PREDICCIÓN DE UNIDADES DE FLUJO Y

PERMEABILIDAD UTILIZANDO REDES NEURONALES

ARTIFICIALES.
ABSTRACTO.-
Una descripción precisa del reservorio es necesaria para predecir el rendimiento del
reservorio. El modelo de unidad de flujo es el enfoque más práctico para fines de
simulación de yacimientos. Las unidades de flujo se definen de acuerdo con las
propiedades geológicas y petrofísicas que influyen en el flujo de fluidos en el reservorio.
La identificación de las unidades de flujo requiere datos de permeabilidad. La predicción
de la distribución de la permeabilidad es un problema difícil en los reservorios
heterogéneos debido a mediciones de permeabilidad insuficientes. Los registros de
pozos geofísicos son la fuente de datos más abundante en un reservorio. Por lo tanto,
una metodología bien basada en registros para predecir la permeabilidad puede mejorar
la predicción de la distribución de la unidad de flujo.
En este estudio, en un reservorio complejo se caracterizó con éxito utilizando modelos
de unidad de flujo. Se emplearon técnicas estadísticas para identificar las unidades de
flujo basadas en datos limitados obtenidos a partir del análisis del núcleo
complementado por mediciones del mini permeámetro e interpretaciones geológicas.
Luego se predijo la permeabilidad a partir del registro de pozo geofísico y las unidades
de flujo preliminares utilizando una red neuronal artificial (ANN). Se desarrolló un
enfoque innovador para la capacitación y las pruebas de la ANN que proporcionó
predicciones consistentes y confiables. Las predicciones de la red neuronal se
verificaron para los pozos con datos básicos. Los datos de registro de pozo, disponibles
en un número sustancial de pozos en el reservorio, se utilizaron para predecir las
distribuciones de las unidades de flujo, la permeabilidad y la porosidad en el reservorio.
Este enfoque llevó al desarrollo de un modelo de yacimiento confiable. La precisión del
modelo se verificó mediante una simulación exitosa del rendimiento de producción. La
metodología presentada en este documento puede servir como una nueva guía para la
caracterización de reservorios con datos básicos limitados.

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.

SELECCIÓN DE CAMPO Y RECOPILACIÓN DE DATOS.-

Un reservorio de petróleo, descubierto en 1895 en West Virginia, fue seleccionado para
su estudio. Más de 500 pozos fueron perforados en este reservorio entre 1895 y 1901.
La mayoría de estos pozos fueron tapados y abandonados para 1910. El horizonte de
producción en este reservorio es la arenisca del Alto Devónico. La formación es
extremadamente heterogénea como resultado de la estratigrafía, la estructura y el
impacto post diagenético. El grosor bruto puede ser de hasta 50 pies. El espesor
productivo varía desde 4 pies hasta 20 pies. La permeabilidad puede variar desde
menos de 5md hasta valores superiores a 250md. En 1981, se inició una inyección de
agua piloto en el campo. Basado en las recuperaciones piloto; el desarrollo procedió a
una inyección de agua a gran escala. Más de 140 pozos nuevos fueron perforados como
inyectores o productores. La recuperación secundaria del campo ha estado en progreso
desde 1987.
Los análisis de núcleo y núcleo estaban disponibles en 6 pozos que se perforaron
durante el período de evaluación de inyección de agua. Estos pozos, mencionados aquí
como B-18, B-19, H-8, H-9, H-11 y M-13, se seleccionaron para este estudio como los
pozos de estudio primarios. Además, las mediciones detalladas de la permeabilidad del
núcleo a través del minipermómetro estaban disponibles para todas las muestras del
núcleo. Estas mediciones proporcionaron valores de permeabilidad a intervalos
similares a las mediciones de registro de pozo (4 por pie). Todos los pozos, perforados
para operaciones de inyección de agua, tenían registros de densidad y rayos gamma
disponibles. Un número limitado de pozos tenía registros de resistividad disponibles. La
historia de la producción de inyección para una serie de patrones de inundación también
estaba disponible. La información disponible de las descripciones del núcleo y los
análisis del núcleo de los seis pozos se utilizaron para definir las unidades de flujo. Se
emplearon técnicas estadísticas y gráficas para identificar y verificar las unidades de
flujo basadas en la relación de permeabilidad-porosidad dentro de cada unidad de flujo.
Los datos de producción-inyección estaban disponibles a partir de varios patrones de 5
puntos. Esto ofreció la oportunidad única de verificar la descripción del reservorio
mediante la comparación del historial con un simulador de reservorio.

IDENTIFICACIÓN DE UNIDADES DE FLUJO.-

La información disponible de los seis pozos de estudio y las interpretaciones geológicas
se utilizaron para definir las unidades de flujo.Se utilizaron técnicas estadísticas para
identificar las unidades de flujo debido a la falta de datos básicos detallados, como
secciones delgadas, análisis de tamaño de grano y distribución de tamaño de garganta
de poro. La consistencia de las definiciones de unidad de flujo entere varios métodos
verificó la confianza de los resultados .La información detallada con respecto a las
técnicas estadísticas e interpretaciones geológicas solían identificar las unidades de
flujo han sido estudiadas anteriormente (Aminian 2002).La herramienta primaria para la
identificación de unidades de flujo fue el grafico de capacidad de flujo acumulado versus
la capacidad de almacenamiento acumulado (Gunter).Figura1_Iulustrado como0 un
gráfico para el estudio del pozo B-18 donde los puntos de desviación son indicadores
potenciales de limites o fronteras de las unidades de flujo. El problema es causado por
la variedad en la distancia en las mediciones consecutivas de permeabilidad de los
cores. En algunos casos, hubo una diferencia de distancia de hasta 4 pies entre las
mediciones. Nuestros estudios previos (Amiinian) habían revelado también que la
medición de permeabilidad del análisis convencional de Core no es suficiente para
correlaciones confiables entre porosidad –permeabilidad. Mediciones detalladas de
permeabilidad son requeridas para precisamente identificar fronteras o límites entre
diferentes unidades de flujo. Para superar este problema, se usaron medidas de la
permeabilidad del Core vía mini permeámetro de tal manera que se pueda desarrollar
una relación entre capacidad acumulada de almacenamiento versus capacidad de flujo
acumulada. Sin embargo, los valores correspondientes de porosidad fueron obtenidos
de registro de pozo. Estos resultados están ilustrados en la Figura 1 para el pozo B-18.
Las medidas del mini permeámetro proveyeron información valiosa sobre las diferencias
entre las medidas del Core. Mientras las gráficas generadas con el mini permeámetro
fueron instrumento en la identificación de unidades de flujo.
En la figura 1 hay 2 puntos de desviación por lo tanto existe 3 unidades de flujo
potenciales en la Figura 1. El flujo de unidad I tiene una buena porosidad y moderada
permeabilidad, la unidad de flujo II tiene una buena POROSIDAD Y ALTA
PERMEABILIDAD POR LO QUE ES Considerada COMO LA UNIDAD DE MAYOR
PRODUCIION todo esto gracias a su espesor y permeabilidad, mientras que el Flujo III
corresponde a un muy delgado espesor y de baja permeabilidad por debajo del principal
pay sand así como incertidumbre. En los pozos B-18, B-19, H-9 Y H-11 SE OBSERVA
CLARAMENTE DOS unidades de flujo. EN los pozos H-8 y M-13 solo 1. Finalmente, en
H-8 los resultados no son definitivos y en los pozos B-19 y H-11 aparece una tercera
unidad de flujo. Se notificó que las unidades de flujo están basadas en las relaciones de
porosidad-permeabilidad de cada pozo individualmente. Por lo que es necesario
correlacionar estas unidades en cada pozo para lograr esto, el ANNN ha usado datos
disponibles para clasificar los estudios de pozo en muchos grupos de acuerdo a las
similaridades de permeabilidad –tendencias de registro de datos del pozo. Para
categorizar los datos de registro de pozo se empleó una red “no supervisada” llamada
Kohonen. Esta red era provista con 4 grupos de datos de entrada, el primer grupo incluía
los rayos gamma y las lecturas de registro de densidad aparente con su respectiva
profundidad, debido a su disponibilidad en la mayoría de los pozos con respecto a la
porosidad de neutrón e inducción. El segundo grupo consistía en las primeras derivadas
de la densidad aparente y lecturas del rayo gamma con su respectiva profundidad. Este
grupo proveía información relativa a el tamaño de curva del registro. El tercer grupo
consistía en las coordenadas de pozo y los registros de las líneas de base. Finalmente,
el cuarto grupo conformado por las medidas de permeabilidad. A este punto se debe
notar que las escalas los datos de registro de pozo eran diferentes, pero Kohonen era
capaz de manejar esto. Gracias a esto se desarrollaron 3 ANN para categorizar los datos
en 2,3 y4 grupos. Sin embargo, se encontraron 2 grandes diferencias: la zona que fue
designada como flujo de unidad III fue identificada como flujo I debido a las correlaciones
de registro. Segundo Kohonen revelo puntos donde se aprecia características de ambas
unidades de flujo. El modelo del grupo 3 Kohonen tenía la habilidad de reconocer y
categorizar estas partículas en un grupo intermedio, presentando datos de registro de
pozos similares a la unidad de flujo I mientras la permeabilidad presenta similaridad a la
unidad II. Por lo tanto, fue clasificada como zona de transición.

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.

PREDICCIÓN DE UNIDAD DE FLUJO

la interdependencia de las unidades de flujo y la permeabilidad requirieron el desarrollo
de una metodología para predecir la unidad de flujo basada en los datos de registro del
pozo e independientemente de la permeabilidad. Se utilizó un conjunto de redes
supervisadas para lograr este objetivo. para verificar la precisión de las predicciones de
la unidad de flujo por ANN, uno de los 6 pozos de estudio se reservó como pozo de
verificación. posteriormente, se formó una red utilizando los datos de los 5 pozos
restantes. Este proceso se repitió para cada uno de los seis pozos de estudio.
Se desarrollaron y evaluaron dos conjuntos diferentes de redes durante este estudio. el
primer conjunto de redes de propagación inversa se entrenó al proporcionar dos
unidades de flujo como salidas objetivo. estas dos unidades eran la unidad I, que
consistía en la unidad de flujo original I y la unidad de flujo III, y la unidad de flujo II. La
designación de la unidad de flujo III como unidad de flujo I se basó en la red de Kohonen
y en los resultados de predicción de la permeabilidad. sin embargo, los resultados, como
se ilustra en la tabla 6, no fueron muy consistentes. El problema proviene de puntos que
tienen propiedades mixtas. estos puntos generalmente tienen respuestas de registro
similares a la unidad II, pero la permeabilidad es más similar a la unidad I. por lo tanto,
en ausencia de la permeabilidad como entrada, la red no es capaz de identificar
correctamente la unidad de flujo para estos puntos. para superar este problema, el
segundo conjunto de redes se entrenó al designar tres unidades de flujo como salidas
objetivo. estas unidades eran la unidad I, que consistía en el flujo original I, la zona de
transición y la unidad de flujo II identificadas por la red de Kohonen. Este conjunto de
redes predijo con éxito las unidades de flujo que incluyen la zona de transición, como lo
ilustran los 𝑅 2 – valores en la tabla 3. Los aspectos detallados de este estudio se
documentan en otra parte (Aminian et al 2002 y Thomas 2002)
DESCRIPCIÓN DEL RESERVORIO.-
Se desarrollaron una red de predicción de unidades de flujo y una red de predicción de
permeabilidad utilizando los seis pozos de estudio y la prueba común preseleccionada.
Los datos de registro de 125 pozos en el campo se utilizaron como entrada para la red
de unidades de flujo para predecir las unidades de flujo en cada uno de los 125 pozos.
Los resultados fueron utilizados como entrada para la red de predicción de la
permeabilidad para predecir las propiedades de cada unidad de flujo. El problema clave
en la aplicación de la red de predicción de la permeabilidad era la zona de transición. La
zona de transición a pesar de tener respuestas de registro similares a la unidad de flujo
2; Sus características de permeabilidad fueron similares a la unidad de flujo 1. Por lo
tanto, la predicción de la red de la unidad de flujo se modificó antes de aplicar la red de
predicción de la permeabilidad. Esto se logró reclasificando la zona de transición como
unidad de flujo 1 antes de aplicar la red de predicción de permeabilidad en un pozo con
datos de registro de pozo. Los valores de permeabilidad previstos se combinaron con
los datos de espesor de la unidad de flujo para determinar la capacidad de flujo (kh)
para cada unidad de flujo en cada pozo. Los resultados se utilizaron para generar mapas
de campo que muestran la distribución de la capacidad de flujo para cada unidad de
flujo.
El proporcionado una descripción detallada del depósito. Los resultados se verificaron
comparando el mapa de capacidad de flujo del mapa de producción primario (Aminian
et al 2002).

Se logró una verificación adicional con el historial de rendimiento de recuperación

secundaria correspondiente. Los registros de pozos recolectados, los registros de pozos
y el análisis del núcleo y de varios patrones de inundación se utilizaron para generar la
entrada necesaria para la unidad de flujo y las predicciones de permeabilidad ANN. Los
resultados de las predicciones de ANN se utilizaron para generar la descripción del
reservorio en estos patrones. Los datos del reservorio y de la producción de inyección
se utilizaron junto con un simulador de reservorio para predecir el rendimiento de la
inyección de agua en estos patrones. La información detallada sobre los estudios de
simulación está disponible en otro lugar (Aminian et al 2001, Aminian et al 2000, Gil
2000, Alla 2002 y Thomas 2002). Estos estudios han documentado claramente que el
modelado de yacimientos basado en unidades de flujo mejora significativamente la
simulación del rendimiento de la inyección de agua.

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.

La información sobre el historial de producción primaria del reservorio (Ameri et al 2001)

confirma la capacidad de flujo. Esto verificó la confiabilidad de la metodología utilizada
para caracterizar el reservorio. La comparación histórica del rendimiento de la inyección
de agua documentó claramente la ventaja del modelado de yacimientos basado en
unidades de flujo.

CONCLUSIONES.-
Las siguientes conclusiones fueron alcanzadas durante este estudio:

1. El gráfico de la capacidad de flujo acumulativa frente a la capacidad acumulada

junto con la red neuronal identificó con éxito las unidades de flujo en el
reservorio.
2. Las mediciones detalladas de la permeabilidad, como el mini-permeámetro, son
necesarias cuando se utiliza la capacidad de flujo acumulativa frente a la
capacidad de almacenamiento acumulativa para la identificación de la unidad de
flujo.
3. La red neuronal de optimización automática (Kohonen) identificó una unidad de
flujo inferior como la unidad de flujo 1 e identificó una zona de transición entre
las unidades 1 y 2.
4. Se desarrolló exitosamente una red neuronal artificial de propagación hacia atrás
para predecir la permeabilidad a partir de los datos de registro de pozos basados
en el diseño de la unidad de flujo.
5. Se desarrolló con éxito una red neuronal artificial de propagación hacia atrás
para predecir las unidades de flujo utilizando solo datos de registro de pozo.
6. El modelo de reservorio desarrollado en base a la descripción de la unidad de
flujo se verificó en comparación con el historial de producción.
Se combinaron una serie de herramientas estadísticas y redes neuronales para
identificar las unidades de flujo y, en última instancia, predecir la permeabilidad dentro
de cada combinación de unidades de flujo.