MODELADO 3D DE RESERVORIOS EN EL YACIMIENTO LAS MESETAS OESTE, CUENCA DEL GOLFO SAN JORGE, ARGENTINA

Marcelo D. Anechine1 (Repsol YPF), Alejandro F. Saccomano2 (Larriestra Geotecnología S.A.) 1mdanechined@repsolypf.com, 2afsaccomanodem@repsolypf.com Palabras claves: Modelado de reservorios en 3D. Golfo San Jorge, Formación Bajo Barreal Abstract. Reservoir 3D Modeling in Las Mesetas Oeste Oil Field, San Jorge Basin, Argentina. The 3D modeling of the Lower Member of Bajo Barreal Formation was based on the seismic interpretation, petrophysical evaluation and geological information of about 100 wells located in the Las Mesetas Oeste oil field. The area of study covers approximately 90 kms2 and a mean formation thickness of about 320 meters. A channel model with porosity and water saturation was performed over the field and a value of OOIP was estimated. INTRODUCCION El yacimiento Las Mesetas Oeste está ubicado en el flanco oeste de la Cuenca del Golfo San Jorge (Fig.1). La mayoría de las fallas que afectan esta zona son fallas normales de rumbo noroeste-sudeste y sirven de vía de migración de hidrocarburos. La roca generadora corresponde a depósitos de arcillas lacustres de la Formación D-129. El principal reservorio lo constituyen cuerpos de areniscas fluviales con gran contenido de material piroclástico correspondientes a la sección inferior de la Fm. Bajo Barreal., de edad Cretácico Superior (Fig.2). El espesor total de esta formación en este sector de la cuenca no supera los 350 metros con canales de espesores que alcanzan los 10 metros aunque el promedio no excede los 3 metros. Dentro de esta formación es común que exista un sello local conformado por arcillas tobáceas.

Fig.1: Ubicación del yacimiento dentro de la Cuenca del Golfo San Jorge.

METODOLOGÍA DE TRABAJO Carga de datos y modelo estructural Diferentes pasos son necesarios seguir para el modelado de un reservorio. Pero antes que nada y fundamental es tener una clara idea de la geología de la zona, su historia y comportamiento actual. Esto, sumado a toda la información disponible, definirá el camino a seguir. Para este trabajo, el modelado del reservorio en 3D se llevó a cabo con el software RMS de la compañía Roxar. El primer paso consistió en la carga de datos; tanto geológicos como de sísmica 3D. Cinco fueron los horizontes sísmicos seleccionados con mejor continuidad en toda la zona de estudio: Bajo Barreal Inferior, Hy, Intermedio, Hu y Sección Tobácea. Luego, se generaron siete fallas principales asociadas a esta zona a partir de líneas de cruce con los horizontes. Finalmente se cargaron los 100 pozos de la zona de estudio con sus respectivos markers. Cada pozo cuenta con curvas de SP, RT, RHOB o PHIS, PING (porosidad efectiva) y SUWI (Saturación de agua). Los markers cargados son los correspondientes a cada horizonte sísmico. Con toda la información cargada e integrada se puede realizar un control de calidad de los datos. Las superficies sísmicas de los horizontes fueron corregidas cerca de las fallas y ajustadas a los pases

Fig.2: Columna Cronoestratigráfica generalizada de la Cuenca del Golfo San Jorge.

formacionales de todos los pozos. Finalmente queda así conformado el modelo estructural para esta zona (Fig.3).

. Luego se definió la grilla 3D de modelado con celdas de 75x75 metros en el plano horizontal, y con una resolución vertical de 170 layers entre los topes de la Fm.Bajo Barreal Mb. Inferior y la Sección Tobácea, resultando celdas de 2 metros de espesor promedio. Así la grilla quedó conformada por aproximadamente 3.400.000 celdas.

Modelado de facies Se definieron las facies sedimentarias manualmente dentro de RMS. Mediante cutoffs de las curvas de SP, RT, y PIGN se identificaron tres facies (Fig.4): facies 0 correspondiente a arcillas, facies 1 asociada a arenas con porosidad menor a 15% y facies 2 asociada a arenas con porosidad entre 15% y 25%.

Fig.3: Integrando los datos se permite realizar un mejor control de calidad de toda la información

Para poblar la grilla 3D con valores petrofísicos, se dispone de información medida únicamente en los pozos. De este modo, la grilla 3D se puebla con los valores de las curvas petrofísicas solamente en aquellas celdas que son atravesadas por los respectivos pozos, y el resto de las celdas serán luego estimadas utilizando alguna técnica geoestadística. Como las celdas tienen cerca de 2 metros de altura, y las mediciones en los pozos son cada 30 cms, entonces para cada celda atravesada por un pozo existen varias mediciones que caen dentro. De este modo, al asignar valores a una dada celda de la grilla, se efectúa un promedio de los valores de pozo que caen dentro de ese intervalo. Esto se conoce como reescaleo o upscaling de las curvas petrofísicas de los pozos a la resolución de la grilla. Cabe destacar que este promedio tiene en cuenta las facies: primero se determina la facies que predomina en cada celda, y luego se promedian sólo los valores petrofísicos de dicha facies (Fig.5). En este caso las curvas reescaleadas fueron las de facies, PIGN (Fig.6) y Sw.

Fig.5: Proceso de upscaling, para cada celda atravesada por un pozo, se promedia en ese intervalo la

propiedad medida, correspondiente al valor de la facies predominante

Fig.4: Se identificaron 3 facies a partir de cutoffs de las curvas de SP, RT, y PIGN.

Es importante controlar los resultados en cada fase del modelado. En este proceso de upscaling es fundamental verificar que las propiedades estadísticas de las funciones de distribución de los distintos logs no se alteran. La proporción de cada facies se mantiene (Fig.7), al igual que los histogramas de PIGN (Fig.8) y Sw para cada facies.

Fig.7: Estadística para los datos escalados (Blocked) y originales de las proporciones de facies de los

pozos. Los porcentajes para las 3 facies son de 86.3, 6.8 y 6.9 para los datos originales, y de de 86.4, 6.6 y 7 respectivamente para los escalados.

Fig.6: Upscaling de la curva de facies y de porosidad.

Se decidió modelar la distribución de facies mediante simulación por objetos. En particular, se utilizaron canales para lograr modelos realistas de la zona bajo estudio en este proyecto. El método utilizado para poblar la grilla con canales es Simulated Annealing, un algoritmo de optimización que busca el mínimo global de una determinada función objetivo. Básicamente, esta técnica genera un conjunto de canales y los ubica en la grilla en forma aleatoria. Modificando la cantidad de canales y sus ubicaciones, busca una configuración que se ajuste a las facies observadas en los pozos y al volumen total de arenas. El resultado es una grilla con canales distribuidos al azar, pero respetando siempre todos los datos conocidos. Los diferentes parámetros geométricos de canal (ancho, espesor, orientación, sinuosidad, etc.) para la realización del modelo de canales se obtuvieron en base a trabajos de recuperación secundaria implementados en la zona y a una serie de estudios de especialistas en la cuenca (Bridges et al.). Para el volumen de arenas se consideró la proporción total de arenas observada en los pozos (facies 1 y 2), aunque los canales fueron condicionados únicamente a la facies 2 de los pozos, dejando la facies 1 como no-condicionante, librada al azar. Es decir, se generó una grilla de facies con canales de arena con buena porosidad (facies 2) sobre un entorno de arcilla (facies 0). La Tabla I muestra los parámetros geométricos de los canales utilizados para la simulación.

Fig.8: Histogramas de valores de porosidad. a) valores originales para las 3 facies; b) valores escaleadospara las 3 facies; c) valores originales sólo para facies 2 (channel); d) valores escaleados de facies 2.

a) b)

c) d)

De esta manera, se puebla la grilla 3D con canales en forma estocástica como se observa en la Fig.9. Pero pueden existir otras distribuciones de canales, con los mismos parámetros geométricos, que también respeten los valores de facies observados en los pozos. En otras palabras, no existe solución única al problema de modelado con canales, sino que son varias que respetan los valores medidos, y todas son equiprobables. Para poder hacer un buen análisis del modelo de reservorio es necesario obtener un conjunto de soluciones o realizaciones para obtener un resultado estadístico que sea confiable y significativo. De este modo, se hicieron 30 realizaciones del modelo de canales, y se los evaluó con criterio estadístico y probabilístico (ver Resultados).

Modelado de propiedades petrofísicas Una vez obtenido un modelo de canales, se procede a poblar la grilla con valores petrofísicos, como la porosidad y Sw. Este modelado petrofísico se hace para cada realización de canales, y extiende los valores medidos en pozos al resto de la grilla. Se hace este poblado mediante Simulación Gaussiana Secuencial, una de las técnicas estocásticas más difundidas, la cual está basada en kriging. La técnica de kriging es el método de interpolación geoestadística más difundido, ya que es el mejor estimador lineal insesgado. Sus estimaciones dependen de los valores medidos en pozos, las ubicaciones de esos datos respecto al punto a estimar, y la correlación espacial dada por el semivariograma. En un comienzo se intentó utilizar la información de sísmica 3D para realizar una cosimulación probando distintos atributos, pero las correlaciones obtenidas fueron muy pobres (menores a 0,3) con lo cual se consideró no recomendable aplicar esta metodología en esta zona. Para esta técnica de simulación se utiliza el semivariograma, y la variable a modelar debe presentar distribución gaussiana o normal. Por esto, como primer paso, se aplica una serie de transformaciones a los

Fig.9: Ejemplo de grilla 3D con distribución de facies simulada mediante canales.

Volumen de arenas 13 (+-0.5) % Espesor de canal Gaussiana: media 2.9, desvío 2.4, máx. 25m Ancho de canal Gaussiana:media 250, desvío 50

Correlación ancho-espesor 0.7 Amplitud Gaussiana:media 2000, desvío 400

Sinuosidad 1.2 Orientación azimut de canal 330° (+-15)

Tabla I: Parámetros de canales para la simulación de distribución de facies.

valores medidos para normalizarlos. Se eliminan valores anómalos o outliers, y luego cualquier deriva espacial. Finalmente se aplica una transformación del tipo normal-score para lograr la distribución normal buscada (Fig.10). Esta variable transformada o residual es la que se modela en toda la grilla, a la que luego se le aplica la antitransformación, devolviéndole la distribución original y las derivas espaciales.

La variable residual no es completamente aleatoria sino que presenta cierta autocorrelación espacial. Esta correlación se determina mediante el semivariograma, que estima el grado de similitud entre los valores de una propiedad en función de la distancia a lo largo de las 3 direcciones. Se determinan así rangos de autocorrelación y un elipsoide de anisotropía. En el caso estudiado, la porosidad residual de la facies de arenas con buena porosidad presenta una autocorrelación que se puede ajustar mediante un efecto pepita (nugget) de 0.15 y un modelo esférico de rango 1200m en la dirección NNO , 1100m en la perpendicular, y 9m en la vertical (Fig.11). Para ajustar los variogramas de Sw se utilizó también un efecto pepita de 0.13, y un modelo exponencial de rango 1300m en la dirección principal, 2000m en la perpendicular, y 40m en la vertical.

Fig.10: Distribución de porosidad en la facies 2 (arena) antes y después de la normalización.

El semivariograma y los valores de los pozos son los datos necesarios para el proceso de simulación. Cabe aclarar que tanto la normalización como el análisis de autocorrelación se hacen para cada variable (PIGN, Sw) y en cada facies (arcilla, arena pobre en porosidad y arena con buena porosidad)en forma independiente. Una vez más, el resultado de la simulación no es único, pues aunque respeta los valores de pozo, tiene una componente aleatoria. De este modo se debe realizar un estudio probabilístico de valores. Se puebla cada una de las realizaciones obtenidas del modelo de facies con una realización distinta de las propiedades petrofísicas. Así se obtiene por ejemplo diferentes distribuciones de porosidad en distintos canales, siendo todas equiprobables. Se obtiene así un modelo de canales con valores de porosidades acordes a las facies y que respeta los valores medidos. Lo mismo con la saturación de agua. Se realizó este procedimiento para cada una de las realizaciones de canales, obteniendo en total 30 grillas de porosidad y saturación de agua (Fig.12). Conviene destacar que se utilizó un método estocástico para modelar Sw ya que no se dispone de información confiable acerca de la existencia y cota de tablas de agua, ni se posee información de curvas de presión capilar. Si se tuvieran ambos datos, se podría haber generado una grilla de Sw en forma determinística, como función de la altura y las facies.

Fig.11: estimación del semivariograma en 3D de la porosidad de las arenas.

RESULTADOS Se hicieron 30 realizaciones (grillas equiprobables) del modelo de canales, y se los evaluó con criterio estadístico y probabilístico. Se determinó la probabilidad de que cada celda de la grilla 3D sea arena, contando la cantidad de realizaciones en las que fue poblada con facies 2. Además se analizó la probabilidad de encontrar una dada cantidad de canales en cada posición X-Y, y también se obtuvo un mapa del número estimado de arenas (Fig.13).

. Los 30 diferentes modelos equiprobables de distribución de canales se obtuvieron con las respectivas porosidades y saturación de agua. A partir de ellos se pudo calcular el volumen de petróleo in-situ en una determinada región como así también el grado de incerteza en la estimación. Además, si se desea perforar un nuevo pozo, se puede estimar el volumen de arenas que contactará y el petróleo drenable. Estos valores dependen de la realización, con lo que podremos también determinar el error en la estimación de estos volúmenes. Como ejemplo, el histograma de la Fig. 14 muestra los diferentes volúmenes de petróleo

Fig.12: Ejemplo de realización de porosidad (izquierda) y saturación de agua (derecha)

Fig.13: Mapa del número estimado de arenas

drenable del pozo 124 obtenidos con las 30 realizaciones (coincidiendo su media con la producción acumulada real del mismo).

También se confeccionaron mapas de porosidad y Sw promedio de las 30 realizaciones (Fig.15). Además puede determinarse la probabilidad de encontrar porosidad o saturación de petróleo por encima de un determinado cutoff.

CONCLUSIONES El modelado tridimensional de reservorios es una herramienta poderosa que en este trabajo permitió: • Capturar y representar cualitativa y cuantitativamente ideas y conceptos geológicos detrás del reservorio. • Facilitar el control de calidad y la integración de los valores medidos provenientes de las distintas fuentes

de información. • Analizar la distribución espacial de las distintas propiedades del reservorio, como así también su

comportamiento. • Evaluar eficazmente las reservas de hidrocarburos, logrando un adecuado análisis del riesgo.

Fig.14: Izq: ejemplo de celdas de arenas contactadas por el pozo 124 en una realización, con un radio de drenaje de 150m. Der.: histograma de volumen de hidrocarburos drenable obtenido con 30 realizaciones.

Fig.15: Izq: mapa promedio de porosidad. Der: mapa promedio de saturación de agua.

• Herramienta de gran utilidad para determinar una locación para un nuevo pozo tanto de desarrollo como de avanzada.

BIBLIOGRAFIA Bridge, J.S., Jalfin, G.A. y Georgieff, S.M., 2000. Geometry, lithofacies and spatial distribution of Cretaceous fluvial sandstone bodies, San Jorge basin, Argentina: Outcrop analog for the hydrocarbon-bearing Chubut Group. Journal of Sedimentary Research, 70(2):341-359. Figari, E., Strelkov, E., Laffitte, G., Cid De La Paz, M., Courtade, S., Celaya, J.,Vottero, A., Lafourcade, P., Martinez,R. Y H. Villar. 1999, Los Sistemas Petroleros de la Cuenca del Golfo San Jorge : Síntesis Estructural, Estratigráfica y Geoquímica. En : Los Sistemas Petroleros de Argentina. Eds : Laffitte, G., Villar, H. y L. Legarreta. 40 pg. IV Congreso de Exploracion y Desarrollo de Hidrocarburos. Mar del Plata.