Análisis Probabilístico de Productividad

Marcelo Madrid Hace 5 años Producción

Cuando no se cuenta con un modelo de simulación numérica para representar el

comportamiento de producción inicial en las propuestas de perforación de pozos, el ingeniero
de yacimiento se apoya a través del análisis nodal® para realizar estudios de productividad.
Estos consisten básicamente en la evaluación del sistema yacimiento-pozo, realizando un
ajuste de parámetros de caudales de producción y condición energética del sistema. Esto es,
en pocas palabras, cotejar la condición de influjo o aporte que puede dar el yacimiento (inflow)
y la curva de levantamiento de fluidos (VLP) apropiada para el sistema. Con los paquetes de
programas que se encuentran en el mercado, solamente permiten establecer un
resultado determinístico y, seguramente unas pocas sensibilidades para jugar con el
parámetro de mayor incertidumbre asociado al análisis. Es por ello que, realizar un estimado
de productividad bajo este esquema de evaluación, donde muchos yacimientos pueden
presentar variabilidad areal y vertical de sus parámetros (heterogeneidad geológica, tipos de
fluidos y energía) puede resultar poco precisos.

Para fortalecer este tipo de análisis, el ingeniero debe auxiliarse a través de métodos
probabilísticos, ya que permiten evaluar un amplio rango de datos y obtener varios escenarios
(pesimista, más probable y optimista) al momento de proponer un nuevo pozo. En los
siguientes párrafos, se explicará una metodología sencilla para realizar un análisis
probabilístico de productividad.

Es importante tener claro una serie de conceptos de estadística básica y de probabilidades, por
lo que se recomienda descargar el siguiente manual haciendo clic aquí. Para empezar, en los
modelos de análisis probabilísticos de productividad se deben tomar como parámetros
probabilísticos aquellos que presentan mayor incertidumbre, ya que sensibilizar una gran
cantidad de parámetros puede ocasionar que la corrida del software sea mucho más lenta
(tomar en cuenta que una corrida de 6 parámetros a sensibilizar y 10.000 iteraciones puede
tardar aproximadamente 3 horas en una computadora con procesador de doble núcleo). Es
importante identificar que cada parámetro o variable esté caracterizada con la curva de
distribución probabilística correcta. A continuación se hace mención algunas de ellas:

Tabla No. 1: Tipos de Curvas de Distribución Probabilística.

Parámetros y/o variables Fuente

Tipo de Distribución de Evidencia de
ProbabilidadFrecuencia Muestra

Permeabilidad (K)
Porosidad (PHI)
Saturación (Swi)
Presiones
Espesores
Objetiva Abundante Factor Skin Datos de Muestra

Presiones
Factores Volumétricos (Bo,
Bg, Ug)
Cualquier otro dato que no Opinión del
Subjetiva Escasa se tenga disponible Experto

Nota: Existen varios tipos de curvas de distribución probabilística. Las identificadas en la tabla
anterior son las comúnmente usadas en la industria petrolera.

Es importante resaltar que los software de análisis de probabilidades permiten realizar un test
de bondad de ajuste, cotejando automáticamente la muestra de datos a un rankeo de curvas
de distribución probabilísticas. Luego de esto, los datos se encuentran ajustados a una curva
de distribución específica, luego es leída por el software, la cual realizará combinaciones
aleatorias entre las variables probabilísticas durante la corrida.

Ejemplo de corrida de Análisis Probabilístico de Productividad.

Como caso de estudio, se presentará un ejemplo de un pozo de gas condensado. La principal

premisa del modelo es que el yacimiento presenta una complejidad en la columna de fluidos
(variación composicional con profundidad) y la característica de la formación productora es
que es muy compactada. En un post anterior, se trató la complejidad que tienen este tipo de
pozos al momento de completarlos. Para la construcción de este modelo se utilizaron los
siguientes programas:

Prosper v10.4 (Petroleum Experts) como motor de cálculo de productividad.

Crystal Ball 2000 (Decisioneering Inc., ahora Oracle)

Macro en Visual Basic (Microsoft Corp.)

Fuente de los datos:

Permeabilidad (K): proveniente de análisis básicos de roca provenientes de todos los pozos del
campo y pozos de campos vecinos que presentan las mismas características de depositación y
profundidad. Los datos fueron ajustados con una curva de distribución log-normal.

Espesores: determinados a través de los espesores de arena neta petrolífera obtenida a través
de evaluación petrofísica de los pozos vecinos. Se tomó en consideración la degradación de las
propiedades con respecto a la depositación de las capas (sedimentología). Los datos fueron
ajustados con una curva de distribución normal.

Presión de Yacimiento: criterio de experto. Debido a que el pozo se encuentra en una zona de
reservas probables, no se tienen datos precisos de presión en esta zona. El criterio fue
ajustado a una curva de distribución tipo triangular.

Presión de Cabezal: proveniente de todas las presiones de cabezal registradas durante las
pruebas de producción de superficie de los pozos del campo. Los datos fueron ajustados con
una curva de distribución normal.

Factor Skin: con esta variable se puede simular el comportamiento de caída de presión
adicional debido al daño causado durante las operaciones de perforación y completación del
pozo. Los datos fueron ajustados a una curva de distribución probabilística.

Relación Gas-Petróleo: esta es la variable que presenta mayor impacto en el análisis, ya que el
caudal inicial del pozo va a ser directamente proporcional a la relación gas-petróleo del fluido,
por lo que la profundidad a la que vaya a ser completado el pozo es determinante. Los datos
utilizados fueron obtenidos a través de las pruebas de producción de superficie de un pozo
tipo. Los datos fueron ajustados en una curva de distribución normal.
Número de Iteraciones en la corrida: 10.000
Adicional a los datos mencionados anteriormente, se debe elaborar el análisis de
productividad determinístico en el software, por lo que se necesita cargar los datos de PVT del
fluido, condición mecánica del pozo, definir el modelo matemático de curva de afluencia y
la curva de levantamiento de fluidos. Para el ejemplo, se uso la ecuación de Jones Blount y
Glaze para la curva de afluencia, que toma en consideración los fenómenos que afecta el
aporte de fluidos en pozos completados en yacimientos de gas condensado; la curva de
levantamiento de fluidos seleccionada fue la PETEX 2, desarrollada por la compañía Petroleum
Experts.

Luego de realizar la corrida, los datos de salida obtenidos son esencialmente también curvas
de distribución probabilísticas, para el caso ejemplo fueron el caudal de producción de líquido
y gas. En la gráfica a continuación se puede observar el resultado obtenido:
Figura 1. Ajuste probabilístico de la variable de tasa de líquido.

En la gráfica anterior se puede observar la probabilidad obtenida por clases o grupos (un total
de 100), la cual se obtuvo un valor medio de 2.560 BN/D de tasa de líquido. El ajuste de la
curva de distribución fue de tipo logística, y es mucho más precisa a altos caudales de
producción de líquido. A bajas tasas de producción, es apreciable que existe un menor ajuste, y
es debido a que aproximadamente el 17% de los casos corresponden a una condición de no
flujo, producto de la no existencia de corte entre las curvas de afluencia y la curva de
levantamiento de fluidos. En el reporte se puede observar información detallada de la corrida,
tal como los percentiles de probabilidad para evaluar el escenario pesimista, más probable y
optimista, y el gráfico tornado para observar la variables de mayor incertidumbre. Para el
ejemplo mostrado, los resultados caudal de producción de líquido fueron los siguientes:

Caso pesimista (P25) = 1.250 BN/D.

Caso más probable (P50) = 2.560 BN/D.
Caso optimista (P75) = 3.580 BN/D.
En un gráfico de frecuencia acumulada (caudal de producción vs. No. de iteraciones), se puede
observar que el pozo tiene un 83,3% de probabilidad de obtener una producción de líquido
mayor a 0. Este gráfico también permite evaluar la probabilidad de obtener un pozo
económicamente rentable. En el ejemplo, el pozo con un caudal de 1.600 BN/D se considera
“altamente rentable”, por lo que las probabilidades de éxito son de aproximadamente un 70%

Figura 2. Curva de Frecuencia Acumulada.

Es importante tener en cuenta que mientras más iteraciones se hagan durante la corrida, más
precisos van a ser los resultados. Lo importante del método es que ya construida la macro que
funciona de conector entre el software de motor de cálculo (Prosper) y el software
probabilístico (Crystal Ball 2000), se puede evaluar cualquier variable tanto de entrada como
de salida que el ingeniero de yacimientos requiera.