Metodología para la obtención de un perfil de relación de aspecto mediante la inversión de registros geofísicos de pozo

El estudio busca crear un método preciso usando el modelo DEM para entender la forma de los poros a lo largo de un pozo. Para esto, se analiza la mineralogía, porosidad, el fluido en los poros y la geometría de los poros. Se usa MATLAB debido a su disponibilidad y potentes bibliotecas para desarrollar el algoritmo.

Los datos del pozo provienen del mar del Norte, específicamente del pozo 15-9/19A, e incluyen archivos LAS, análisis de láminas delgadas, datos de núcleos y reportes de campo y análisis petrofísicos.

Obtener un perfil detallado de la relación de aspecto de los poros ayuda a entender mejor la estructura del yacimiento, permitiendo una extracción de recursos más precisa y eficiente, y mejorando las decisiones en perforación y producción para una explotación sostenible.

De acuerdo a las limitaciones y suposiciones del modelo DEM, el modelo conceptual de la figura 1 se considera una roca isótropa, lineal y elástica, se consideran inclusiones elipsoidales idealizadas, para ellos además se planteó un diagrama de flujo según la figura 2 cual expone los pasos detallados de cómo funciona y se desarrolla la metodología.

Figura 1. Modelo conceptual usado para la inversión del modelo DEM, las inclusiones son aleatorias además de tratarse de matriz e inclusión (puede ser mineral o fluido).

Este flujo de trabajo se basa en los siguientes conceptos:

• La caracterización petrofísica de los yacimientos petroleros se basa en la integración de datos geológicos, petrofísicos, de registros de pozos y soluciones petrofísicas.
• La metodología propuesta utiliza un enfoque iterativo para mejorar la caracterización petrofísica de los yacimientos.

El flujo de trabajo consta de los siguientes pasos:

• Preparación de los datos: En este paso se recopilan los datos geológicos (reportes geológicos, reportes de núcleos y láminas delgadas), registros geofísicos de pozo (curvas de Open Hole) y el análisis petrofísico hecho por la compañía (saturaciones de fluidos, porosidad efectiva y volumen de arcilla) con el fin de filtrar datos anómalos, para el caso de los dos últimos puntos.
• Integración de los datos: En este paso se integran los datos de las diversas fuentes para obtener una descripción completa del yacimiento, usando la información para la clasificación matrices, inclusiones y fluidos.
• Inversión de los datos: En este paso se utilizan los datos integrados para generar una inversión con el método BFGS.
• Interpretación de la información conjunta: Este paso es la culminación del flujo de trabajo, donde se correlaciona la información completa del pozo.

Figura 2. Flujo de trabajo de la metodología propuesta.

De primera instancia se cargaron los datos del archivo “LFP_15_9-19 A.xlsx”, este contiene los datos crudos de los RGP (CALI, GR, RHOB, NPHI, DT, DTS, RT, RSHA), las propiedades de los fluidos (presión, salinidad, densidad del fluido de perforación, GOR), los parámetros de evaluación (densidad del lodo filtrado, densidad de matriz, resistividad de arcilla, porosidad de la arcilla, flag de agua, aceite y gas), los parámetros para el cálculo de volumen de arcilla (volumen de arcilla a patir de gamma ray, densidad-neutrón y promedio entre estos, densidad del fluido, GR mínimo y máximo usado), la evaluación petrofísica (saturación de fluidos, permeabilidad, volumen de arcilla y porosidad efectiva), etc., se realizó una interfaz gráfica donde se visualizaron los datos crudos para un primer análisis de la información.

Figura 3. Gráfica de los registros de pozo filtrados, a) el registro de rayos gamma en GAPI, b) el registro de resistividad profunda y somera en Ω*m de forma logarítmica, c) el registro de densidad volumétrica en g/cc, d) el registro de porosidad neutrónica adimensional, e) los registros de tránsito compresional y de corte en 𝜇s/ft.

Figura 4. Gráfica de los módulos elásticos filtrados, a) velocidad de onda P y S en m/s, b) módulo de Young y modulo volumétrico en GPa, c) módulo de corte y el primer parámetro de Lamé en GPa, d) la relación de Poisson adimensional, e) la relación Vp/Vs adimensional.

Por consiguiente, se generó la tabla 1 la cual a partir de las diversas litologías propuestas se asignan a un vector de datos según los datos de RGP y la evaluación petrofísica.

Mineral o fluido	Densidad (g/cc)	Velocidad de onda P (km/s)	Velocidad de onda S (km/s)
Calcita	2.71	6.53	3.36
Mezcla de cuarzo, feldespato y mica	2.66	5.54	3.36
Mezcla de arcillas	2.2	2.55	1.35
Agua	1	1.507	0
Aceite	0.83	1.226	0

Tabla 1. Minerales y fluidos propuestos como matrices e inclusiones. (Mena-Negrete (2022)[3]).

A partir de los datos minerales, inclusiones y fluidos, llamados MIF desde ahorita, podremos establecer modelos de física de rocas que nos ayuden a comprender el comportamiento de la granulometría y la anisotropía de las formaciones a estudiar. A partir de la siguiente ecuación obtenida se modelo la relación de aspecto para este pozo:

Después de haber cumplido con el diagrama de flujo propuesto al iniciar este capítulo, se presenta en la figura 5 el resultado de la inversión de la relación de aspecto.

Figura 5. Perfil de relación de aspecto a lo largo del pozo 15-9/19A con los registros de entrada; densidad, porosidad neutrón y velocidades de onda P y S, además de los módulos elásticos.

La variación del dato es significativa gracias al método de optimización que es robusto para este tipo de función objetivo de una sola variable, de acuerdo con los datos de registros se observan correlaciones entre ellos, las cuales a partir de los datos de láminas delgadas se pueden corroborar ya que si tomamos en cuenta que cuando a>b, entonces 𝜶>1, en caso contrario cuando a<b entonces 𝜶<1, por lo que se los granos teóricos deben de verse según la figura 6:

Figura 6. Diagrama de la relación de aspecto para geometría de Penny Shapes.

A partir del perfil de relación de aspecto obtenido, se determinaron los valores máximo, medio y mínimo para construir diagramas ternarios anisótropos, las siguientes figuras exponen el comportamiento anisótropo de este tipo de diagramas ternarios.

Figura 7. Diagramas ternarios anisótropos con una relación de aspecto de 0.1716, a) Relación de Poisson axial vs Módulo de Young axial, b) Relación de Poisson 1-2 vs Modulo de Young transversal, c) Relación de Poisson 1-3 vs Módulo de Young transversal, d) Lambda-Rho vs Mu-Rho.

Figura 8. Diagramas ternarios anisótropos con una relación de aspecto de 0.2478, a) Relación de Poisson axial vs Módulo de Young axial, b) Relación de Poisson 1-2 vs Módulo de Young transversal, c) Relación de Poisson 1-3 vs Módulo de Young transversal, d) Lambda-Rho vs Mu-Rho. 

Figura 9. Diagramas ternarios anisótropos con una relación de aspecto de 0.3002, a) Relación de Poisson axial vs Módulo de Young axial, b) Relación de Poisson 1-2 vs Módulo de Young transversal, c) Relación de Poisson 1-3 vs Módulo de Young transversal, d) Lambda-Rho vs Mu-Rho.

Al observar la tendencia de los datos, se aprecia un ajuste en ciertas configuraciones de los diagramas, lo que indica que el perfil de relación de aspecto se ajusta de manera efectiva al comportamiento anisótropo del pozo.

Figura 10. Diagramas ternarios anisótropos axiales y transversales, a) Relación de aspecto de 0.1716, b) Relación de aspecto de 0.2478, c) Relación de aspecto de 0.3002.

La metodología propuesta tiene importantes implicaciones para la industria petrolera, ya que permite:

• Caracterizar mejor los yacimientos: El análisis anisótropo proporciona información más precisa sobre la geometría y distribución de los poros y las grietas, lo que mejora la caracterización del reservorio.

• Optimizar la producción: La comprensión de la anisotropía permite optimizar la ubicación y diseño de los pozos, así como la selección de los métodos de producción más adecuados.

• Reducir la incertidumbre: El análisis anisótropo ayuda a reducir la incertidumbre en la evaluación de las reservas y la planificación del desarrollo del campo.

 

Figura 11. Láminas delgadas relacionadas al perfil de relación de aspecto del pozo 15-9/19A.

REFERENCIAS

[1] Hong-Bing, L., & Jia-Jia, Z. (2014). A differential effective medium model of multiple porosity rock and its analytical approximations for dry rock. Chinese journal of geophysics, 835-845.

[2] Lizcano-Hernández, E. G., NIcolás-López, R., Valdiviezo-Mijangos, O. C., & Meléndez-Martínez, J. (2018). Estimation of brittleness indices for pay zone determination in a shale-gas reservoir by using elastic properties obtained form micromechanics. Journal of Geophysics and Engineering, 307-314.

[3] Mena-Negrete, J., Valdiviezo-Mijangos, O. C., Nicolés-López, R., & Coconi-Morales, E. (2022). Characterization of elastic moduli with anisotropic rock physics templates considering mineralogy, fluid, porosity, and pore-structure: A case study in Volve field, North Sea. Journal of Applied Geophysics, 1-15.

Publicación realizada por Emiliano Flores

Contacto: 

Correo - jemilianofl@gmail.com

Linkedin - Emiliano Flores