Академический Документы
Профессиональный Документы
Культура Документы
INTRODUCCIÓN.-
El modelo preciso del reservorio es necesario para predecir de manera confiable el
rendimiento de la producción. Inicialmente, el análisis estratigráfico y petrográfico de
núcleos, la correlación de troncos y los principales tipos de rocas se combinan para
describir varios cuerpos sedimentarios o "facies" que tienen atributos físicos, químicos
y biológicos distintos dentro de la formación (Monroe, 1992). Dentro de una facie dada,
las propiedades del yacimiento pueden variar significativamente. Esta variación ha
conducido a una subdivisión adicional conocida como unidades de flujo. Las unidades
de flujo son regiones en la secuencia sedimentaria que controlan el flujo de fluidos
dentro del reservorio (Hearn, 1984). Las unidades de flujo se definen no solo por sus
características geológicas y su posición en la secuencia vertical, sino también por sus
propiedades petrofísicas, especialmente la porosidad y la permeabilidad. Se utilizan
ciertos rangos de porosidad y permeabilidad para subdividir el reservorio en varias
unidades de flujo (Hearn, 1984). Una unidad de flujo es un volumen del yacimiento total
de roca dentro del cual las propiedades geológicas y petrofísicas que afectan el flujo de
fluido son internamente consistentes y predeciblemente diferentes de las propiedades
de otros volúmenes de roca (Ebanks, 1987). Las investigaciones en el subsuelo y en los
afloramientos superficiales han demostrado que las unidades de flujo no siempre
coinciden con las litofacies geológicas. El enfoque de unidad de flujo proporciona un
medio para subdividir de manera única los reservorios en volúmenes que se aproximan
a la arquitectura de un reservorio a una escala consistente con las simulaciones de
reservorios. El modelo de unidad de flujo proporciona la descripción más completa del
yacimiento, ya que permite la interpretación de muchas de las propiedades geológicas
y petrofísicas en la descripción del yacimiento, lo que conduce a una mejor recuperación
y manejo del yacimiento (Slatt y Hopkins 1988).
Se han propuesto varias técnicas en la literatura para la identificación de las unidades
de flujo (Amaefule, et al. 1993 y Gunter, et al. 1997). Las técnicas para la identificación
de unidades de flujo dependen de la disponibilidad de permeabilidad y porosidad del
análisis del núcleo. Los análisis de núcleo generalmente están disponibles para solo
unos pocos pozos en un reservorio. La porosidad también puede evaluarse a partir de
los datos de registro de pozos, que están disponibles para la mayoría de los pozos en
el reservorio. Sin embargo, la necesidad de datos de permeabilidad limita
significativamente la identificación de unidades de flujo en reservorios mediante técnicas
estadísticas. El objetivo de este estudio fue desarrollar una metodología para la
caracterización de yacimientos con datos de permeabilidad limitada.
ANTECEDENTES.-
La cuenca de los Apalaches tiene numerosos yacimientos petrolíferos abandonados o
marginalmente productivos. Una gran cantidad de petróleo permanece en estos
reservorios; sin embargo, el desarrollo adicional de estos reservorios o reservorios
similares en otras cuencas se ve obstaculizado por la falta de datos suficientes para
evaluar su potencial y predecir su desempeño. El parámetro clave para la predicción de
la unidad de flujo y la caracterización del yacimiento es la distribución de la
permeabilidad. En los reservorios donde las mediciones de permeabilidad no son
abundantes, la permeabilidad debe predecirse a partir de los datos de registro de pozo.
Los valores de permeabilidad estimados pueden utilizarse para definir las unidades de
flujo. Las técnicas estadísticas a menudo no alcanzan la precisión necesaria para la
predicción de la permeabilidad. Nuestra investigación previa (Aminian et al 2000 and
2001a) y la literatura publicada (Mohaghegh et al 1996), indican que las redes
neuronales artificiales son superiores a los métodos estadísticos para predecir la
permeabilidad de los datos de registro de pozos debido a su excelente capacidad de
reconocimiento de patrones.
La red neuronal artificial es un esquema informático de inspiración biológica que procesa
datos y aprende de forma paralela y distribuida. Las redes neuronales artificiales
aprenden la naturaleza de la dependencia entre las variables de entrada y salida. El
aprendizaje se basa en el reconocimiento de patrones, que es uno de los puntos fuertes
de las redes neuronales. La red clasifica nuevos patrones y predice una salida basada
en los patrones aprendidos. Las redes neuronales a menudo tienen aplicación cuando
las relaciones de los parámetros son demasiado complicadas o requieren demasiado
tiempo para resolverse a través de métodos convencionales. Hay dos tipos de redes
neuronales: supervisadas y no supervisadas. La red no supervisada clasifica un
conjunto de datos en un número específico de categorías. La red no supervisada más
común es la red de Kohonen que tiene una arquitectura simple de una capa de entrada
y salida. Al igual que con todas las redes no supervisadas, la red de Kohonen recibe los
datos de entrada y aprende sin que se muestre la salida correcta.
Las redes supervisadas clasifican patrones y toman decisiones basadas en los patrones
de entradas y salidas que han aprendido. Proporcionar respuestas correctas es una
parte integral del proceso de aprendizaje o capacitación. La propagación hacia atrás es
un tipo de red supervisada común. Una ANN típica tiene tres capas (entrada, media u
oculta, y capa de salida). Cada capa está conectada a la siguiente capa neuronal. Como
resultado, la salida de la primera capa se convierte en la entrada para la siguiente capa.
La ANN aprende ajustando repetidamente la ponderación de las entradas hasta que los
resultados producidos sean similares a las salidas correctas en el conjunto de
entrenamiento. Como resultado de la ponderación no lineal, la red neuronal puede
manejar problemas muy complejos. Una ANN confiable debe poder predecir una salida
razonable para los datos de entrada que la red no ha visto anteriormente.
La base de datos que se introducirá en la red neuronal se divide en tres grupos
(entrenamiento, prueba, verificación). El conjunto de entrenamiento se utiliza para
entrenar y crear la red. La salida real de los datos del conjunto de entrenamiento se
utiliza para desarrollar los pesos en la red. A intervalos establecidos, el conjunto de
pruebas se utiliza para evaluar la capacidad predictiva de la red. La capacitación
continúa siempre que el error calculado entre las salidas reales y previstas para el
conjunto de pruebas esté disminuyendo. Normalmente, el 80% de los datos se utiliza
para pruebas y entrenamiento. El otro 20% de los datos se clasifica como verificación o
conjunto de producción. El conjunto de verificación está reservado y no se muestra a la
red. El conjunto de verificación se utiliza para determinar si la red recién construida
puede predecir con precisión los resultados de salida.
OBJETIVO Y METODOLOGÍA.-
El objetivo de esta investigación fue desarrollar una metodología para la caracterización
de yacimientos con datos de permeabilidad limitada. Más específicamente, el objetivo
de este estudio fue desarrollar una metodología para predecir la distribución de las
unidades de flujo y la permeabilidad utilizando datos de registro de pozo. La metodología
empleada en este estudio consiste en la selección de campo y la recopilación de datos,
la identificación de unidades de flujo utilizando métodos estadísticos y ANN, la
predicción de permeabilidad utilizando ANN y la predicción de unidades de flujo
utilizando ANN. Los diversos pasos que se emplearon en este estudio se resumen en
las siguientes secciones.
PREDICCION DE PERMABILIDAD.-
Los métodos de identificación de flujo previos dependían de la disponibilidad de datos
de permeabilidad para definir las unidades. Ante la ausencia de datos de registro es
necesario estimar la permeabilidad. Las investigaciones previas (ARMINIAN 2000)
indicaban que no había suficiente precisión para la predicción de permeabilidad. En este
estudio ANN fue utilizada para la predicción de permeabilidad de datos de registro
porque presentan una habilidad superior sobre los métodos para el reconocimiento de
patrones. Para descubrir la compleja relación entre los datos de registro de pozo y
permeabilidad fue utilizado la red más supervisada. El más apropiado ANN para este
problema es una propagación hacia atrás de 3 capas con 3 bloques en la capa del
medio, cada bloque tiene una función diferente de activación basado en estudios
previos. Las entradas en esta red fueron similares a las de Kohonen excepto en los
valores previstos de permeabilidad que fueron objetos de salida durante el
entrenamiento y muestreo. Para verificar la precisión de las predicciones de
permeabilidad por ANN, los datos de uno de los 6 pozos de estudio se reservaron como
conjunto de verificación.
subsecuentemente, se capacitó a una red utilizando los datos de los 5 pozos restantes.
este proceso se repitió para cada uno de los seis pozos de estudio. Los datos
disponibles (de 5 pozos) se dividieron en conjuntos de entrenamiento y pruebas. el
conjunto de pruebas generalmente comprende alrededor del 15 por ciento de los datos.
finalmente, los datos de registro del pozo de verificación se usaron como entrada para
que la red capacitada prediga la permeabilidad. las predicciones de ANN se compararon
con las permeabilidades reales para el pozo de verificación y se determinó un coeficiente
de correlación 𝑅 2 − 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 estaba determinado.
La serie inicial de las carreras con ANN no generó resultados aceptables. la presencia
de unidades de flujo en el depósito indicado, las propiedades petrofísicas son diferentes
para cada unidad. por lo tanto, es razonable suponer que existe una relación separada
entre la permeabilidad y los datos de registro para cada unidad. luego se decidió incluir
la designación de unidad de flujo como parte de la entrada para ANN. Se consideraron
varios métodos para la designación de unidades de flujo. incluían las unidades de flujo
I, II y III, las unidades de flujo I, transición, II y III, y finalmente las unidades de flujo I
(combinando I y III) y II. La última designación dio como resultado predicciones de
permeabilidad significativamente mejores. sin embargo, no se pudieron lograr
resultados consistentes. La revisión de los resultados reveló que la precisión de las
predicciones depende en gran medida de la selección del conjunto de pruebas.
la práctica común es seleccionar el conjunto de prueba al azar. este procedimiento
puede dar como resultado predicciones precisas si los datos numéricos que se utilizan
para capacitar a la red son muy grandes. sin embargo, con datos limitados, la selección
aleatoria será sensible a la disposición de los datos. como resultado, se pueden
capacitar muchas redes diferentes mediante la reorganización de los datos de
capacitación. para ilustrar este problema, considere el caso donde se seleccionó el pozo
de estudio H-11 como el conjunto de verificación, mientras que los cinco pozos restantes
se organizaron de solo cinco formas diferentes, como se muestra en la tabla 1. El valor
𝑅 2- valores para cada caso también se da en Tabla 1. Como puede verse, los resultados
no son consistentes y son sensibles al conjunto de pruebas. puede parecer que uno
puede reorganizar los datos hasta que se obtenga 𝑅 2-valores razonable. El problema
con este enfoque es que para cada pozo de verificación, una disposición diferente de
los datos (o los pozos) proporcionará el 𝑅 2- valores más alto. esto conducirá a 6 ANN
totalmente diferentes para las predicciones de permeabilidad. Sin embargo, no hay
manera de evaluar cuál es el más confiable.
Para desarrollar un procedimiento que se pueda aplicar en todo el campo para predecir
la permeabilidad, se decidió utilizar un conjunto de prueba común y preseleccionado
para todos los pozos de verificación. este conjunto debe capturar las características de
los perfiles de permeabilidad total de todos los pozos. Se consideraron varias técnicas
para identificar el conjunto de prueba común. el primer método consistía en establecer
un pozo completo como conjunto de prueba, cuatro pozos se usan como conjunto de
entrenamiento y el sexto pozo se usa como conjunto de verificación. en el segundo
método, el conjunto de prueba consistió en los valores mínimo y máximo de
permeabilidad en cada pozo. el tercer método utilizó prueba y error para definir el mejor
conjunto de pruebas posible. cada uno de estos métodos dio como resultado una mejora
en la predicción de la permeabilidad de algunos de los pozos del estudio, pero no en
todos. los aspectos detallados de la selección del conjunto de pruebas y sus impactos
en la predicción de la permeabilidad se documentan en otra parte (Oyerokun 2002).
finalmente, se diseñó una metodología para la selección de pruebas comunes que
proporcionó resultados consistentes y confiables. Esta metodología se describe a
continuación.
La elección del bien, si no el mejor, es más un arte que una ciencia. sin embargo, se
sugiere la siguiente metodología para generar un modelo ANN confiable. El primer paso
es identificar la (s) entrada (s) con fuerte influencia en la salida. en este estudio, se
concluyó que el factor de mayor contribución entre las entradas era consistentemente la
densidad aparente. el segundo paso implica un gráfico de la salida deseada
(permeabilidad del núcleo) versus la entrada con la mayor contribución (densidad).
deberían hacerse intentos para linealizar esta relación. la figura 2 ilustra la gráfica de la
permeabilidad en función de la densidad aparente en una escala semi-logarítmica.
Se ilustra una línea de tendencia que representa la regresión lineal. tercero, los datos
se dividen en segmentos basados en el agrupamiento de los puntos alrededor de la
línea de tendencia. en cada segmento, se seleccionaron los puntos de permeabilidad
más altos y más bajos por encima y por debajo de la línea de tendencia, así como un
punto en la línea de tendencia para el conjunto de prueba. este enfoque proporciona a
la ANN un conjunto de pruebas que tiene una amplia variación en los valores de salida
(permeabilidad). este enfoque proporcionó una excelente predicción de permeabilidad
para todos los pozos del estudio. La tabla 2 resume y compara los resultados de la
predicción de permeabilidad para varios casos.
RESULTADOS Y DISCUSIÓN.-
El gráfico de la capacidad de almacenamiento acumulativa de capacidad de flujo es una
herramienta útil para identificar las unidades de flujo de datos de permeabilidad
detallados que están disponibles. Las mediciones de permeabilidad del mini-
permeámetro fueron la clave para el éxito de este método. La red de Kohonen fue
extremadamente útil para correlacionar las unidades de flujo y establecer la zona de
transición. La designación de estos puntos de transición desempeñó un papel
importante en el desarrollo de la red de propagación inversa para la predicción de la
unidad de flujo y las predicciones de permeabilidad posteriores. Ciertos puntos de datos
centrales por debajo de la Unidad de flujo 2 se clasificaron como unidad de flujo 1. Esto
indica que esta parte de la arena tiene una relación de porosidad y permeabilidad similar
a la unidad de flujo 1. Este descubrimiento se probó aún más a medida que se desarrolló
el modelo final de propagación en negro. Una clara ventaja del análisis de la red es que
puede aprender de todos los datos centrales y de registro disponibles de los seis pozos
de estudio. El estudio bien H-8 exhibió relaciones mixtas de permeabilidad-porosidad
De hecho; fue difícil asegurar el número de Unidades de Flujo en este análisis
estadístico bien basado estrictamente de los datos de permeabilidad-porosidad. Sin
embargo, según las características de las unidades de flujo en los seis pozos, la red de
Kohonen clasificó el pozo H-8 como la unidad de flujo 1. Esto fue útil durante la fase de
desarrollo de la red de propagación inversa para las predicciones de la unidad de flujo.
CONCLUSIONES.-
Las siguientes conclusiones fueron alcanzadas durante este estudio: