3° Congreso de Producción – IAPG Setiembre 2006 - Mendoza Optimización en la estimación de la Permeabilidad utilizando Redes Neuronales en la Formación Springhill, Yacimiento La Paz, Cuenca Austral. Buenas tardes, mi nombre es CN y a continuación le voy a presentar el trabajo ....................... realizado por ...................... Laura Petry Alejandro Trapiche Claudio Naides Petrobras Energía S.A.

CARACTERISTICAS GENERALES INFORMACION DISPONIBLE AGENDA OBJETIVO CARACTERISTICAS GENERALES INFORMACION DISPONIBLE DESARROLLO Esto es el contenido de la presentación de este trabajo. En 1° término voy a explicar el objetivo del trabajo, a continuación un resumen de las características grales, como su ubicación, geología, etc. En 2° término voy a resumen de la información disponible que se dispuso para la realización de este trabajo. Luego, explicaré como fue realizado el trabajo. Por último hablaré sobre las conclusiones del trabajo. CONCLUSIONES

OBJETIVO Generar un modelo de permeabilidad para ser utilizado en la predicción de la productividad de las diferentes facies presentes en la Formación Springhill en esta área de la Cuenca Austral. Comparar diferentes métodos de estimación de permeabilidad para obtener el mejor ajuste de esta propiedad a nivel de pozo. Los objetivos planteados en este trabajo fueron los siguientes:

UBICACION El yac La Paz se ubica en la cuenca austral, en el extremo sur de la Rep Arg, a aproximadamente a 170 km al NW de la ciudad de Rio Gallegos. Dentro de la cuenca austral se encuentra en la zona denominada de talud, donde los reservorios productivos son encontrados más profundos respecto a los yac. que se ubican en la zona de plataforma al este de la zona del talud. El 1° pozo que se perforó en esta área en el año 1982, Pba x-1 (Puesto Barros) por YPF, el cual no fue bueno. En 1995 el yac fue descubierto con el pozo LPx-1, que fue productor de gas de la Fm Springhill.

COLUMNA ESTRATIGRAFICA Barremian Oxfordian Aquí se observa las columna estratigráfica correspondiente a esta zona de la cuenca austral. La misma comienza con rocas de origen volcánico de edad jurásica, por encima se desarrollan los depósitos silicoclásticos de la Fm Springhill de origen continentales y litorales correspondientes al Barremiano-Oxfordiano. En la zona de estudio se presenta con espesores totales de hasta 100 mts. Continúa con depósitos marinos correspondientes a la Fm Palermo Aike, constituidos principalmente por pelitas, con algunos niveles mas gruesos que corresponden a depósitos deltaicos. En discordancia se depositan sedimentos que corresponden a la Fm Magallanes de edad Terciaria, principalmente de tipo marino litoral. Los niveles de reservorio productivos en la zona de talud, corresponden a la Fm Springhill, los niveles mas gruesos del Palermo Aike medio y los niveles clásticos mas gruesos de la Fm Magallanes Inferior.

A A’ Este es un mapa estructural al tope de la Fm Springhill, donde se observa la ubicación de los pozos perforados y de como se fue avanzando en la delimitación y el desarrollo del área con los nuevos pozos a partir del descubrimiento con el pozo LPx-1. La Fm Springhill se encuentra en esta posición entre una profundidad de 3100 a 3150 mts.

La unidad en esta zona presenta espesores total promedio de Springhill de 100 mts. Existe una relación entre los espesores y su posición paleoestructural, debido a que los sedimentos fueron depositados en los períodos de subsidencia y por el efecto de la compactación diferencial posterir a la coolmatación de los semigrabens del sistema rift. En esta figura se puede observar que la Fm Springhill fue dividida en 3 secuencias de menor jerarquía. La sec 1 son areniscas muy finas, arcilitas y limolitas bioturbadas y abundante glauconita. Informalmente esta unidad se la denominó FACIES BROWN. No posee propiedades de reservorio y se la interpreta como depósitos de shhoreface bajo a medio. La sec 2, apoya en contacto netocon la anterior y se compone de areniscas de grano fino a medio, estratificación entrecruzada y laminación paralela y son denominadas como FACIES YELLOW. Se la intepreta como depósitos propios de un ambiente somero con influencias de mareas. Sus propiedades petrofísicas están en el orden del 12-14 % de phi y 1 a 3 mD. Luego continúan los depósitos con la sec 3, también yace en contacto neto y discordante con las inferiores. Se compone de arenas gruesas a muy gruesas, en gral masivas ocasionalmente con estratificación difusa, que se interpretan como depósitos generados por corrrientes tractivas de alta energía. Se denominaron como FACIES ORANGE. Estas tienen las mejores propiedades petrofísicas, phi de 15% y k entre 500 mD hasta 1 y 2 D. El ciclo remata con un depósito de material fino con restos orgánicos, que se interpreta como depósitos de un ambiente de planicie costera. Se denominan FACIES GREEN. Por sus propiedades petrofísicas malas, se las considera roca sello.

En esta tabla se puede observar un resumen de las características de cada una de las facies definidas.

INFORMACION DISPONIBLE Pozos Mts de corona (mts) Sp Res. GR DT Nphi RHOB LPx-1 9  LPa-2 - LPa-3 10 LPa-4 15 LP-5 LP-6 17 PBa x-1 33 En esta tabla sepresenta un resumen de la inormación disponible en los pozos del yacimiento. Notese que por ser pozos perforados recientemente, tienen una buena información de perfiles.

INFORMACION DISPONIBLE En este slide se observa una distribución de las facies interpretadas en cada uno de los pozos.

Métodos de Estimación de la Permeabilidad Regresión Multilineales DESARROLLO Métodos de Estimación de la Permeabilidad Métodos Lineales Correlación K-Phi Ecuación de Timur Regresión Multilineales Métodos No Lineales La estimación ó determinación de la permeabilidad en los modelos estáticos de reservorios, es una de las propiedades más dificiles de evaluar. Esta depende de varios factores, que tienen que ver con el tipo de roca, granulometría, tmaños de gargantas porales, tipo y distribución de arcillas, factores diagenéticos, etc. Por lo tanto la simplificación de relacionar esta propiedad solo con la porosidad efectiva, en muchos reservorios no alcanza para obtener un valor e permeabilidad acorde con los modelos estáticos de detalle que se intentan realizar actualmente. Por lo tanto básicamente la estimación de la k se puede dividir en 2 grandes grupos: Métodos Lineales y No lineales, solo que es immportante en ambos casos intentar ó tener en cuenta el aspecto geológico que en definitiva a controlar la k. Contar los diversos métodos. Redes Neuronales

CORRELACION K-PHI Los datos de las propiedades petrofísicas obtenidos en las coronas, fue realizado a partir de datos de phi y k obtenidos en condiciones de reservorios. Lo primero que se hizo y normalmente se hace para estimar ú obtener un modelo de k, es hacer una relación k-phi con el objetivo de observar y de tener una primera aproximación de la correlación que existe entre estas 2 propiedades. En este caso se observa la baja correlación que existe entre la phi y k. Estaría indicando que valores de phi similares, los valores de k fluctúan, lo que estaría indicando que están interviniendo variables ó elementos geológicos más allá del valor de phi. En otras palabras en este caso la k no está dependiendo de la phi, sino también de las facies y dntro de estas de factores tales como la distribución de gargantas porales, tipo y distribución de arcillas, tamaño y selección de granos, etc.

LEY K-PHI En función de la relación k-phi, en este gtráfico se observa la baja correlación obtenida entre la k obtenida a partir de una ley k-phi respecto a la obtenida en cores.

ECUACION DE TIMUR Aquí se muestra el ajuste logrado entre una k obtenida de a partir de la ecuación de Timur con la de coronas.

REGRESION MULTILINEAL Aquí se observa el ajuste logrado a partir de una regresión multilineal, en donde están interviniendo mas de una curva ó propiedad petrofísica obtenida. El ajuste en este caso mejoró, pasando a un factor de correlación de 0.68

REDES NEURONALES En función de los resultados obtenidos a partir de las estimaciones realizadas con métodos lineales, se recurrió a la técnica de RN. Explicar el funcionamiento de una neurona bilológica. La mayor parte de las neuronas poseen una estructura de árbol llamadas dendritas que reciben las señales de entrada que vienen de otras neuronas a través de la uniones llamadas sinápsis. Algunas neuronas se comunican solo con las cercanas, mientras que otras se conectan con miles. Hay tres partes en una neurona: el cuerpo de la neurona, ramas de extensión llamadas dendrítas para recibir las entradas, y un axón que lleva la salida de la neurona a las desdirías de otras neuronas. La forma que dos neuronas interactuan no está totalmente conocida, dependiendo además de cada neurona. En general, una neurona envía su salida a otras por su axón. El axón lleva la información por medio de diferencias de potencial, u ondas de corriente, que depende del potencial de la neurona. Este proceso es a menudo modelado como una regla de propagación representada por la función de red u(.). La neurona recoge las señales por su sinápsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinápsis de salida. En este sentido la neurona puede ser modelada como una simple función escalón f(.). Como se muestra en la próxima figura, la neurona se activa si la fuerza combinada de la señal de entrada es superior a un cierto nivel, en el caso general el valor de activación de la neurona viene dado por una función de activación f(.).

REDES NEURONALES Neurona Artificial X0 X1 W0 X2 W1 W2 Sum Transfer Output Path Wn Processing Element Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 1) Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria. 2) Una función de activación, que modifica a la anterior. Puede no existir, siendo la salida la misma función de propagación. 3) Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la sigmoide (para obtener valores en el intervalo [0,1]) y la hiperbólica-tangente (para obtener valores en el intervalo [-1,1]). La metodología de trabajo consiste en generar parte de los datos de lab obtenidos como entrenamiento y otros como test, con el fin de tener una parte de ellos como los datos necesarios para el aprendizaje y otros como los datos de prueba necesarios para comprender que la red está trabajando bien. Una vez definida la estructura de la red, se extrapola al resto de los datos con el fin de construir la curva de k. Xn Inputs Xn Weights Wn

REDES NEURONALES Explicar lo de las capas de entrada, ocultas y de salida. En este caso particular de estimar k en la fm springhill, se hicieron redes individuales para cada facies y en cada una de ellas los datos de entrada fueron diferentes en pos de obtener el mejor resultado. El software utilizado fue STATISTICA y se utilizó la metodología denomonada Custom Network Design, que permite tener redes personalizadas y el algoritmo fue Multilayer Perceptron.

REDES NEURONALES Las curvas que se utilizaron como datos de entrada fueron las siguientes, por ejemplo para la facies orange fueron: Vcl Nphi Prof Rhob Ild Por ejemplo para la facies brwon se usó: DT, PHI, NPHI, Facies yellow ILD, RHOB y NPHI. Facies green: VCL, GR, ILD, RHOB.

REDES NEURONALES Aquí se observa el resultado logrado en un pozo y dividido por facies.

REDES NEURONALES Aquí se observa otro ejemplo con el resultado logrado en un pozo y dividido por facies.

REDES NEURONALES Aquí se observa el ajuste logrado con la técnica de RN, donde el coeficiente de correlación es de 0.9, él cuál es mucho mejor al que se había logrado con los métodos lineales utilizados inicialmente.

CONCLUSIONES Se analizaron diversos métodos de estimación de permeabildad, pudiendo comparar los resultados obtenidos entre estos. El mejor valor de permeabilidad obtenido fue el realizado con Redes Neuronales y separado por facies. Leer conclusiones. La permeabilidad estimada con Redes Neuronales, tiene un ajuste mejor que el obtenido con otros métodos, por lo tanto resulta un valor mucho más confiable para utilizar en un módelo dinámico.

CONCLUSIONES MUCHAS GRACIAS !!