inundación C2G, C2F, C2E, C2D, C2C, C2B y C2A (Bernal et
fueron clasificadas, quedando denominadas como CP al., 1992).
y FP respectivamente.
Esta clasificación permitió que se generaran va- Modelo estructural
riables discretas, así: 1 para Point Bars (PB), 2 para La profundidad de tope y base de cada una de las
Crevasse Splay (CS), 3 para Natural Levee (NL) y 4 unidades genéticas fue definida utilizando los regis-
para Clay Plugs (CP) y arcillas de Flood Plain (FP); tros eléctricos y en particular el registro litológico
las cuales fueron utilizadas para generar el modelo disponible para cada pozo (SP o GR). Adicional a las

unidades descritas en el párrafo anterior, se relaciona- tían dos posibles marcadores a utilizar: BASE y C3CB,
ron dos marcadores adicionales denominados TOPE, siendo C3CB el más profundo; sin embargo, el mapa
BASE y C3CB, las profundidades de estos, fueron hecho con los puntos de control de BASE no era muy
determinadas utilizando la sísmica 3D y se tomaron representativo de la geomorfología existente, por tal
del estudio “Evaluación Integrada Yacimientos del motivo se seleccionó el marcador C3CB (Figura 11(b))
Campo La Cira-Infantas” (Lobo et al., 1999). para definir la geomorfología de la parte inferior de la
zona “C” del área seleccionada.
Los marcadores TOPE, C1D y C3CB fueron carto-
grafiados y se utilizaron para definir la geomorfología
del área en estudio. El marcador BASE fue utilizado SELECCIÓN DEL GRID SIMULACION
solo para definir la base de la unidad genética C2I y
no fue posible cartografiarlo debido a la escasez de
Con los modelos sedimentológico, estratigráfico y
datos, ya que fueron pocos los pozos que llegaron a
estructural definidos, se procedió a definir el modelo
esta profundidad.
litológico más probable del área. Para tal fin, se gene-
Para definir la geomorfología en la parte superior raron 51 realizaciones litológicas, las cuales fueron pos-
de la zona “C” se seleccionó la unidad genética C1D teriormente evaluadas bajo el criterio de conectividad
(Figura 11(a)), este patrón estructural fue utilizado en de los geo-objetos presentes en el yacimiento (Deutsch
la simulación geoestadística. Para la parte inferior exis- et al., 1998; Idrobo, 1999).
1206 1184
1113 1227
1112 1117 -2584.00 -2575.50
1057
1057 -2605.00
1228
-2518.50 1207 -2892.0
-2543.50 1254
1183 -2538.00
1121 1119 1118 1049
1049 1182
-2441.00
-2488.50 1208 -2793.00
-2524.00 -2504.50
-2547.50
1140 1209
1047 -2441.50 1211
-2485.00 1210
1212 -2390.00
1138 105
1056 1819
1137 -2705
-2492.00 1181 -2357.50
1125 1886
1886
1884 1136 1213
-2354.00 -2343.00 1820 -2748.50
-2
-2428.50 -2415.00 1131 1229
-2286.00
1126
1135 1214
-2354.00
1821
1043
1043 1042 1134 1247
-2666.00
-2329.00
-2325.50 -2242.00
1233 1822 1483 1041
1483 1041 1130 1040
1040 1246 -2657.00
-2694.00 -2646.00
-2301.50 -2242.00 -2182.50
-2300.00 -2284.50
1129 908
908 1218 1245
-2235.50
1257 1823 886 -2626.00
886 -2265.00
-2155.00 885 -2627.00
885
-2283.50
-2737.00
-2268.50
1244 1825
1256 1824
-2070.50
-2212.00
1258
250 0 250 500 750 m 250 0 250 5
Figura 11. (a) Mapa estructural marcador C1D

206 1184 1206 1184

-2918.00
1227 1113 -2909.00 -2913.00 1227
84.00 -2575.50 1112 1117
1057 -2942.00
1228 -2903.00 1228
207 -2871.00 -2882.00 1207
-2892.00
1254 1254 -2893.00
38.00 1183 -2858.00
1121 1119 1118 -2852.00
-2441.00 1049 1182 -2831.00
-2839.00
08 -2793.00 -2824.00 -2840.00 1208
-2816.00 1209
1140 1211
1.50 1211 1047 -2795.00
-2780.00
-2798.00 -2812.00 1210 -2780.00
10
.00 1212 -2743.00
1138
1819 1056 1819
1137 -2721.00
-2705.00 -2729.00
1181 -2711.00
-2357.50 1125
1886 -2696.00
1884 1136 1213 -2687.00
1820 -2705.00 -2675.00 -2644.00 1820
-2748.50 1131 -2662.00
1229 -2651.00
-2286.00
1126 -2641.00
1135 1214
-2636.00
-2601.00 -2600.00
-2615.00 1821
1821
1043 1134 1247
1042 -2582.00
-2666.00 -2652.00 -2566.00
-2599.00
1233
1822 1483 1041 1130 1822
1040 1246
-2657.00 -2552.00 -2530.00
-2694.00 -2646.00 -2611.00 -2547.00
1129
908 1218 1245
-2606.00
-2536.00
1257 1823
3 886 -2626.00 -2512.00
885 -2627.00
-2456.00 -2444.00
-2737.00
1244
1825
1256 -2479.00 1824
-2426.00
-2529.00 -2389.00
1258
-2326.00
250 0 250 500 750 m
Figura 11. (b) Mapa estructural marcador C3CB
Una de las aplicaciones de evaluar la conectividad caracterizar, para seleccionar esta área se escogieron
de los geo-objetos es el ranqueo de múltiples reali- tres patrones de inyección/producción, los cuales deli-
zaciones geoestadísticas. Los volúmenes de celdas mitaron un nuevo grid.
conectadas pueden ser usados para clasificar múl-
tiples realizaciones geoestadísticas, por ejemplo de Modelo de simulación
alta, media y baja conectividad. El ranqueo solo puede El área seleccionada para llevar a cabo el ajuste
ser desarrollado a partir de un número escalar, pero histórico automático, corresponde a tres modelos
generalmente el carácter del modelo tridimensional (patrones) de inyección/producción, su ubicación
no esta referenciado por escalares. Sin embargo, las dentro del área de modelamiento estratigráfico se
medidas promedio de conectividad consideradas aquí, puede observar en la Figura 12 (Bradley, 1987).
suministran una forma de ranquear realizaciones. Para Estos tres patrones fueron seleccionados debido: a
este propósito se dispone del programa RANK_OBJ, su buena respuesta al proceso de recobro secundario
desarrollado por Deutsch (1998). por inyección de agua, y a la no presencia de fallas,
lo que simplificaba el modelo numérico (Buckley et
Una vez seleccionado el modelo litológico más al., 1942; Dykstra et al., 1950).
representativo para el área utilizada en la definición
del modelo estratigráfico, se hicieron 20 descripcio- El área seleccionada tiene una superficie de aproxi-
nes petrofísicas de dicho modelo. Posteriormente y por madamente 376 acres y esta compuesta por 12 pozos:
razones prácticas, se hizo una reducción del modelo a LC-1131, LC-1137, LC-1181, LC-1208, LC-1209, LC-

1262850 1262850
1208
1209
1262100 1210 1262100
1212
1319
1137
1181
1213
1131 1229
1261350 1214 1261350
1247
1260600 1260600
1259850 1259850
1033280 1034080 1034880 1035680 1036480
Figura 12. Área descripción petrofísica
Celdas Activas
J
28 x x x x x x x x x x x x x x
20 x x x x x x x x x x x x x x x x x x x
12 x x x x x x x x x x x x x x x
6 x x x x x x x x x x x x x
5 x x x x x x x x x
4 x x x x x x x x
3 x x x x x x x x
2 x x x x x x x x
1 x x x x x x x x
i= 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Figura 13. Representación gráfica del yacimiento

1210, LC-1212, LC-1213, LC-1214, LC-1229 LC-1247 RESULTADOS

y LC-1819, todos (excepto el pozo LC-1819) tuvieron
producción primaria.
Una vez finaliza la ejecución del programa, este
Las coordenadas de esta área son: automáticamente genera un libro de Microsoft Excel
compuesto por cinco hojas de cálculo donde se relacio-
Xo = 1’035,040 m : Yo = 1’260,994 m
nan los resultados obtenidos después de haber hecho el
Xf = 1’036,085 m : Yf = 1’262,450 m ajuste histórico automático.
Una vez definido este nuevo grid, se optó por En la hoja llamada “Presentacion_1” se encuentran
deshabilitar algunas de las celdas que componen este graficados los datos de producción de aceite (bopd)
enmallado; estas, no se tuvieron en cuenta porque ha- reales, simulados y promedio utilizado en streamline
cen parte del área de influencia de otros pozos que no (Figura 14).
fueron considerados dentro de este estudio. En la Figura
En la hoja llamada “Presentacion_2”, se presenta
13 se pueden observar marcadas con X y sombreadas,
las celdas que finalmente quedaron activas dentro del una tabla con los valores de permeabilidades relativas
desarrollo del presente trabajo (Satter et al., 1994). finalmente utilizados durante el proceso de simulación
streamline, en la parte inferior de esta se encuentran
Para resumir los ajustes que se le han hecho al los puntos finales de las permeabilidades relativas, así
enmallado, se presentan los siguientes datos: grid de como también los valores de saturación de agua connata,
referencia, 60 x 60 x 1000; grid de geoestadística, 60 la saturación de aceite residual y los factores de Corey
x 60 x 347; y grid de simulación escalado teniendo en (Corey, 1954). La Tabla 1 se presenta a continuación
cuenta tanto celdas activas como inactivas, 19 x 28 x y allí se resumen estos parámetros. En la Figura 15
25 (total 13300 celdas), el tamaño de cada bloque es presenta de manera gráfica los valores relacionados
de 55 m x 52 m y con tamaño variable en z. en la Tabla 1.
500,00
450,00
Prod_Real
400,00
Prod_Sim
350,00
Prod_Sim_Ajustada
300,00
BOPD
250,00
200,00
150,00
100,00
50,00
0,00
0 50 100 150 200 250 300
Meses
Figura 14. Comparación curvas de producción

1,000
0,900 Krw
Kro
0,800
0,700
0,600
0,500
0,400
0,300
0,200
0,100
0,000
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Figura 15. Curvas de permeabilidades relativas
Tabla 1. Permeabilidades relativas (modificadas), área 7, zona C – Campo La Cira
Sw Krw Kro So
0,3133 0,000000 0,925000 0,6868
0,3200 0,000069 0,811657 0,6800
0,3500 0,001386 0,442780 0,6500
0,4000 0,006354 0,145251 0,6000
0,4500 0,014240 0,040428 0,5500
0,5000 0,024743 0,009018 0,5000
0,5500 0,037682 0,001469 0,4500
0,6000 0,052926 0,000148 0,4000
0,6300 0,063138 0,000026 0,3700
0,6500 0,070378 0,000006 0,3500
0,6650 0,076032 0,000002 0,3350
0,6750 0,079906 0,000001 0,3250
0,6850 0,083864 0,000000 0,3150
0,6868 0,084586 0,000000 0,3132
0,7500 0,111598 0,000000 0,2500
0,7590 0,115708 0,000000 0,2410
0,7653 0,118623 0,000000 0,2347
endkro endkrw sor swc real_no real_nw
0,9250 0,1186 0,23475 0,31325 8,6875954 1,7730235

44
Tabla 2. Relación evolución individuos
Individuo Suma Aptitud Operacion 47740,03 SEG 795,67 MIN. 13,26 HORAS
1 2 3 4 5 6 7
1 1.675.477,75 1,007 Reproducir 1.543.891,38 1,941 Combinar 1.234.673,75 1,552 Combinar 1.494.070,88 1,878 Combinar 1.711.925,88 2,370 Mutación 1.184.561,88 1,640 Combinar 1.645.723,88 2,278 Mutación
2 2.055.567,13 1,236 Combinar 1.118.020,75 1,405 Combinar 1.471.882,75 1,850 Combinar 1.056.153,63 1,327 Combinar 1.298.298,38 1,797 Combinar 978.871,94 1,355 Combinar 992.734,13 1,374 Combinar
3 1.778.239,38 1,069 Combinar 1.034.780,81 1,301 Combinar 1.087.800,75 1,367 Combinar 1.252.017,13 1,574 Combinar 1.257.096,50 1,740 Combinar 1.188.440,25 1,645 Combinar 1.280.410,88 1,772 Combinar
4 1.847.969,50 1,111 Combinar 1.404.770,50 1,766 Combinar 936.724,94 1,177 Combinar 1.068.343,50 1,343 Combinar 1.024.901,88 1,419 Combinar 1.275.101,88 1,765 Combinar 1.261.669,00 1,746 Combinar
5 1.724.279,00 1,037 Reproducir 958.075,75 1,204 Combinar 1.699.537,25 2,136 Mutación 1.564.700,25 1,967 Combinar 1.181.129,38 1,635 Combinar 1.593.635,63 2,206 Mutación 1.396.970,25 1,934 Combinar
7 2.791.061,50 1,678 Combinar 1.543.046,38 1,939 Combinar 1.199.021,13 1,507 Combinar 1.518.493,13 1,909 Combinar 1.324.940,63 1,834 Combinar 1.620.727,13 2,243 Mutación 1.294.648,38 1,792 Combinar
8 1.673.598,75 1,006 Reproducir 982.389,44 1,235 Combinar 1.046.094,31 1,315 Combinar 814.629,50 1,024 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir
9 1.861.659,25 1,119 Combinar 999.669,56 1,256 Combinar 1.147.989,00 1,443 Combinar 1.542.565,63 1,939 Combinar 1.195.617,50 1,655 Combinar 1.215.605,38 1,683 Combinar 1.256.517,00 1,739 Combinar
11 2.300.965,75 1,383 Combinar 1.125.493,50 1,415 Combinar 1.340.329,25 1,685 Combinar 1.288.546,88 1,620 Combinar 1.280.494,13 1,773 Combinar 1.007.133,88 1,394 Combinar 974.122,25 1,348 Combinar
12 1.802.924,25 1,084 Combinar 1.222.624,63 1,537 Combinar 1.369.141,13 1,721 Combinar 951.553,50 1,196 Combinar 867.745,31 1,201 Combinar 1.481.005,25 2,050 Mutación 998.200,81 1,382 Combinar
13 1.906.713,25 1,146 Combinar 795.612,31 1,000 Reproducir 795.612,31 1,000 Reproducir 795.612,31 1,000 Reproducir 795.612,31 1,101 Reproducir 1.034.162,63 1,432 Combinar 1.155.815,63 1,600 Combinar
14 2.129.620,25 1,280 Combinar 882.137,19 1,109 Reproducir 1.599.244,63 2,010 Combinar 1.469.140,75 1,847 Combinar 1.736.796,25 2,404 Mutación 1.622.428,13 2,246 Mutación 1.321.480,75 1,829 Combinar
15 2.123.554,00 1,277 Combinar 894.639,50 1,124 Reproducir 1.006.983,25 1,266 Combinar 1.835.543,75 2,307 Combinar 1.009.599,06 1,398 Combinar 1.043.540,94 1,445 Combinar 1.261.792,13 1,747 Combinar
16 1.663.364,38 1,000 Reproducir 1.663.364,38 2,091 Combinar 1.295.207,13 1,628 Combinar 1.128.353,38 1,418 Combinar 1.129.455,25 1,563 Combinar 1.484.827,75 2,055 Mutación 1.123.822,25 1,556 Combinar
18 1.946.947,00 1,170 Combinar 1.100.980,88 1,384 Combinar 978.682,63 1,230 Combinar 1.020.702,81 1,283 Combinar 1.188.989,38 1,646 Combinar 1.057.769,75 1,464 Combinar 1.471.893,00 2,037 Combinar
19 2.140.972,75 1,287 Combinar 941.177,69 1,183 Combinar 1.327.744,00 1,669 Combinar 1.198.808,88 1,507 Combinar 1.125.737,00 1,558 Combinar 1.135.483,75 1,572 Combinar 1.630.725,63 2,257 Mutación
20 1.857.158,38 1,117 Combinar 3.077.224,00 2,500 Mutación 1.307.456,63 1,643 Combinar 1.536.861,88 1,932 Combinar 1.203.909,50 1,666 Combinar 1.297.800,75 1,796 Combinar 1.489.462,75 2,062 Mutación
1.950.765,67 1.233.542,21 1.228.547,67 1.254.545,83 1.209.160,39 1.237.516,58 1.240.137,47
8 9 10 11 12 13 14
1.344.447,13 1,861 Combinar 1.267.375,50 1,754 Combinar 1.287.160,75 1,782 Combinar 1.179.855,50 1,633 Combinar 1.331.846,50 1,844 Combinar 1.116.642,63 1,546 Combinar 1.078.856,88 1,493 Combinar
903.725,63 1,251 Combinar 1.181.630,38 1,636 Combinar 1.275.385,38 1,765 Combinar 1.001.502,63 1,386 Combinar 1.282.585,75 1,775 Combinar 1.341.818,00 1,857 Combinar 1.381.294,13 1,912 Combinar
1.297.721,88 1,796 Combinar 1.089.398,88 1,508 Combinar 1.078.327,50 1,493 Combinar 1.991.116,50 2,500 Mutación 1.514.999,50 2,097 Mutación 1.566.759,38 2,169 Mutación 1.311.983,75 1,816 Combinar
1.075.118,38 1,488 Combinar 1.238.691,13 1,715 Combinar 1.108.786,25 1,535 Combinar 1.139.510,75 1,577 Combinar 864.401,31 1,197 Combinar 876.312,63 1,213 Combinar 1.104.812,63 1,529 Combinar
1.172.747,50 1,623 Combinar 1.190.614,63 1,648 Combinar 909.311,06 1,259 Combinar 1.086.141,38 1,503 Combinar 1.232.673,00 1,706 Combinar 1.171.310,50 1,621 Combinar 1.144.097,75 1,584 Combinar
977.876,63 1,354 Combinar 1.578.430,00 2,185 Mutación 1.058.109,50 1,465 Combinar 1.678.234,63 2,323 Mutación 1.443.092,38 1,998 Mutación 1.618.727,75 2,241 Mutación 1.038.474,38 1,437 Combinar
722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir
1.095.851,63 1,517 Combinar 953.385,13 1,320 Combinar 1.086.756,25 1,504 Combinar 1.317.166,50 1,823 Combinar 1.480.824,50 2,050 Mutación 1.162.900,75 1,610 Combinar 1.063.299,63 1,472 Combinar
912.971,75 1,264 Combinar 1.107.992,88 1,534 Combinar 933.166,69 1,292 Combinar 1.116.323,00 1,545 Combinar 957.929,94 1,326 Combinar 1.125.120,50 1,557 Combinar 1.809.386,38 2,500 Mutación
1.137.320,13 1,574 Combinar 1.374.288,13 1,902 Combinar 1.112.911,38 1,541 Combinar 1.796.263,38 2,486 Mutación 983.729,75 1,362 Combinar 1.288.880,63 1,784 Combinar 1.807.598,00 2,500 Mutación
995.431,81 1,378 Combinar 975.005,69 1,350 Combinar 1.049.757,63 1,453 Combinar 1.019.015,38 1,411 Combinar 945.836,00 1,309 Combinar 766.749,13 1,061 Reproducir 1.021.673,94 1,414 Combinar
1.338.560,50 1,853 Combinar 1.360.937,88 1,884 Combinar 1.558.942,75 2,158 Combinar 1.403.836,38 1,943 Combinar 1.264.436,88 1,750 Combinar 1.150.154,75 1,592 Combinar 1.775.938,38 2,458 Mutación
1.655.282,50 2,291 Mutación 1.217.140,88 1,685 Combinar 1.151.295,88 1,594 Combinar 1.184.085,88 1,639 Combinar 1.343.834,38 1,860 Combinar 1.449.899,75 2,007 Mutación 1.532.098,13 2,121 Combinar
1.120.618,38 1,551 Combinar 1.283.393,13 1,777 Combinar 1.313.195,00 1,818 Combinar 1.443.160,00 1,998 Combinar 1.402.074,13 1,941 Mutación 1.137.586,25 1,575 Combinar 1.377.039,00 1,906 Combinar
1.342.739,00 1,859 Combinar 1.307.631,75 1,810 Combinar 1.636.857,00 2,266 Mutación 1.034.245,63 1,432 Combinar 1.499.224,38 2,075 Mutación 1.240.669,50 1,717 Combinar 1.039.231,63 1,439 Combinar
1.295.321,75 1,793 Combinar 1.159.599,38 1,605 Combinar 1.136.676,63 1,573 Combinar 896.814,50 1,241 Combinar 1.262.580,13 1,748 Combinar 1.488.489,63 2,060 Mutación 1.595.551,13 2,209 Combinar
1.210.496,75 1,676 Combinar 1.143.765,25 1,583 Combinar 1.332.431,25 1,844 Combinar 889.711,19 1,232 Combinar 1.261.274,50 1,746 Combinar 917.308,69 1,270 Combinar 898.435,00 1,244 Combinar
1.175.616,53 1.196.089,36 1.155.454,18 1.226.980,83 1.210.673,89 1.180.219,31 1.263.312,23
CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5

Dic. 2004
15 16 17 18 19 20
1.289.145,50 1,784 Combinar 1.354.492,63 1,875 Combinar 1.519.494,00 2,103 Mutación 1.152.758,88 1,596 Combinar 1.183.732,88 1,679 Combinar 1.433.477,13 2,238 Mutación
1.133.989,50 1,570 Combinar 923.577,50 1,278 Combinar 1.457.270,50 2,017 Mutación 984.338,81 1,363 Combinar 883.819,38 1,254 Combinar 931.567,13 1,454 Combinar
1.448.458,25 2,005 Combinar 1.038.602,50 1,438 Combinar 995.567,69 1,378 Combinar 1.195.375,63 1,655 Combinar 1.255.113,38 1,780 Combinar 807.546,69 1,261 Combinar
1.089.488,75 1,508 Combinar 1.269.473,13 1,757 Combinar 1.119.004,13 1,549 Combinar 793.532,44 1,098 Reproducir 1.194.334,25 1,694 Combinar 640.494,44 1,000 Reproducir
1.044.969,06 1,446 Combinar 1.194.813,63 1,654 Combinar 1.115.860,63 1,545 Combinar 1.264.914,75 1,751 Combinar 1.478.149,50 2,097 Combinar 1.333.887,88 2,083 Combinar
1.263.050,25 1,748 Combinar 1.158.086,25 1,603 Combinar 1.154.401,25 1,598 Combinar 1.021.925,88 1,415 Combinar 1.171.770,38 1,662 Combinar 863.245,63 1,348 Combinar
883.337,94 1,223 Combinar 1.250.016,25 1,730 Combinar 1.207.412,50 1,671 Combinar 1.268.075,75 1,755 Combinar 1.455.980,88 2,065 Combinar 1.781.972,88 2,500 Mutación
722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,000 Reproducir 722.418,25 1,025 Reproducir 972.052,00 1,518 Combinar
1.376.514,88 1,905 Combinar 1.139.979,25 1,578 Combinar 1.307.117,38 1,809 Combinar 1.100.039,75 1,523 Combinar 956.215,25 1,356 Combinar 974.504,81 1,521 Combinar
919.103,50 1,272 Combinar 1.016.783,63 1,407 Combinar 911.854,69 1,262 Combinar 1.203.054,00 1,665 Combinar 1.265.145,13 1,795 Combinar 1.277.556,25 1,995 Combinar
1.067.826,88 1,478 Combinar 931.737,25 1,290 Combinar 1.248.559,63 1,728 Combinar 1.195.881,13 1,655 Combinar 1.273.349,63 1,806 Combinar 936.787,25 1,463 Combinar
959.701,38 1,328 Combinar 908.367,31 1,257 Combinar 1.082.914,88 1,499 Combinar 5.305.513,00 2,500 Mutación 704.976,13 1,000 Reproducir 704.976,13 1,101 Reproducir
CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5

1.013.021,00 1,402 Combinar 1.119.636,75 1,550 Combinar 1.363.874,88 1,888 Combinar 1.380.927,13 1,912 Combinar 1.824.027,63 2,500 Mutación 1.467.140,63 2,291 Mutación
1.334.146,75 1,847 Combinar 1.215.248,88 1,682 Combinar 1.004.100,69 1,390 Combinar 837.066,69 1,159 Combinar 1.054.101,63 1,495 Combinar 1.159.699,13 1,811 Combinar
1.939.665,00 2,500 Mutación 1.628.348,88 2,254 Mutación 1.587.996,38 2,198 Mutación 1.866.002,25 2,500 Mutación 2.154.417,75 2,500 Mutación 1.968.530,25 2,500 Mutación
995.000,50 1,377 Combinar 1.433.092,00 1,984 Combinar 1.160.708,00 1,607 Combinar 1.773.716,25 2,455 Combinar 945.078,25 1,341 Combinar 1.407.961,25 2,198 Combinar
1.290.658,38 1,787 Combinar 1.393.457,25 1,929 Combinar 1.413.855,63 1,957 Combinar 1.534.277,00 2,124 Combinar 994.434,81 1,411 Combinar 1.093.792,88 1,708 Combinar
Dic. 2004
956.052,38 1,323 Combinar 1.137.710,50 1,575 Combinar 1.045.612,38 1,447 Combinar 1.480.037,38 2,049 Combinar 1.469.415,25 2,084 Combinar 1.125.027,13 1,756 Combinar
1.171.346,25 1.153.988,59 1.196.876,38 1.421.811,63 1.216.600,46 1.157.751,62
21 22 23 24 25
1.321.200,50 2,063 Combinar 1.240.016,00 1,936 Combinar 1.175.374,25 1,835 Combinar 1.778.854,75 2,500 Mutación 1.174.668,50 1,834 Combinar
1.002.147,88 1,565 Combinar 1.159.743,25 1,811 Combinar 838.597,81 1,309 Combinar 1.354.209,63 2,114 Combinar 1.109.202,75 1,732 Combinar
878.259,88 1,371 Combinar 851.978,44 1,330 Combinar 1.152.444,25 1,799 Combinar 1.396.014,88 2,180 Combinar 923.343,88 1,442 Combinar
640.494,44 1,000 Reproducir 640.494,44 1,000 Reproducir 640.494,44 1,000 Reproducir 640.494,44 1,000 Reproducir 640.494,44 1,000 Reproducir
1.301.939,25 2,033 Combinar 1.012.183,94 1,580 Combinar 1.334.950,13 2,084 Combinar 1.001.030,38 1,563 Combinar 1.175.307,38 1,835 Combinar
1.010.489,19 1,578 Combinar 1.407.946,38 2,198 Combinar 918.007,56 1,433 Combinar 1.472.030,63 2,298 Combinar 1.053.953,75 1,646 Combinar
900.970,31 1,407 Combinar 1.200.845,00 1,875 Combinar 1.583.524,13 2,472 Mutación 1.551.892,50 2,423 Mutación 1.317.197,00 2,057 Combinar
956.748,06 1,494 Combinar 849.316,06 1,326 Combinar 767.582,19 1,198 Combinar 882.395,63 1,378 Combinar 829.141,56 1,295 Combinar
1.124.262,25 1,755 Combinar 900.855,19 1,406 Combinar 924.256,19 1,443 Combinar 1.101.033,38 1,719 Combinar 940.381,50 1,468 Combinar
1.139.950,50 1,780 Combinar 951.735,88 1,486 Combinar 1.170.319,00 1,827 Combinar 1.344.508,25 2,099 Combinar 1.104.683,13 1,725 Combinar
1.179.873,13 1,842 Combinar 867.697,81 1,355 Combinar 1.512.994,50 2,362 Combinar 1.481.038,88 2,312 Mutación 1.056.914,00 1,650 Combinar
917.757,13 1,433 Combinar 1.224.047,25 1,911 Combinar 1.074.577,63 1,678 Combinar 1.352.198,63 2,111 Combinar 1.200.376,50 1,874 Combinar
751.310,19 1,173 Combinar 1.103.769,38 1,723 Combinar 851.998,50 1,330 Combinar 1.207.950,13 1,886 Combinar 966.606,63 1,509 Combinar
1.812.868,50 2,500 Mutación 1.502.572,88 2,346 Combinar 1.308.143,50 2,042 Combinar 1.773.487,63 2,500 Mutación 1.343.741,88 2,098 Combinar
1.022.971,25 1,597 Combinar 998.740,69 1,559 Combinar 922.487,06 1,440 Combinar 1.251.528,88 1,954 Combinar 1.160.155,13 1,811 Combinar
2.098.470,25 2,500 Mutación 2.055.396,63 2,500 Mutación 1.943.046,25 2,500 Mutación 1.853.228,63 2,500 Mutación 1.875.945,25 2,500 Mutación
1.591.350,50 2,485 Combinar 1.282.944,75 2,003 Combinar 1.067.621,00 1,667 Combinar 1.005.462,69 1,570 Combinar 1.427.543,88 2,229 Combinar
1.143.234,38 1,785 Combinar 1.379.427,63 2,154 Combinar 1.627.815,63 2,500 Mutación 1.261.619,00 1,970 Combinar 1.168.197,50 1,824 Combinar
808.949,25 1,263 Combinar 1.400.149,25 2,186 Combinar 1.005.395,00 1,570 Combinar 1.086.590,00 1,696 Combinar 1.371.484,38 2,141 Combinar
1.824.032,13 2,500 Mutación 1.032.476,75 1,612 Combinar 1.133.477,50 1,770 Combinar 1.201.168,38 1,875 Combinar 839.891,63 1,311 Combinar
1.171.363,95 1.153.116,88 1.147.655,33 1.299.836,86 1.133.961,53
Porcentajes de selección
Reproducción : 10%
Combinación : 70%
Mutación : 20%
45
En la hoja llamada “Hoja1” se relaciona la siguiente que los utilizan (puntos finales de las permeabilidades
información: tiempo de máquina, evolución de los in- relativas y los parámetros geoestadísticos).
dividuos durante las 20 generaciones, individuo rey en
cada generación, los porcentajes de selección definidos Para validar el modelo obtenido se calcularon los
por el usuario y finalmente los puntos piloto seleccio- percentiles 10, 20, 30, …, 80, 90 y 100 para todos
nados por el programa. En la Tabla 2, se observan todos los datos que componen cada propiedad petrofísica
los datos anteriores a excepción de los puntos piloto, (porosidad, permeabilidad y saturación de agua) y se
estos no se incluyeron debido a la magnitud de datos compararon con los percentiles 10, 20, 30, …, 80, 90
generados y a que estos no son un factor concluyente y 100 del individuo 2 de la población inicial, este in-
del método y se usan para revisar el comportamiento dividuo fue seleccionado aleatoriamente entre los 20
del programa. individuos (realizaciones) generadas como población
inicial. Los resultados obtenidos se pueden observar
En la hoja llamada “Cromosomas” se presentan las en la Tabla 3.
tablas de equivalencias generadas para los cromosomas
binarios, estas tablas son utilizadas por el programa para Adicional al cálculo de los percentiles, se hicieron
codificar y descodificar los valores de las variables gráficas donde se puede evidenciar el comportamiento
1 1 1 1
5 5
5 5 2 2
0 0
1 1 2 2
0 0 5 5
Permeabilidad_X
0,000100 75 150 225 300
Figura 16. Representación variación permeabilidad

Tabla 3. Percentiles propiedades petrofísicas (modificadas)
Percentiles Porosidad Percentiles Permeabilidad

Individuo Inicial Individuo Final Individuo Inicial Individuo Final
10% 0,000 10% 0,000 10% 0,00 10% 0,00
20% 0,000 20% 0,000 20% 0,00 20% 0,00
30% 0,000 30% 0,000 30% 0,00 30% 0,00
40% 0,000 40% 0,000 40% 0,00 40% 0,00
50% 0,056 50% 0,010 50% 3,42 50% 1,38
60% 0,097 60% 0,086 60% 8,20 60% 6,70
70% 0,148 70% 0,124 70% 24,66 70% 15,77
80% 0,196 80% 0,174 80% 71,06 80% 48,87
90% 0,227 90% 0,210 90% 147,25 90% 102,82
100% 0,316 100% 0,320 100% 579,36 100% 994,79
Percentiles Sat. Agua

Individuo Inicial Individuo Final
10% 0,311 10% 0,315
20% 0,356 20% 0,351
30% 0,420 30% 0,409
40% 0,495 40% 0,479
50% 0,563 50% 0,543
60% 0,647 60% 0,607
70 0,933 70% 0,900
80% 1,000 80% 1,000
90% 1,000 90% 1,000
100% 1,000 100% 1,000
de la propiedad, en el individuo inicial y en el individuo CONCLUSIONES

final. En este trabajo se muestra el comportamiento de
la permeabilidad en seis capas del modelo de simula-
ción (1, 5, 10, 15, 20 y 25). La Figura 16, muestra las
capas que se relacionaron anteriormente, teniendo en • Se ha logrado aplicar una metodología algorítmica
cuenta que la capa 1 es la base (más profunda) y la para obtener un modelo de distribución en 3D de las
capa 25 es el tope (superior) de la zona “C” después propiedades petrofísicas condicionado a los datos
de ser escalada. estáticos y dinámicos disponibles para una parte
del área 7 del campo La Cira (yacimiento fluvial),
Se evidencia que las propiedades petrofísicas han con éxito.
sido modificadas dentro de ciertos rangos permitidos,
logrando de esta forma mejorar el ajuste histórico (Fi-
gura 14) y disminuyendo el valor de la función objetivo • En este trabajo, se muestra que la computación evo-
de 1’663,364 en la primera generación a 640,494 en la lutiva puede ser aplicada con éxito como herramienta
vigésima generación (Tabla 2). para la caracterización de yacimientos de hidrocarbu-

ros condicionando el modelo geológico y estructural • La metodología mostró ser una técnica apropiada
a los datos de producción. para encontrar descripciones de yacimientos que
hacen honor a los datos de producción, información
de los pozos y a los rasgos geológicos; además es
• Tal como se evidencia en la Tabla 2 (Relación capaz de manejar gran cantidad de parámetros, lo
evolución individuos), la función objetivo se va re- cual es un problema cuando se trabaja en modelos
duciendo, al igual que los valores promedio de las de simulación de yacimientos.
funciones objetivo en cada generación. Esta mejoría
se puede ver en las Figuras 14 y 16.
• La metodología fue aplicada exitosamente en la parte
superior de las arenas “C” de 3 patrones inyección/
• Para aplicar la metodología se elaboró un programa producción (12 pozos) del área 7 del Campo La Cira,
llamado INVERDINAMICA ©, desarrollado en pla- este es un yacimiento heterogéneo de ambiente de
taforma PC y bajo ambiente Windows; el programa depositación fluvial.
fue compilado, y presentado como un ejecutable.
• El análisis de la conectividad de las arenas es un méto-

• Esta metodología ayudará, a los ingenieros de yaci- do efectivo para clasificar las realizaciones litológicas
mientos, a realizar la calibración (ajuste histórico) del y de esta forma se puede hacer una selección rápida
modelo propuesto, disminuyendo las horas hombre de modelos ubicados en algún percentil en particular.
requeridas para realizar este proceso. En esta tesis el percentil utilizado fue el P-50.
• La combinación de los AGs (método de optimi- • Para este estudio en particular, se encontró que la
zación global), el método de los puntos piloto, la incertidumbre generada en la determinación de la
Simulación Gaussiana Secuencial (modelamiento Saturación de Agua, después de 30 años de produc-
geoestadístico) y la simulación streamline (simu- ción primaria, es mucho más significativa que la
lador numérico) proporcionan una herramienta ro- proveniente del cálculo del volumen de arcilla. Por
busta para ser utilizada en la solución de problemas esta razón, se cambió el volumen de arcilla por la
inversos aplicados a la industria del petróleo. Se saturación de agua.
genera de esta forma una solución muy económica
en términos de costo computacional, eficiente y
totalmente automática. • El concepto utilizado para diseñar la metodología de
los AGs es tan universal que permite ser modificada
fácilmente, y se adecua a las condiciones del proble-
• La técnica definida en este trabajo puede ser aplica- ma propuesto.
da tanto a yacimiento en producción primaria como
en yacimientos sometidos a la inyección de agua.
Para yacimientos en recobro primario se haría ne- • Al comparar los resultados obtenidos por el simu-
cesario el uso de un simulador convencional, como lador con los datos históricos, se observa que aún
consecuencia, los tiempos de cómputo aumentarán existen diferencias significativas en la producción
considerablemente. al momento de la irrupción del agua, este problema
se debe más a condiciones operativas que al método
propuesto; se puede observar que el pozo La Cira
• Utilizar un modelo sin escalar, es posible, ya que el 1210 es el que mejor ajusta tanto en la tasa de pro-
simulador de streamline permite su uso y, segura- ducción como en el corte de agua, esto se explica
mente, con el mejoramiento de las velocidades de fácilmente al considerar su ubicación estratigráfica
cómputo en los equipos venideros, será posible obviar (parte baja de la estructura), lo que implica que la
los errores que se generan al escalar los modelos. cantidad de gas libre al inicio de la inyección era

menor que la de los otros dos pozos; el pozo con BIBLIOGRAFÍA

menor ajuste es La Cira 1214 donde se observa que
el corte de agua del simulador aumenta rápidamen-
te comparado con el corte de agua histórico. Puede Bäck, T., 1996. “Evolutionary algorithms in theory and
decirse que este es el pozo estructuralmente más practice”. Oxford University Press, New York.
alto, y por lo tanto, el que tiene mayor efecto por
Baker, J. E., 1985. “Adaptive selection methods for genetic
presencia de gas. Esta condición no es compatible algorithms”. Grefenstette, J. J. ed., Proceedings of the
con el simulador streamline, ya que este no maneja First International Conference on Genetic Algorithms
fluidos compresibles. and their Applications, Lawrence Erlbaum Associates,
Hillsdale, New Jersey.
RECOMENDACIONES Batycky, R. P., 1997. “A three-dimensional two-phase field

scale streamline simulator”. PhD Thesis, Stanford Uni-
versity, Dept. of Petroleum Engineering, Stanford, CA.
• No se evaluaron los beneficios de aplicar un
método de optimización local en el individuo rey al Batycky, R. P., Blunt, M. J., and Thiele, M. R., 1997. “A 3D
terminar la ejecución del Algoritmo Genético, por falta Field Scale Streamline-Based Reservoir Simulator”, SPE
de tiempo. Se recomienda evaluar la implementación Reservoir Engineering, 246-254.
de un método de optimización local al finalizar la
Bernal, M. C., 1992. “Modelos de caracterización del ya-
ejecución del AG.
cimiento: geológico, de distribución de fluidos y petro-
• Aumentar las propiedades petrofísicas en conside- físicos”. Ecopetrol.
ración, incluyendo el volumen de arcilla como variable;
Bissell, R. C., Dubrule, O., Lamy, P., Swaby, P. and Lepine,
incorporar parámetros adicionales tales como la presión O., 1987. “Combining geostatistical modelling with
capilar, propiedades PVT, características del acuífero, gradient information for history matching: the pilot
Skin, etc. point method”. Paper SPE 38730, presented at the 1997
SPE Annual Technical Conference and Exhibition, San
• La versión actual del software INVERDINAMI- Antonio, Texas, 5-8.
CA© es la 2003.2, se recomienda continuar trabajando
en el mejoramiento de este programa implementando Bradley, H., 1987. “Petroleum engineering handbook”. So-
más características que lo hagan más flexible. Durante ciety of Petroleum Engineers, Richardson, Texas.
el desarrollo de este trabajo de investigación se gene-
raron varias aplicaciones programadas en VBA (Visual Buckley, S. E. and Leverett, M. C. 1942. “Mechanisms
Basic para Aplicaciones) en Microsoft Excel, las cuales of fluid displacement in sands”. Trans., AIME 146,
107-116.
se deben continuar desarrollado y finalmente, deben
ser integradas a INVERDINAMICA©, automatizando Bush, M. D. and Carter, J. N., 1996. “Application of a mo-
el proceso completo. dified genetic algorithm to parameter estimation in the
petroleum industry”. Dagli et al. eds., Intelligent Engi-
neering Systems through Artificial Neural Networks 6,
AGRADECIMIENTOS ASME Press, New York, 397-402.
Caers, J., Krishnan, S., Wang, Y. D., and Kovscek, A. R.,

Los autores quieren expresar su agradecimiento a 2001. “A geostatistical approach to streamline-based
Ecopetrol S.A. por la financiación de la totalidad de history matching”. In proceedings of the Stanford Center
este proyecto y al Instituto Colombiano del Petróleo for Reservoir Forecasting, Stanford, CA.
(ICP) por el apoyo logístico brindado. A los Ingenieros
Jorge Mantilla V., Edgar Martínez H. y Edwin Pineda Calvete, F., 2001. “Computación evolutiva: algoritmos ge-
C. por su ayuda incondicional. néticos y simulated annealing, técnicas meta-heurísticas
de optimización en ingeniería de petróleos”. IX Congreso
Colombiano del Petróleo, Asociación Colombiana de In-
genieros de Petróleos (ACIPET), Bogotá.

Carrillo, L. F., 1990. “Análisis petrofísicos especiales Goldberg, D. E. and Deb, K., 1991. “A comparative analy-
de corazones, pozo La Cira 1884”. Ecopetrol – ICP, sis of selection schemes used in genetic algorithms”.
Piedecuesta. Rawlins, G. J. E. (ed.), Foundations of Genetic Algori-
thms, Morgan Kaufmann.
Chen, W. H., Gavalas, G. R., Seinfeld, J. H., And Wasserman,
M. L., 1974. “A new algorithm for automatic history Gomez, S., Gosselin, O., and Barker, J. W., 1999. “Gradient-ba-
matching”. SPEJ, 593-608. sed history-matching with a global optimization method”.
Paper SPE 56756 presented at the 1999 SPE Annual Tech-
Corey, A. T., 1954. “The interrelation between gas and oil nical Conference and Exhibition, Houston, Texas, 3-6.
relative permeabilities”. Producers Monthly, 38-41.
Holland, J. H., 1975. “Adaptation in natural and artificial
Cuypers, M., Dubrule, O., Lamy, P. and Bissell, R., 1998. “Op- systems: an introductory analysis with applications to
timal choice of inversion parameters for history-matching biology, control, and artificial intelligence”. University
with the pilot point method”. Proceeding of the Sixth Euro- of Michigan Press, Ann Arbor, Michigan.
pean Conference on the Mathematics of Oil Recovery.
Idrobo, E. A. 1999. “Characterization and ranking of reservo-
Dake, L. P., 1978. “Fundamentals Of Reservoir Enginee- ir models using geostatistics and streamline simulation”.
ring”. Developments in Petroleum Science 8, Elsevier, PhD Dissertation, Texas A&M University.
Amsterdam.
Jensen, J., Lake, L., Corbett, P., and Goggin, D., 1997. “Sta-
Davis, L., 1991. “Handbook of genetic algorithms”. Van tistics for petroleum engineers and geoscientists”. Pren-
Nostrand Reinhold, New York. tice Hall Petroleum Engineering Series, New Jersey.
De Jong, K. A., 1975. “An analysis of the behavior of a Lobo, A., 1999. “Evaluación integrada de yacimientos,
class of genetic adaptive systems”. Ph.D. dissertation, campo La Cira-Infantas”. Ecopetrol, Bogotá
University of Michigan, Ann Arbor.
Martínez, J., 1990. “Fundamentos de algoritmos genéticos”.
Dengo, C. A. and Covey, M. C., 1993. “Structure of the II Congreso Colombiano de Neurocomputación, Univer-
Eastern Cordillera of Colombia: Implications for Trap sidad Nacional de Colombia, Bogotá.
Styles and Regional Tectonics”. AAPG Bulletin, 77/8,
1315-1337. Mitchell, M., Forrest, S., and Holland, J. H., 1992. “The
royal road for genetic algorithms: fitness landscapes and
Deschamps, T., Grussaute, T., Mayers, D. and Bissell, R., ga performance”. Varela, F. J. and Bourgine, P., (eds.),
1998. “The results of testing six different gradient opti- Towards a Practice of Autonomous Systems, Procee-
misers on two history matching problems”. Proceedings dings of the First European Conference on Artificial
of the Sixth European Conference on the Mathematics Life, MIT Press.
of Oil Recovery.
Mitchell, M., 1996. “An introduction to genetic algorithms”.
Deutsch, C. V. and Journel, A. G. 1998. “GSLIB: Geostatis- The MIT Press, Cambridge, Massachusetts.
tical software library and user’s guide”. second edition,
Oxford University Press, New York. Ouenes, A., 1992. “Application of simulated annealing to
reservoir characterization and petrophysics inverse pro-
Deutsch, C. V. 1998. “Fortran programs for calculating blems”. PhD Thesis, New Mexico Institute of Mining
connectivity of three-dimensional numerical models and Technology.
and for ranking multiple realizations”. Computers &
Geosciences, 241, 69. Ramon, J.c., 1997. “Characterización and prediction of reser-
voir architecture and petrophysical properties in fluvial
Dykstra, H. and Parsons, H. L. 1950. “The prediction of oil channel sandstones, Middle Magdalena Basin, Colom-
recovery by waterflooding”. Secondary Recovery of Oil bia”. CT&F - Ciencia, Tecnología y Futuro, Piedecuesta,
in the United States, 2nd ed., API, New York, 160-174. Santander: Ecopetrol, ICP , 1: 3.
Goldberg, D. E., 1989. “Genetic Algorithms in Search, Op- Renard, Ph. and De Marsily, G., 1997. “Calculating equi-
timization, and Machine Learning”. Addison-Wesley valent permeability: a review”. Advances in Water Re-
Publishing Company, Inc., Reading, Massachusetts. sources, 20: 253-278.

Romero, C.E., 2000. “A genetic algorithm for reservoir cha- Wright, A. H., 1991. “Genetic algorithms for real parame-
racterisation using production data”. PhD Dissertation, ter optimisation”. Rawlins, G. J. E. ed., Foundations of
University of London, Royal School of Mines. Genetic Algorithms, Morgan Kaufmann.
Romero, C. E., Carter, J. N., Gringarten, A. C. and Zimmer- Wu, Z., Reynolds, A. C. and Oliver, D. S., 1998. “Condi-
man, R. W., 2000. “A modified genetic algorithm for tioning geostatistical models to two-phase production
reservoir characterization”. SPE 64765, SPE Internatio- data”. SPEJ, 4 (2).
nal Oil and Gas Conference and Exhibition, Society of
Petroleum Engineers, Beijing. Yang, P-h. and Watson, A. T., 1987. “Automatic history ma-
tching with variable-metric methods”. Paper SPE 16977
Romero, C. E., Carter, J. N., Gringarten, A. C. and Zimmer- presented at the SPE 62nd Annual Technical Conference
man, R. W., 2000. “Improved reservoir characterization and Exhibition, Dallas, Texas, 27-30.
through evolutionary computation”. SPE 62942, SPE
Zalzala, A. M. and Fleming, P. J., 1997. “Genetic algorithms
Annual Technical Conference and Exhibition, Society of
in engineering systems”. The Institution of Electrical En-
Petroleum Engineers, Dallas.
gineers, London, U.K.
Reyes, A., Fajardo, A. and Ballesteros, R., 1989. “Des-
cripción macropetrográfica del pozo La Cira 1884”.
Ecopetrol-ICP, Piedecuesta.
Satter, A. and Thakur, G. C., 1994. “Integrated petroleum

reservoir management: a team approach”. Penn Well
Publishing Company, Tulsa, Oklahoma.
Sen, M. K., Datta-gupta, A., Stoffa, P. L., Lake, L. W. and

Pope, G. A., 1995. “Stochastic reservoir modeling using
simulated annealing and genetic algorithms”. SPE For-
mation Evaluation, 49-55.
Stoffa, P. L. and Sen, M. K., 1991. “Nonlinear multiparameter

optimization using genetic algorithms: inversion of plane-
wave seismograms”. Geophysics, 56, 1794-1810.
Surry, P. D. and Radcliffe, N. J., 1997. “Real representa-

tions”. Belew, R.K. and Vose, M.D., eds.. Foundations
of Genetic Algorithms 4, Morgan Kaufmann Publishers,
San Francisco, California.
Thomas, L. K., Hellums, L. J. and Reheis, G. M., 1971. “A

nonlinear automatic history matching technique for re-
servoir simulation models”. Paper SPE 3475 presented
at the SPE, 46th Annual Fall Meeting, New Orleans,
Louisiana, 3-6.
Wang, Y. and Kovscek, A. R.,2000. “Streamline approach

for history matching production data”. SPE Journal,
(4): 353-362.
Whitley, D., 1999. “A free lunch proof for gray versus binary
encodings”. Proceedings of the Genetic and Evolutiona-
ry Computation Conference, Banzhat, W., eds., Morgan
Kaufmann, San Francisco.

Caracterizacion Dinamica de Yacimientos Estratigraficamente Complejos

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Caracterizacion Dinamica de Yacimientos Estratigraficamente Complejos

Загружено:

Авторское право:

Доступные форматы

CT&F Ciencia, Tecnología y Futuro

Instituto Colombiano del Petróleo

Red de Revistas Científicas de América Latina y el Caribe, España y Portugal

Universidad Autónoma del Estado de México

(Recibido Junio 11 de 2003; Aceptado Septiembre 20 de 2004)

Palabras claves: caracterización de yacimientos, modelamiento geoestadístico, simulación streamline, algoritmos

* A quien debe ser enviada la correspondencia

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 23

24 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

INTRODUCCIÓN los resultados obtenidos se utilizó el streamline

El proceso de caracterización de yacimientos tiene El objetivo de la metodología propuesta es mejorar

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 25

permebilidades propiedades parámetros

parámetros simulción puntos

Figura 1. Esquema general metodología propuesta

26 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

(Deutsch et al., 1998). 4

Los datos de las propiedades se encuentran organi- 6

radas y los 20 individuos. Adicionalmente, los puntos 1 2 3 4 5 6 7 8 9 10 11 12

finales de las permeabilidades relativas se encuentran puntos piloto

en otro archivo plano. Figura 2. Arreglo bidimensional puntos piloto

El programa diseñado hace uso de la dependencia

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 27

28 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

Figura 3. Estructura del genoma no-estándar (Romero, 2000)

Cromosomas de propiedades petrofísicas Cromosomas misceláneos

Figura 4. Arreglo tridimensional para los puntos piloto (Romero, 2000)

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 29

El cromosoma que incluye los parámetros de las

30 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

Donde: ��� ������� � �� � = ������� ��� ���� � � (3)

Aptitud (ni, ng): es el valor de la aptitud de un indi-

Estrategias de selección Al valor máximo obtenido se le aplican los porcentajes

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 31

Donde: Sin embargo, en una misma generación uno o más

32 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

Capa Corte Seleccionada

INDIVIDUO "A" INDIVIDUO "B"

Figura 5. Combinación cromosomas tridimensionales

Celdas Seleccionadas Mutación

Figura 6. Mutación cromosomas tridimensionales

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 33

Simulación gaussiana secuencial El campo La Cira-Infantas esta localizado en la

34 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

San Pablo Las Garzas Cristalina

Figura 7. Mapa ubicación campo La Cira (ECP, 1999)

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 35

Arenas 116 1100

36 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

vertical entre las diferentes unidades de la zona “C”

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 37

Litología Unidades Facies petrofísico que se utilizó para determinar la porosidad

C2B PB El espesor promedio para el intervalo seleccionado

C2G PB En términos generales se pueden dividir las dos

38 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

250 0 250 500 750 m 250 0 250 5

Figura 11. (a) Mapa estructural marcador C1D

CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004 39

206 1184 1206 1184

250 0 250 500 750 m

Figura 11. (b) Mapa estructural marcador C3CB

40 CT&F - Ciencia, Tecnología y Futuro - Vol. 2 Núm. 5 Dic. 2004

Figura 12. Área descripción petrofísica

Figura 13. Representación gráfica del yacimiento

Donde: �� = �� (3)