Geoestadstica Aplicada a los Estudios Integrados de
Yacimientos de Hidrocarburos
Ing. Leonel E. Bauza Ordaz
Septiembre de 1.999
INTRODUCCIN
El estudio geoestadstico es parte fundamental dentro de los Estudios Integrados de
Yacimientos. Bsicamente la geoestadstica es parte de la estadstica clsica que
tiene como finalidad la evaluacin de los atributos en el espacio y su variabilidad
dentro de un rea determinada. Estas propiedades pueden estar relacionadas adems
en el tiempo, por lo tanto, tambin pueden utilizarse los datos de produccin para ser
correlacionados.
Ya que los datos de las variables (porosidad, saturacin de agua, permeabilidad,
atributos ssmicos, etc.) son provenientes de la informacin obtenida en los pozos,
estos pueden considerarse como datos puntuales. Para lograr la evaluacin en un
rea extensa donde no existe informacin, se pueden utilizar los atributos ssmicos
(frecuencia instantnea, fase instantnea, frecuencia absoluta, amplitud RMS-10,
amplitud RMS-20, etc.). Estos son continuos arealmente y pueden correlacionar o
estar relacionados a las propiedades petrofsicas, por lo cual ser utilizados en la
estimacin de estas en las reas donde se desconocen debido a la inexistencia de
pozos perforados. Es as como la geoestadstica utiliza mtodos de clculo o de
estimacin como por ejemplo Cokriging y Kriging con influencia externa (drift).
Este material est elaborado para que el participante cuente con elementos tericoprcticos que les permitan adquirir herramientas para llevar a cabo un proceso
geoestadstico.
UNIDAD I
Objetivo: Definir la Geoestadstica como proceso fundamental para la
caracterizacin de fenmenos naturales.
GEOESTADSTICA
El entendimiento y la prediccin del comportamiento del yacimiento dependen de la
descripcin geolgica real del mismo y del modelo que represente eficientemente su
comportamiento. Para un manejo apropiado del yacimiento y estimacin de reservas,
los ingenieros y los profesionales de las geo-ciencias necesitan un buen conocimiento
acerca del mismo, es decir, conocer las propiedades que lo definen, como lo son la
porosidad, permeabilidad, espesor neto de petrleo, saturaciones de fluidos, entre
otras, las cuales se puedan distribuir y correlacionar en el espacio, siendo aqu donde
las tcnicas geoestadsticas se aplican, para estimar correlaciones espaciales de los
atributos y evaluar as la naturaleza y calidad de dichas propiedades.
La Geoestadstica se basa en considerar que los datos se correlacionan por su
distribucin temporal o espacial. Un ejemplo
sera
el espesor
de una unidad
estratigrfica, el cual se correlaciona espacialmente en una localidad en particular. El
espesor probablemente es constante, pero la similitud del mismo entre distintas
localidades, vara en funcin de la separacin entre las muestras.
ESTADSTICA CLSICA
La Estadstica Clsica o Convencional no considera la variabilidad espacial de los
atributos o variables en estudio. Esto hace tericamente imposible estimar, con un
sentido geolgico, valores individuales del atributo en celdas de un mallado 2D o 3D
que cubra el yacimiento.
GEOESTADSTICA
La Geoestadstica, como se ha indicado, es una derivacin de la estadstica clsica, la
cual fue tradicionalmente usada en las geo-ciencias o ciencias de la tierra. Sus
mtodos hacen uso de la autocorrelacin espacial de una cantidad de muestras para
describir modelos espaciales del atributo o propiedad estudiado.
La Geoestadstica en contraposicin a la Estadstica Clsica, supone que las variables
estn correlacionadas una a otra espacialmente. Esta continuidad es usada en cada
4
celda, bloque o punto estimado. Esta relacin particular se expresa en forma de
correlaciones y son cuantificadas por una funcin llamada variograma o semivariograma.
La Geoestadstica, a diferencia de la estadstica clsica, considera que las muestras
que se encuentran dentro de una misma regin estn correlacionadas espacialmente,
lo cual es cnsono con el hecho de que se deben haber formado mediante el mismo
proceso geolgico.
ANTECEDENTES
En 1960, despus de muchos trabajos empricos previamente realizados, George
Matheron, Director del Centro Matemtico de Morfologa en Fontainebleau, Francia,
public su tratado sobre la Teora de Variables Regionalizables, basado en la
estimacin de valores desconocidos de una localizacin dentro de un yacimiento
mineral.
De igual forma en la dcada de los 60s Krige y Sichel, en Sudfrica,
sentaban las bases de lo que se iba a conocer como Geoestadstica.
En 1970 dos estudiantes de la escuela de G. Matheron , A. Journel y M. Davis, fundan
en Estados Unidos y Canad, respectivamente, las escuelas de Geoestadsticas en
las Universidades de Standford y Mc. Gil. De esta forma se populariza el uso y la
enseanza de la geoestadstica. En la Universidad de Standford se ensambla en el
lenguaje Fortran uno de los programas geoestadsticos ms poderosos: GSLIB.
En la actualidad existen muchas tendencias en la aplicacin de la geoestadstica en
yacimientos de hidrocarburos, pero principalmente tenemos aquellos que basan la
estimacin de propiedades utilizando como tendencia (trend) a la geometra de las
facies del yacimiento (Irap-RMS, Storm, Petrel), y otra que realiza estimaciones
basada solo en la continuidad de las variables, es decir son ms matemticos (Gslib,
Isatis, Gridstat, Variowin, etc.) y existen otros que utilizan tendencia de litologas como
Heresim.
Cualquiera de estos programas son altamente consistentes desde el punto de vista
matemtico, sin embargo la utilizacin de uno o de otro depende de la plataforma a
utilizar y de las necesidades de las empresas.
OBJETIVO DE LA GEOESTADSTICA
El objetivo primordial de la Geoestadstica es la caracterizacin de fenmenos
naturales que pueden ser correlacionados espacial o temporalmente, lo que conlleva a
varios tipos de aplicaciones, tales como:
La estimacin a partir de un conjunto de medidas
Proporcionar medidas sobre la incertidumbre de la estimacin, constituyendo un
marco ideal para seleccionar la ubicacin de puntos de muestreo, minimizando as
la incertidumbre
Proveer las herramientas capaces de integrar disciplinas, tales como la petrofsica,
la ssmica y la geologa.
En lneas generales se pretende construir modelos equiprobables de baja
incertidumbre de las propiedades principales de los yacimientos de hidrocarburos.
Es importante destacar que la geoestadstica es una herramienta, en ningn momento
se puede prescindir de la opinin experta de los profesionales de las ciencias de la
tierra as como de aquellas personas que trabajan en el rea de yacimientos, por lo
tanto no se puede esperar que esto funcione como una panacea que reemplace a
Geolgos e Ing. de Petrleo.
UNIDAD II
Objetivo: Definir las actividades a realizar en cada una de las fases
presentadas en la metodologa
Para llevar a cabo un proceso Geoestadstico, debemos considerar la siguiente
metodologa:
Escalamiento
Anlisis
Geoestadstico
Anlisis de
Continuidad
Modelaje
Estructural
Anlisis Estadstico
Sumario
Recoleccin de
Datos
Modelaje
Determinstico
Modelaje
Estocstico
Variografa
Experimental
Modelado de
semivariogramas
Anlisis de
Clases
Papel
Probabilstico
Anlisis
Bivariado
A continuacin describiremos las actividades a realizar en cada una de las fases:
Recoleccin de
Datos
Esta fase inicial del estudio, persigue la mayor cantidad de informacin del yacimiento
que conlleve al mejor entendimiento del mismo y a una mejor estructuracin de los
archivos de datos.
Anlisis Estadstico
Sumario
Mediante el uso de los mtodos estadsticos se pretende determinar la confiabilidad de
los datos y validar los mismos, corrigiendo aquellos donde se encuentren anomalas
con la finalidad de evitar el sesgo de los datos.
Modelaje
Estructural
Utilizando el programa geoestadstico se importan los archivos de topes estructurales
y los polgonos de fallas dndole consistencia dentro del marco geolgico del
yacimiento.
Anlisis de
Continuidad
En est fase se calculan los semi-variogramas experimentales de las propiedades
petrofsicas en diferentes direcciones, se selecciona la direccin de mayor continuidad
y se procede al modelaje matemtico.
Anlisis
Geoestadstico
Utilizando el programa geoestadstico se procede a la realizacin de modelos
determinsticos iniciales y posteriormente el modelaje estocstico el cual produce
mltiples realizaciones equiprobables. De esta fase se obtendr el modelo que mejor
se adapte a las condiciones geolgicas y de yacimiento, escogido por un equipo
integrado de trabajo.
Escalamiento
Una vez escogido el o los modelos estticos se efecta el escalamiento para ser
evaluado en el simulador numrico de yacimiento.
10
UNIDAD III
Objetivo: Conocer los conceptos bsicos de estadstica y su uso en la
validacin de los conjuntos de datos.
11
CONCEPTOS BSICOS:
Universo: se refiere a la masa total de materia en el cual estamos interesados, es
decir la fuente de datos, por ejemplo: un yacimiento de hidrocarburos o una formacin
geolgica.
Poblacin:
consiste de todos los posibles elementos presentes dentro de un
universo.
Muestra: es un subconjunto de la poblacin, se refiere tambin a las mediciones
realizadas de alguna propiedad especfica del yacimiento.
Variable aleatoria: es una variable que puede tomar un valor numrico dentro de un
espectro de valores y de una manera que no puede ser determinada con exactitud, es
decir donde el azar determina la asignacin de tales valores. Se define como variable
regionalizable aquella que puede estar distribuida en el espacio y que presenta una
estructura espacial de correlacin. De este modo si z(x) es el valor caracterstico de la
variable en cuestin z en un punto x en el espacio, entonces, z(x) es una variable
regionalizada. Desde este punto de vista, la definicin de variable regionalizable es
enteramente descriptiva y no presenta ninguna connotacin probabilstica. En cambio,
matemticamente, es una funcin z(x) que toma un valor para cada punto x en el
espacio.
12
ANLISIS ESTADSTICO DECRIPTIVO
Cuando efectuamos el estudio de las caractersticas de una poblacin, por ejemplo: la
porosidad de un yacimiento, debe hacerse un balance entre la cantidad y la calidad de
datos a utilizar.
Para efectuar este anlisis se utilizan mtodos grficos (histogramas, cross-plots,
etc.), medidas de tendencia central y medidas de dispersin.
MTODOS GRFICOS.
- Histogramas de Frecuencias.
Cuando tenemos una poblacin y una muestra, por ejemplo: datos de porosidad de un
yacimiento, es deseable reemplazar las mediciones por una representacin grfica.
Simplemente se tabula, para un intervalo dado (clase) del atributo analizado (por
ejemplo: la porosidad entre 0 y 1%) el nmero de mediciones que caen dentro de este
rango, y este nmero (frecuencia de ocurrencia) se grfica contra el valor
representativo del intervalo de esta clase.
Figura N 1.
Histograma de
Frecuencias de
Porosidad
13
En la figura se muestra un hitograma de frecuencia de porosidad, donde en el eje x
tenemos los intervalos de clases de porosidad y en el eje y la frecuencia, de una
poblacin de 1390 datos.
Una caracterstica primordial de los histogramas es la forma de la curva que este
genera.
Figura N 2
Forma de la curva
que ajusta al
histograma
Si tenemos un solo pico estaremos hablando de una distribucin unimodal (a), si la
curva tiene dos picos lo denominaremos una distribucin bimodal (b) y si tiene tres o
ms picos multimodal (c). La moda es una medida de tendencia central, del cual
hablaremos ms adelante, que representa visualmente el
intervalo con mayor
frecuencia.
(a)
(b)
(c)
Figura N 3. Formas del Histogramas
Un histograma unimodal es simtrico si tenemos un eje de simetra que puede dividir
en dos partes iguales al histograma, en caso de no existir esta relacin de simetra,
estaremos hablando de una distribucin sesgada. Se habla de sesgo positivo (a)
cuando tenemos mayor frecuencia de valores hacia la izquierda del histograma y de
un sesgo negativo (b) cuando exista mayor frecuencia de valores hacia la derecha del
histograma de frecuencias.
14
(a)
(b)
Figura N 4. Tipos de sesgadura.
Un tipo de distribucin simtrica usada ampliamente en estadstica es conocida como:
Distribucin Normal (Gaussiana) de la cual hablaremos ms adelante.
Con el uso de los histogramas de frecuencias es posible determinar anomalas dentro
de las muestras de una poblacin. Por ejemplo se puede determinar si una muestra
pertenece a otra poblacin, es decir si valores de porosidad o permeabilidad
pertenecen a otro yacimiento y se estn tomando en consideracin para el estudio que
se efecta.
En Ing. de Yacimientos valores extremos de porosidad, saturacin de agua y volumen
de arcilla no deben ser eliminados ya que representan una situacin particular de los
yacimientos.
- Papel Probabilstico
El papel probabilstico es un recurso grfico que puede utilizarse para determinar si
una distribucin es normal o no. Adems, nos puede indicar que cantidad ( en
porcentaje) del conjunto de datos se encuentran por encima o por debajo del cut-off
impuesto por el equipo integrado de trabajo.
15
Para realizar este se grfica la correspondiente frecuencia acumulada en un sistema
de ejes cuya lnea vertical est escalada de manera normal (o Gaussiana). Si los
datos utilizados se distribuyen en forma normal el papel probabilstico se presenta
como una recta o bastante prxima a ella.
Cuando utilizamos el eje x del papel probabilstico escalado logartmicamente (por
ejemplo en el caso de permeabilidad) y presenta una lnea recta estaremos en
presencia de una distribucin de logaritmos con comportamiento normalizado o en
otras palabras una distribucin log-normal.
En la figura que se muestra a continuacin se puede observar un papel probabilstico
de una distribucin normalizada.
Figura N 5
Papel Probabilstico
de Porosidad
- Cross-plots o Scatter-plots
Esta es una herramienta grfica de la estadstica bivariada y se utiliza para observar el
grado de correlacin existente entre dos muestras de una misma poblacin. Otro uso
puede ser el detectar anomalas entre variables que de antemano se conocen. En el
ejemplo que se muestra a continuacin tenemos un cross-plot de Vshale vs Porosidad.
16
Figura N 6
Cross-Plots
de Vsh. vs
Porosidad
Como puede observarse en los puntos encerrados en la elipse, tenemos una serie de
valores de porosidad en un Vshale = 100 %, es decir tenemos lutitas con porosidades
de 20% y 15 %, relacin esta imposible dentro de un yacimiento de hidrocarburos. De
esta forma esta anomala puede ser corregida antes de continuar con el trabajo
geoestadstico.
Una de las medidas ms importantes que se efectan con el cross-plot, es el
coeficiente de correlacin de dos variables, mientras ms cercano a la unidad es
mayor es la probabilidad de que ambas se encuentren relacionadas.
17
MEDIDAS DE TENDENCIA CENTRAL
Media ( x ): se refiere al promedio aritmtico de un conjunto de datos. Esto no es
ms que la sumatoria de los valores entre el nmero total de valores. Esta medida
puede ser afectada por la alta frecuencia de valores extremos.
Mediana: se obtiene ordenando los valores del conjunto de datos, ya sea de forma
ascendente o descendente, y determinando el valor que se encuentra en el centro
de esta lista de valores. Esta medida no es sensible a los valores extremos.
MEDIDAS DE DISPERSION
Las medidas de dispersin tienden a indicar que tan alejado de las medidas de
tendencia central se encuentran las muestras estudiadas.
Varianza: describe la tendencia de una variable aleatoria a descarriarse de su
media, usualmente se denota por s2 = (1/n) ( xI x ) donde n representa el
nmero de datos.
Desviacin Estndar (): no es ms que la raz cuadrada de la varianza, pero es
muy prctico ya que viene en las mismas unidades del conjunto de datos.
18
UNIDAD IV
Objetivo: Calcular los semi-variogramas experimentales y la fijacin del
modelo matemtico a utilizar.
19
Para llevar a cabo la fase de Anlisis de Continuidad debemos calcular los semivariogramas experimentales, es por ello que definiremos en primer lugar que es un
semi-variograma.
SEMI-VARIOGRAMAS
El semivariograma es la herramienta geoestadstica bsica para visualizar, modelar y
describir la autocorrelacin espacial de una variable distribuida en el espacio. Es una
medida de dispersin. Para un ingeniero de petrleo o gelogo, el semivariograma es
de mucho inters ya que incorpora muchas caractersticas de la continuidad espacial
que a su vez son importantes en la evaluacin de yacimientos de hidrocarburos.
Estas caractersticas se capturan analizando la similitud o disimilitud entre los puntos
de un rea que se encuentran separados por una distancia h conocida como lag.
El semivariograma se calcula a travs de la diferencia cuadrada entre los valores del
atributo en cuestin en dos puntos del rea en estudio, separados a una distancia h.
Para obtener una relacin generalizada aplicable a esta rea, este clculo se repite
para todas las muestras que estn a una distancia h en una misma direccin y se
obtiene la diferencia cuadrada media, es por esta razn que es conocido por
semivariograma y no por variograma.
Sobre el semi-variograma experimental se ajusta una ecuacin matemtica conocida
como modelo, donde se definen los parmetros que sern utilizados en la tcnica
geoestadstica escogida. Los parmetros que se determinan a partir del ajuste son: la
meseta (varianza), el rango y el Efecto de Pepita (discontinuidad en el origen).
El semivariograma se define matemticamente como:
( h) =
Var
[Z ( x ) Z ( x + h) ]
2
(1)
y se estima a travs del llamado semivariograma experimental tradicional:
20
n
1
* ( h) =
[ Z ( xi ) Z ( xi + h)]
2 N ( h) i =1
(2)
donde:
(h) = es el semi-variograma terico
z(xi) =los valores experimentales en los puntos xi
z(xi + h) =los valores experimentales para la localizacin (xi + h)
N(h) = nmero de pares de los valores experimentales para una distancia h
*(h) = es el semi-variograma experimental
Adems del semi-variograma tradicional que se ha tratado anteriormente, existen otros
tipos que pueden ser utilizados como alternativas para describir la variabilidad espacial
y pueden ser modelados de la misma forma que se hace con el semi-variograma
tradicional.
Entre otros se tiene:
i. Semi-variograma cruzado tradicional:
1 N ( h)
( h) =
2 N ( h) i =1
{ [Z ( xi ) Z ( xi + h) ]* [Y ( xi ) Y ( xi + h) ] }
(3)
ii. Covarianza:
( h) =
1 N ( h)
U (xi )V (xi + h) mumv
N ( h) i =1
(4)
Si U y V son distintos atributos, se habla de covarianza cruzada. Si U y V representan
el mismo atributo, entonces se refiere a autocovarianza de esa propiedad.
iii. Correlograma:
( h) =
C ( h)
u * v
(5)
21
iv. Variograma de Logaritmos:
2
1 N ( h)
l ( h) =
[ln( Z (xi ) ln( Z ( xi + h ))]
2 N ( h) i=1
(6)
v. Madograma:
M ( h) =
1 N ( h)
| Z (xi ) Z (xi + h) |
2 N ( h) i =1
(7)
EL PASO (h) Y LA VENTANA ANGULAR
Graficando la distancia h en el eje horizontal y (h) en el eje vertical, se obtiene el
semi-variograma experimental. Para valores muy pequeos de h, los valores iniciales
son aproximadamente iguales, y los valores de *(h) son pequeos cuando h se
incrementa, entonces los valores iniciales se hacen ms independientes y *(h)
tambin aumenta.
A continuacin, se mostrarn esquemticamente los procesos de pares al azar con
tolerancia y su relacin con la distancia. En la Figura, se puede observar que para una
distancia h del punto x0 no hay otros puntos donde existan datos del atributo Z.
X3
dh
X0
X2
dh
Figura N 7
Tolerancia de
estimacin de
semivariogramas
X1
22
Sin embargo, usando una tolerancia dh se podran encontrar hasta tres puntos que
estn distanciados de xo aproximadamente a una distancia h sin considerar direccin
preferencial alguna. Los valores del atributo Z en estos tres puntos pueden ser
considerados para el clculo de la diferencia [Z(xo)- Z(xo+h)] , la cual es utilizada para
estimar el valor del semivariograma para una distancia h.
Si se usa una tolerancia pequea, el variograma estar mejor definido pero no
necesariamente ser estable. Por el contrario, si se usa una tolerancia grande, el
variograma puede ser difuso y pueden presentarse algunas superposiciones de pares
de diferentes distancias. En la realidad, es complicado elegir la tolerancia ms precisa
que corresponda a la data dada, y slo puede ser determinada por procedimientos de
ensayo y error.
En la Figura se muestra los diferentes elementos que deben ser tomados en
consideracin al elaborar los semivariogramas experimentales.
Figura N 8
Elementos de
clculo de
semivariogramas
Tomando el centro de la figura como el punto inicial Z(x), se debe proponer
inicialmente una direccin para el clculo, normalmente se estiman semivariogramas
23
en cuatro direcciones principales, que son las mostradas en la Figura. El paso o lag
step como se ha indicado anteriormente se refiere a la distancia de desplazamiento.
Figura N 9
Elementos de
clculo de
semivariogramas
El ngulo de tolerancia o ventana angular y el ancho de banda se refiere al espacio
que se abarcar para detectar pares de datos para efectuar el clculo. La escogencia
de esta tolerancia angular al igual que la tolerancia del paso determina que el
semivariograma pueda o no ser preciso.
COMO SE CALCULA EL SEMI-VARIOGRAMA EXPERIMENTAL
El semi-variograma experimental se estima con base a los datos y al conocimiento del
yacimiento. Utilizando la ecuacin (2) o cualquier otro modelo descrito anteriormente,
el procedimiento a seguir para el clculo del semivariograma experimental es el
siguiente:
1. Escoger la distancia de separacin entre las muestras (lag) h, la propuesta inicial
suele ser la distancia promedio de separacin de las muestras.
24
2. Especificar
la
direccin
para
el
proceso
de
clculo.
Se
estila
hacer
semivariogramas para cuatro direcciones principales, esto es: Norte-Sur, EsteOeste, N45E y N45O. Supongamos que iniciamos con la escogencia de la
direccin Norte-Sur.
3. Se propone la tolerancia del desplazamiento, usualmente es la mitad de la medida
original de desplazamiento (h/2).
4. Se propone la tolerancia de la ventana angular. Inicialmente se propone realizar la
estimacin con un ventana de 180 conocida como omnidireccional que
posteriormente
se va reduciendo, por ejemplo: 90, 45, 30, etc. Esto en la
bsqueda de mejor definicin del variograma.
El estudio de semivariogramas experimentales en diferentes direcciones permitir
determinar posibles anisotropas de la propiedad considerada, posteriormente la
estudiaremos.
Ahora definiremos tres conceptos bsicos en el anlisis de semivariogramas, segn
puede observarse en la figura:
-
Meseta (Sill): se refiere al valor de la covarianza cuando el modelo tiende a ser
asinttico - depende del tipo de semi-variograma utilizado.
Rango (Range): distancia a la cual el modelo matemtico tiende a ser asinttico,
esto implica que a partir de esta distancia no existe autocorrelacin.
Efecto Pepita (Nugget Effect): indica la discontinuidad en el origen que es una
combinacin de errores del muestreo y de una genuina variabilidad geolgica a
escalas menores.
Figura N 10
Semivariograma terico y
experimental
25
Cuando el rango vara en funcin de la direccin y la meseta permanece constante o
relativamente estable, se produce un tipo de anisotropa conocida por anisotropa
geomtrica. As mismo, si la meseta es variable en trminos de las direcciones
propuestas y el rango permanece constante, se tiene la denominada anisotropa zonal.
Si la dependencia entre las muestras obtenidas de dos ubicaciones cualesquiera es
slo funcin de la distancia entre ellas, entonces se dir que la variacin es isotrpica.
En la figura que se muestra a continuacin se puede observar como vara la forma del
semivariograma segn las diferentes direcciones, utilizando el mismo paso o lag,
ventana angular y ancho de banda.
Figura N 11
Semivariogramas
en diferentes
direcciones
26
En la siguiente figura se muestra como puede determinarse la anisotropa geomtrica
y como debe graficarse. Hay que recordar que la anisotropa nos indica que tanto
varia el atributo en la direccin de mayor continuidad, por lo tanto debe ser consistente
con la interpretacin geolgica.
Figura N 12
Anisotropa
Geomtrica
27
SEMI-VARIOGRAMA TERICO
Para hallar el semi-variograma terico se propone el tipo de modelo considerado y se
ajusta tericamente al semi-variograma experimental. Estos semi-variogramas tericos
son funciones con una expresin analtica sencilla y se emplean para representar el
modelo de variabilidad espacial del atributo para cualquier valor de la distancia h.
Cuando se habla de modelos de semivariogramas, se est haciendo referencia a una
serie de funciones que deben satisfacer la llamada condicin de positiva definida y que
son utilizadas en la prctica para ajustar los semi-variogramas experimentales.
MODELOS DE SEMI-VARIOGRAMAS TERICOS
Los dos rasgos ms importantes a ser observados en un semi-variograma
experimental para la escogencia de un modelo terico adecuado son:
1. Presencia y ausencia de una meseta
2. El comportamiento del origen (Efecto de Pepita)
El primero de estos rasgos permiti establecer una divisin en los modelos tericos
bsicos.
a) MODELOS SIN MESETA :
Son aquellos modelos que se presentan cuando el semi-variograma crece sin alcanzar
un valor constante donde se estabiliza. Pueden ser clasificados como:
1. Modelo Lineal
2. Modelo Potencial, y
3. Modelo Logartmico.
28
b) MODELOS CON MESETA :
Estos modelos crecen hasta alcanzar un valor constante donde se estabilizan. A este
valor se le denomina Meseta. Cuando el semi-variograma alcanza la meseta lo hace a
una cierta distancia llamada Rango. El segundo rasgo se manifiesta cuando existe
una prdida de continuidad del semi-variograma en el origen o lo que es llamado
Efecto de Pepita (en teora (0) = 0). El Efecto de Pepita es debido a la imposibilidad
de medir a escalas inferiores de la separacin entre pozos o a valores de atributos
errados.
Figura N 13
Modelos de
semivariogramas
b.1. Efecto Pepita Puro:
Este modelo es indicativo de la presencia de un fenmeno con la ausencia de
cualquier autocorrelacin espacial, es decir, que las muestras son espacialmente
independientes. El Efecto de Pepita puro representa un componente aleatorio en una
variable regionalizable . La presencia o ausencia del Efecto de Pepita depende de la
escala de variacin en el fenmeno. No es comn emplearlo slo, sino en
combinacin con algn otro.
29
Su ecuacin es:
(h)= 0 si h=0
(8)
(h)= S si h>0
donde:
S = meseta
h = distancia
1. Modelo Esfrico:
La ecuacin del modelo es:
3
h
h
( h) = S 3
a a
( h) = S
si h a
si h > a
(9)
donde:
S= meseta
h= distancia
a= rango
Este modelo se caracteriza porque alcanza la meseta cuando la distancia h= a.
b.2. Modelo Exponencial:
El modelo exponencial tiene la siguiente forma:
3h
( h) = S 1 Exp
con h 0
( 10 )
donde:
S= meseta
h= distancia
30
a= rango
En este modelo, la meseta se alcanza asintticamente cuando h tiende a infinito.
Asciende ms rpidamente en el origen y se acerca a la meseta ms gradualmente
que en el modelo esfrico.
b.3. Modelo Gaussiano:
El modelo Gaussiano asciende parablicamente desde el origen, la meseta se
alcanza asintticamente cuando h tiende a infinito. Su ecuacin es:
3h 2
( h) = S 1 Exp 2
con h 0:
( 11 )
donde:
S= meseta
h= distancia
a= rango
31
UNIDAD V
Objetivo:
Efectuar la estimacin utilizando tcnicas geoestadsticas:
Kriging, Co-Kriging y Simulacin Estocstica.
32
Los mtodos de estimacin se utilizan para interpolar valores en aquellos puntos del
mallado donde no existen, para lograr esto se utilizan dos mtodos bsicos que
explicaremos a continuacin.
KRIGING
La tcnica de Kriging implica la estimacin de valores desconocidos del atributo Z en
una localizacin xo, usando datos reales de muestras de localizaciones vecinal. Todas
estas tcnicas usan regresiones lineales para obtener este resultado. El desarrollo de
las ecuaciones del Kriging se basa en la hiptesis de estacionaridad u
homogeneidad estadstica. La variacin entre las diferentes tcnicas obedece a
muchas razones, entre las que se pueden mencionar: la calidad de los datos, los
objetivos del estudio, etc.
El Kriging es un mtodo que permite calcular estimados de una variable
regionalizable en un punto, sobre un rea o dentro de un volumen y usa como criterio
la minimizacin de una estimacin de varianza .
Figura N 14. Estimacin de un valor utilizando Kriging
33
Un valor Krigeado Z*(x) es una combinacin lineal de (n) valores de una Variable
Regionalizable, presentando la siguiente forma:
n
Z ( x)* = i Z ( xi )
( 12 )
i =1
Los parmetros i se denominan coeficientes de Kriging. El Z(x)* debe ser insesgado ,
es decir, E( Z*(x) - Z(x) ) = 0.
El Kriging es un estimador exacto en el sentido de que estima un punto de control
igual al valor observado.
El mtodo Kriging tiene un nmero de ventajas sobre otros mtodos de interpolacin,
inicialmente suaviza las estimaciones realizadas basada en la varianza de la muestra
acotada por el ruido, este ruido del conjunto de datos se refiere a las muestras con
menores en la vecindad del punto. Cuando las muestras tienen mayor correlacin en
una direccin especfica (anisotropa) el Kriging le asigna mayor peso a la estimacin
en esa direccin. Dado que se utiliza la variografa experimental al igual que todos
los mtodos geoestadsticos el Kriging calcula de forma ms precisa los posibles
estimados desde la data disponible en la vencindad del pozo.
34
COKRIGING - KRIGING CON INFLUENCIA EXTERNA
Cuando aplicamos geoestadstica o efectuamos extrapolaciones a puntos del mallado
donde no existe data podemos disponer de tcnicas que se basan en la correlacin de
dos variables, generalmente una de ellas de mayor extensin o conocidas en reas
mucho ms extensas, esto es atributos ssmicos versus propiedades petrofsicas.
El mtodo que se utiliza para lograr esta extrapolacin es conocido como: Cokriging o
Kriging con Influencia Externa (kriging with external drift o kriging with trend), la
ecuacin que determina el valor de un atributo Z, por ejemplo porosidad,en un punto
x, y otro atributo Y , por ejemplo velocidad ssmica, es la siguiente:
Z* COK (x) = I(x)Z(xI) + j (x)Y(xj )
( 13 )
Donde los i representan los pesos que se aplican en el nodo nI a la variable Z y j
representa el peso de la variable Y en el nodo nj .
Datos
Variograma
Kriging
w/
External
Drift
Modelo
Ssmica
Figura N 15. Estimacin utilizando Kriging con influencia externa.
35
Este mtodo necesita modelos de covarianza entre Z y Y, y la evaluacin de
semivariogramas cruzados.
En la figura se muestra las tendencias de los resultados con el Kriging con influencia
externa. Debido a la densidad de datos de los atributos ssmicos por lo general tiende
a efectuar una gran influencia en la direccin del modelo.
SIMULACIN ESTOCSTICA CONDICIONAL
La Simulacin Condicional fue presentada en 1978 por Journel y Hujbregts , como una
alternativa del Kriging. El objetivo era evitar la tendencia a suavizar las superficies
producidas por el mtodo Kriging. La simulacin de las variables puede tener las
siguientes propiedades:
1. Esta tendr la misma distribucin estadstica de los valores originales y el mismo
semi-variograma inferido para el atributo en estudio
2. Esta coincidir en valor con la variable verdadera en las celdas donde se encuentra
3. Esta variable simulada no es nica, por lo cual existen infinitas variables con las
propiedades expresadas en los puntos anteriores.
En general la Simulacin Estocstica se baja en la posibilidad de generar mltiples
modelos o realizaciones con la misma probabilidad de ocurrencia. Estas realizaciones
son producto del camino o forma como se efecta la estimacin dentro del mallado,
esto est determinado por un factor denominado semilla o seed la cual indica la ruta
para realizar la evaluacin de los pares. Esta semilla es un nmero entero, real y
generalmente de gran magnitud ( >20000), debido a que existen infinitos nmeros de
este tipo de la misma forma se pueden generar infinitas realizaciones, todas diferentes
pero equiprobables, como ya se ha indicado.
36
Existen muchos mtodos de Simulacin Estocstica, entre otros tenemos: simulacin
secuencial gaussiana, simulacin secuencial indicadora, simulacin por annealing,
simulacin gaussiana truncada, etc.
La Simulacin Secuencial Gaussiana puede llevarse a cabo siguiendo los pasos que
se presentan a continuacin:
1. Se debe transformar los datos a datos normalizados, esto es lograr que la
distribucin de frecuencias se comporte como una distribucin gaussiana.
2. Se define una trayectoria aleatoria que visite una vez cada uno de los nodos de la
malla a ser simulada, esto es la semilla o seed.
3. Con los datos disponibles y situados en el primer punto x1 a ser visitado, estime el
valor del atributo Z*sk (x1) y la correspondiente varianza, esto se efecta con un
kriging simple.
4. Los valores obtenidos en el paso anterior se utilizan para proponer una funcin de
densidad gaussiana la cual se utiliza para generar un valor aleatorio del atributo en
la posicin x1.
5. El valor generado es agregado al conjunto de datos disponibles en la posicin dada
y es utilizado como un dato condicionante, para el siguiente paso.
6. Ubicndose en la segunda posicin x2 de la trayectoria aleatoria se repite el paso
N3 para calcular Z y , de esta forma se consigue una nueva funcin de densidad
gaussiana.
7. Luego se calcula un valor aleatorio en esta posicin basado en la funcin de
densidad obtenida, este valor es aadido al conjunto de datos.
8. Ubicndose en una tercera posicin se repiten los pasos anteriores hasta cubrir los
N datos de la malla.
La Simulacin Secuencial Indicadora se basa en la existencia de indicadores y los
umbrales respectivos, este mtodo refleja los diferentes modelos de variabilidad
espacial, puede considerar tanto datos primarios como datos secundarios. Sus
aplicaciones principales se basa, como hemos indicado, en la necesidad de tener un
37
indicador por ejemplo litologas o variables continuas con sus respectivos umbrales. El
clculo en cada nodo utiliza el kriging indicador.
La Simulacin por Annealing es una tcnica de optimizacin simple, general y
flexible. Permite la integracin de muchos tipos de informacin y es relativamente
rpido si la funcin objetivo es simple. Por lo tanto la escogencia de la funcin objetivo
es primordial para la evaluacin a travs del annealing, si esta es complicada el
tiempo de mquina ser elevado e ineficiente.
De estos tres mtodos el ms popularmente utilizado es el primero, Simulacin
Secuencial Gaussiana, debido a que es ms manejable, rpido y menos exigente para
la memoria del computador, sin embargo tiende a minimizar la correlacin entre los
valores extremos y es preferible cuando estamos interesados en promedios
espaciales de los atributos ms que la correlacin de los valores extremos.
En las Figuras que se muestran a continuacin se pueden observar, inicialmente un
modelo realizado utilizando Kriging y tres modelos utilizando simulacin secuencias
gaussiana con tres semillas diferentes. Obsrvese las diferencias entre los modelos,
an cuando se mantiene la direccin principal de continuidad, el modelo Kriging es
ms suavizado y de los tres modelos estocsticos se pueden ver las diferencias entre
ellas.
38
28933
27402
2921
Northing
2918
2914
2911
2907
2904
25870
2901
2897
224338
534503
36319
38136
Figura N 16
Modelo
utilizando
Kriging
39952
Easting
Top
View
Attribute
28933
Figura N 17
27402
2921
Northing
2918
Modelo
utilizando
SSG seed=
200000
2914
2911
2907
2904
25870
2900
2897
224338
534503
36319
38136
39952
Easting
Top
View
Attribute
39
UNIDAD VI
Objetivo: Evaluar la bibliografa utilizada para la elaboracin de este
material.
40
1. BOURGAULT,G.(1996),Geostatistics,
(On
line)
http:
//[Link]/
academic/ mining/nacog/ [Link], Montreal.
2. DEUTSCH, C. y JOURNEL A., (1992), GSLIB: Geostatistical Software Library and
Users Guide, Oxford.
3. GONZLEZ, R. (1996), Curso: Introduccin a la Geoestadstica, CIED, Caracas.
4. INGRAM,
Ph
(1997).
An
Introduction
to
Geostatistics
(On
Line)
[Link] Sydney.
5. INGRAM,
Ph.
(1997).
Kriging
(On
Line)
http:
//[Link]/
users/pingram/[Link]. Sydney.
6. INGRAM,
Ph.
(1997).
One
and
Two
Variables
Measures
(On
Line).
[Link] Sydney.
7. INGRAM, Ph. (1997). Variograms (On Line). http:// [Link]/
users/pingram/[Link]. Sydney.
8. ISAAKS, E. y SRIVASTAVA,R. (1989). An Introduction to Applied Geostatistics,
Oxford.
9. POQUIOMA, W. T KELKAR, M. (1994), Application of Geostatistics to Forecast
Performance for Waterflooding an Oil Field, SPE 23677, SPE Advanced
Technology Series, Vol. 2, N 1, Houston.
10. SHAROV,
A.,(1997),
Elements
of
geostatistics,
(On
Line)
http:
//[Link]/~sharov/PopEcol/lec2/[Link], California.
11. SMEDVIG TECHNOLOGIES, (1998), Advanced Reservoir Modeling , Houston
12. SMEDVIG TECHNOLOGIES, (1998), Advanced StochasticReservoir Modeling ,
Houston.
13. SMEDVIG TECHNOLOGIES, (1998), IRAP-RMS Users Manual, Houston
14. [Link] PROTECTION AGENCY. (1988). GEO-EAS ( Geostatistical
Eviromental Assessment Software) Users Guide. Las Vegas.
41
