4 Oilfield Review

Tecnología de pozos inteligentes en el almacenamiento subterráneo de gas

Kenneth BrownPittsburgh, Pensilvania, EUA

Keith W. ChandlerJohn M. HopperLowell ThronsonFalcon Gas Storage Company, Inc.Houston, Texas, EUA

James HawkinsMidland, Texas

Taoufik ManaiParís, Francia

Vladimír OnderkaRWE Transgas NetBrno, República Checa

Joachim WallbrechtBEB Transport und Speicher Service GmbHHannover, Alemania

Georg ZanglBaden, Austria

Por su colaboración en la preparación de este artículo, seagradece a Edmund Knolle, Falcon Gas Storage Company,Houston; y a Monsurat Ottun, Houston.BorView, BlueField, DECIDE!, ECLIPSE, ELANPlus, FMI(generador de Imágenes Microeléctricas de Cobertura Total),NODAL, Petrel y PIPESIM son marcas de Schlumberger.Excel es una marca de Microsoft Corporation.

Las tecnologías de pozos inteligentes son ideales para las instalaciones de

almacenamiento subterráneo de gas. Las propiedades de las formaciones ya han

sido determinadas; la capacidad de almacenamiento y la capacidad de producción

pueden ser modeladas; y las herramientas analíticas pueden rastrear las tendencias

de producción históricas. Estas tecnologías proveen sistemas de almacenamiento y

suministro eficientes y económicamente efectivos, lo que ayuda a asegurar la

posición del gas natural como fuente de energía confiable.

A la hora de aplicar tecnologías de pozos inteli-gentes a la producción de petróleo y gas, un obje-tivo fundamental es maximizar el valor de unactivo que decrece en forma permanente. Para lasinstalaciones de almacenamiento subterráneo degas natural, la aplicación de estas tecnologías in-teligentes puede diferir sustancialmente, sobretodo porque el yacimiento de gas puede ser rea-bastecido. Por consiguiente, es la capacidad parainyectar y extraer reiteradamente el gas naturalde la instalación de almacenamiento subterráneoa alta tasa de flujo de producción lo que debe op-timizarse y manejarse de manera inteligente.

Las propiedades de las formaciones definen elnivel óptimo en el que un pozo fluye con altastasas de recuperación. A medida que el gas natu-ral almacenado es recuperado del yacimiento, lapresión se reduce y las tasas de flujo caen. El gasde colchón—el gas que permanece en su lugarentre los ciclos de inyección y extracción—ase-gura que exista presión suficiente para mantenerlas tasas de flujo mínimas deseadas en el mo-mento de la extracción. La presión y el volumenprovistos por el gas de colchón también reducenla probabilidad de influjo de agua en el casquetede gas y pueden impedir el movimiento del con-tacto agua-gas. Dado que el componente más carode una instalación de almacenamiento subterrá-neo de gas (UGS) puede ser el gas de colchón, elhecho de minimizar su volumen y conocer el yaci-miento suficientemente bien para definir el rangode operación eficiente puede reducir el costo total

de desarrollo de un proyecto de almacenamiento,además de mejorar en forma significativa la renta-bilidad del proyecto.

En la producción de hidrocarburos, las tecno-logías de pozos inteligentes permiten que los inge-nieros de yacimientos utilicen información talcomo curvas de declinación, relaciones de ba-lance de materiales, curvas de comportamientodel pozo (IPR), y simulaciones y modelos de yaci-mientos; todo esto en tiempo real o casi real.1 Unsistema sofisticado puede adoptar automática-mente acciones correctivas o alertar al operadoracerca de que la operación de intervención estágarantizada. El objetivo final de los pozos de pro-ducción inteligentes es suministrar más petróleoy gas con mayor eficiencia; a un costo más bajo.

Si bien las instalaciones UGS también se be-nefician con las eficiencias y el costo más bajo queproveen las tecnologías de pozos inteligentes, noson operadas para maximizar la recuperación dehidrocarburos. De hecho, las operaciones de al-macenamiento de gas en muchos lugares delmundo se asemejan más a un banco que a un ya-cimiento productivo. De la misma manera en queel dinero entra y sale de un banco, los activos, enforma de gas natural, entran y salen del yaci-miento que constituye su lugar de almacena-miento. Cuando se lo solicita, a veces mesesdespués de su inyección en un yacimiento de al-macenamiento, aunque cada vez con más frecuen-cia a los pocos días o incluso a las pocas horas, elgas es entregado a un comprador que lo suministra

Verano de 2008 5

tracción—el operador debe ser reactivo y actuarrápidamente para evitar el daño mecánico del pozoy del yacimiento. Como componentes vitales de laentrega segura de gas natural, estas instalacionesdeben ser manejadas adecuadamente.

El mantenimiento de suministros confiables degas natural se ha convertido recientemente en unaprioridad geopolítica en muchas partes del mundo.Las regulaciones gubernamentales, tales como las

de la Unión Europea, han incidido en forma cre-ciente en la forma en que opera la industria UGS.La tecnología de pozos inteligentes está siendoadoptada como un subproducto natural de estosdesarrollos porque ayuda a facilitar el proceso au-tomático de almacenamiento y suministro de gasnatural, mejora las eficiencias operacionales deestas instalaciones y asiste en la optimización delmanejo de los activos (gas) en el terreno.

a los clientes industriales y particulares. Los ban-cos han automatizado el flujo de fondos y capitalentre las instituciones y los usuarios; de un modosimilar, las instalaciones de almacenamientoestán automatizando el flujo de gas natural entreproductores y consumidores.

Las operaciones UGS difieren además de lasoperaciones tradicionales de producción de gasporque los pozos deben ser capaces de tolerar pre-siones de inyección altas, lo que rara vez se experi-menta en los pozos de producción, y las tasas deextracción de las instalaciones UGS pueden serentre 5 y 10 veces superiores. Los pozos UGS po-seen una esperanza de vida larga; por consiguiente,el mantenimiento de la integridad del pozo y la in-tegridad del yacimiento son aspectos cruciales deléxito de las operaciones. Debido al rápido cambiode los modos operacionales—de inyección a ex-

1. El proceso de agotamiento de los hidrocarburos seproduce de manera predecible en base a las propie -dades de las formaciones y de los componentes de laterminación del pozo. La tasa de declinación de lasreservas puede ser graficada para definir una curva de declinación.El balance de materiales es una expresión quecorresponde a la conservación de la masa. La cantidadde masa que abandona un volumen de control es igual ala cantidad de masa que ingresa en el volumen, menosla cantidad de masa acumulada en el volumen. A travésdel balance de materiales, las presiones del yacimiento

medidas con el tiempo pueden ser utilizadas paraestimar el volumen de hidrocarburos remanentes.La curva de comportamiento del pozo, IPR, es unaherramienta utilizada en ingeniería de producción paraevaluar el desempeño de los pozos de gas a través de lagraficación de la tasa de producción del pozo en funciónde la presión de flujo de fondo de pozo (BHP). Los datosrequeridos para crear la curva IPR se obtienen midiendolas tasas de producción bajo diversas condiciones depresión de flujo durante una prueba de tasas múltiples.La composición del fluido de yacimiento y el compor -tamiento de sus distintas fases bajo condiciones de flujo,determinan la forma de la curva.

> Cortesía de Falcon Gas Storage Company, Inc.

El grado de implementación varía entre las di-ferentes operaciones, y no todas las instalacionesUGS operan utilizando estas tecnologías relativa-mente nuevas. No obstante, el desempeño opera-tivo mejorado, que ha sido demostrado, estáinstando a los operadores a renovar y mejorar mu-chas operaciones de almacenamiento más anti-guas; arrojando a veces beneficios inesperados.

Luego de una breve revisión de los fundamen-tos del almacenamiento de gas, este artículo exa-mina los diferentes niveles de la tecnología depozos inteligentes que está siendo aplicada a las

operaciones de almacenamiento subterráneo degas en América del Norte y Europa. Presentamosestudios de casos que muestran cómo se utilizanlos datos en tiempo real para identificar la pre-sencia de daño en los pozos de almacenamiento ycómo la implementación de las nuevas técnicasde optimización y supervisión ha mejorado el de-sempeño de estas operaciones. Se incluye ademásuna descripción de una operación automatizadade vanguardia, que integra tres niveles de tecno-logía de pozos inteligentes.2

Un precursor del almacenamiento subterráneo de gasTradicionalmente, el gas natural ha sido conside-rado un combustible de temporada debido a lamayor demanda de calefacción que tiene lugar du-rante los meses de invierno. Comenzando en ladécada de 1940, la industria del gas natural deEUA reconoció que la capacidad de las líneas deconducción de larga distancia no era suficientepara suministrar gas natural a los grandes centrospoblacionales durante los períodos de máxima de-manda. Para equilibrar el ciclo de demanda degas, se desarrolló una red de almacenamientopara inyectar gas en las instalaciones de almace-namiento subterráneo, cuando la demanda erabaja, liberándolo durante los períodos de de-manda alta. Esta regulación de la demanda se co-noce como recorte de la demanda de punta.

No obstante, el almacenamiento subterráneode gas existe desde hace tanto tiempo como las lí-neas de conducción de larga distancia. En el año1915, se almacenó por primera vez gas natural conéxito en el subsuelo en el Condado de Welland, enOntario, Canadá. Varios pozos de un campo de gasparcialmente agotado fueron reacondicionados,inyectándose gas en el yacimiento durante el ve-rano y extrayéndose durante el invierno siguiente.

En el año 1916, Iroquois Gas Company puso enoperación el Campo Zoar, al sur de Buffalo, enNueva York, EUA, como sitio de almacenamientoque aún hoy sigue operando. En 1919, CentralKentucky Natural Gas Company inyectó gas en elcampo gasífero agotado Menifee, situado enKentucky, EUA. Para el año 1930, se encontrabanen operación nueve sitios de almacenamiento enseis estados diferentes, con una capacidad totalde aproximadamente 18,000 MMpc [510 millonesde m3]. Antes de 1950, esencialmente todas lasinstalaciones de almacenamiento subterráneo degas consistían en yacimientos de gas reutilizados,parcial o totalmente agotados.

Hoy, los dos tipos más importantes de locali-zaciones de almacenamiento subterráneo de gasson las cavernas y los yacimientos porosos. Las ca-vernas salinas lixiviadas y las minas abandonadasdan cuenta de una pequeña porción de la capaci-dad de almacenamiento total, mientras que los ya-cimientos de petróleo y gas agotados y los acuíferossalinos constituyen, indudablemente, el medioUGS más común (izquierda, extremo superior). Elalmacenamiento en cavernas de sal, más adecuadopara las operaciones de suministro e inyección aalta tasa de flujo, se utiliza fundamentalmente confines de suministro para los días de mayor con-sumo.3

6 Oilfield Review

> Almacenamiento subterráneo de gas por tipo. Las instalaciones UGSpueden adoptar diversas formas, pero los yacimientos de hidrocarburosagotados y los acuíferos salinos conforman el 96% del suministro global. La elección del tipo de almacenamiento puede ser orientada por la dis po -nibilidad: los acuíferos y las cavernas de sal conforman el 34% de lacapacidad de almacenamiento de Europa Occidental, frente a sólo 14% en EUA, donde existe mayor acceso a los campos agotados. (Adaptado de Wallbrecht, referencia 6.)

Campos de petróleo ygas agotados: 81.6%

Acuíferos: 14.5%

Cavernas de sal: 3.9% Minas abandonadas: 0.02%

Distribución global del volumen de gas de trabajo por tipo de almacenamiento

> Ciclicidad de la utilización del gas natural. Como fuente de calefacciónpara consumo doméstico en EUA (azul), el gas natural de almacenamientoalcanza su punto máximo en los meses de invierno. Cuando se utiliza parala generación de electricidad destinada a proveer servicios de refrige ra -ción (rojo), su empleo alcanza su punto máximo en los meses de verano. Eluso comercial, orientado por la temperatura (negro), rastrea la demandapara consumo doméstico. Obsérvese también el incremento del uso del gaspara la generación de electricidad en los años sucesivos. [Adaptado dehttp://www.eia.doe.gov/oil_gas/natural_gas/info_glance/natural_gas.html(Se accedió el 29 de febrero de 2008.)]

Utili

zaci

ón d

e ga

s, T

pc

1.0

0.8

0.6

0.4

0.2

0

Utili

zaci

ón d

e ga

s, m

il m

illon

es d

e m

3

0

4

8

12

16

20

24

28

Año2004 2005 2006 2007 2008

Consumo doméstico

Consumo comercialEnergía eléctrica

Verano de 2008 7

Habitualmente, entre el 20 y el 30% del gasdebe permanecer en su lugar para mantener la es-tabilidad estructural de la caverna. Los acuíferossalinos permiten un suministro a alta tasa de flujo,pero los requerimientos en términos de gas de col-chón son significativos y oscilan entre el 50 y el 80%de la capacidad de almacenamiento total. Sin lugara dudas el tipo más común de almacenamiento, losyacimientos de hidrocarburos agotados se utilizanpara el suministro de estación o para la regulaciónde la demanda alta. Típicamente, se debe mante-ner entre un 30 y un 50% de la capacidad de alma-cenamiento como gas de colchón.4

En los últimos años, las prácticas de extrac-ción en las instalaciones UGS se han modificadoen EUA debido al incremento del empleo del gasnatural para la generación de electricidad. La ex-plotación en los meses de verano es mayor que enel pasado porque el gas natural está siendo utili-zado con el fin de generar electricidad para los re-querimientos de los sistemas de aire acondicionadoy refrigeración (página anterior, abajo). De mu-chas maneras, esto ha modificado el campo deaplicación de las operaciones de almacenamientode gas en EUA. Las instalaciones UGS que se en-cuentran ubicadas en las proximidades de las cen-trales eléctricas de gas se utilizan para moderar elsuministro, según las variaciones estacionales yhorarias. Diariamente, el gas de almacenamientopuede ser explotado en los períodos de alta de-manda y almacenado en los períodos de baja de-manda. La capacidad de las líneas de conduccióncomerciales probablemente no sea adecuada parasuministrar cantidades suficientes de gas durantelos períodos de mayor consumo—o para apartarel gas durante los períodos de baja demanda—pero la instalación UGS puede compensar la insu-ficiencia en cualquiera de ambos casos.

El almacenamiento subterráneo de gas natu-ral no es sólo un fenómeno norteamericano—ac-tualmente, en el mundo operan instalaciones dealmacenamiento en 33 países—si bien EUA cuenta,sin dudas, con el mayor número. Como fuente deenergía, la utilización de gas natural en el sectordoméstico y en el sector comercial de EuropaOccidental ha superado el 44%, lo que destaca laimportancia de mantener un suministro ininte-rrumpido y seguro. En Francia, las instalacionesde almacenamiento en ciertos momentos han pro-porcionado más de la mitad del gas de clientesparticulares, necesario para satisfacer la de-manda controlada por la temperatura.5

Europa Occidental experimentó reciente-mente un incremento del comercio del gas entrelas sociedades de control y los abastecedores del

mercado. La utilización de las instalaciones de al-macenamiento de gas a menudo es orientada porlas operaciones de compraventa en el corto plazo,más que por el proceso tradicional de recorte dela demanda de punta. La rentabilidad, tanto paralos compradores como para los abastecedores, esdeterminada por la capacidad de la instalaciónUGS para almacenar y suministrar gas, bajo de-manda, en forma económicamente efectiva.

En 1997, existían 580 sitios UGS en todo elmundo, de los cuales 448 se encontraban en yaci-mientos agotados En el año 2006, de los 606 sitiosUGS estimados, el número de yacimientos agota-dos había crecido a 495.6 En 1996, existían 92 ope-raciones UGS en Europa, excluyendo Rusia. Parael año 2006, el número total era de 127; un incre-mento del 38%. El volumen de gas de trabajo, en

las instalaciones de almacenamiento de la mismaárea, pasó de 60.6 millones de m3 [2,140 MMpc] a110.5 millones de m3 [3,900 MMpc], un incre-mento del 82%.

Si bien EUA ha mostrado una reducción leve dela cantidad de sitios UGS, entre 1995 y 2004, su ca-pacidad de almacenamiento total experimentó unincremento marginal a través de la utilización me-jorada de los campos y la reconversión de las insta-laciones existentes (arriba). Muchas de estasoperaciones UGS más antiguas fueron desarrolla-das antes de la introducción de las herramientas demodelado de yacimientos disponibles hoy en día.Los avances registrados en términos de tecnologíade sensores y equipos de superficie están siendoaplicados en estas instalaciones más antiguas, ha-ciéndolas “más inteligentes” y más versátiles.7

2. Para obtener más información sobre aplicaciones decampos inteligentes en pozos productores, consulte:Dyer S, El-Khazindar Y, Reyes A, Huber M, Raw I y ReedD: “Terminaciones inteligentes: Manejo automatizado depozos,” Oilfield Review 19, no. 4 (Primavera de 2008): 4–17.

3. Para obtener más información sobre el almacenamientosubterráneo de gas, consulte: Bary A, Crotogino F,Prevedel B, Berger H, Brown, K, Frantz J, Sawyer W,Henzell M, Mohmeyer K-U, Ren NK, Stiles K y Xiong H:“Almacenamiento subterráneo de gas natural,” OilfieldReview 14, no. 2 (Otoño de 2002): 2–19.

4. Para obtener más información sobre las tendenciasactuales en términos de UGS, consulte:https://www.ferc.gov/EventCalendar/Files/20041020081349-final-gs-report.pdf (Se accedió el 23 de enero de 2008).

5. Chabrelie MF, Dussaud M, Bourjas D y Hugout B:“Underground Gas Storage: Technological Innovations

for Increased Efficiency,” http://217.206.197.194:8190/wec-geis/publications/default/tech_papers/17th_congress/2_2_09.asp (Se accedió el 12 de diciembre de 2007).

6. Wallbrecht J: “Underground Gas Storage,” UniónInternacional del Gas, Informe de la Comisión de Trabajo2, Actividades UGS Básicas, presentado en la 23aConferencia Mundial del Gas, Ámsterdam, 5 al 9 de juniode 2006, http://www.igu.org/html/wgc2006/WOC2database/index.htm (Se accedió el 27 de marzo de 2008).

7. Para obtener más información sobre los desarrollosrecientes en términos de sensores e instrumental, enpozos inteligentes, consulte: Bouleau C, Gehin H,Gutiérrez F, Landgren K, Miller G, Peterson R, SperandioU, Traboulay I y Bravo da Silva L: “La gran visión deconjunto,” Oilfield Review 19, no. 4 (Primavera de 2008): 36–51.

> Suministro creciente. El volumen de gas de trabajo ha crecido en forma sostenida en los últimos 35 años, produciéndose gran parte del incremento fuera de América del Norte y América del Sur (azul),especialmente en Europa Oriental y Medio Oriente (negro), lo que incluye a Rusia. Las proyeccionesactuales indican que la capacidad es insuficiente para satisfacer la demanda a largo plazo y serequiere mayor crecimiento. (Adaptado de Wallbrecht, referencia 6.)

350

300

250

200

150

100

50

01970 1975 1980 1985 1990 1995 2000 2005

Año

Volu

men

de

gas

de tr

abaj

o, 1

09 m3

TotalEuropa Orientaly Medio OrienteAméricaEuropa Occidental

Medio Oriente 2%

América del Norte yAmérica del Sur 35%

Asia 2%

Europa Occidental 19%

Europa Oriental 42%

Distribución del volumen de gas de trabajo por región en el año 2004

¿Cuál es el grado de inteligencia de un pozo inteligente?La inteligencia relativa de las operaciones de al-macenamiento de gas puede agruparse en tres ni-veles. El Nivel I, el flujo automatizado de datos, esreactivo: recibir los datos, analizarlos y responder.El Nivel II, supervisión y optimización, es reflec-tivo pero se centra en la acción: analizar los datos,comparar y validar los modelos, manejar los mode-los y determinar los cursos de acción necesarios.El Nivel III puede describirse como el campo pe-trolero digital: integrar los procesos, optimizar,automatizar y operar en forma remota, cuando esaplicable, de un modo proactivo (derecha).

La inteligencia de Nivel I comienza mediantela generación de confianza en los datos. Los siste-mas de supervisión, control y adquisición de datos(SCADA) pueden encontrarse en la mayoría de lasoperaciones UGS. Estas redes computarizadas ad-quieren en forma remota datos de pozos, talescomo tasas de flujo, presión y volumen de flujo, ycontrolan la transmisión del gas a lo largo de todoun sistema de líneas de conducción. Con millonesde puntos de medición adquiridos de este modo,es imposible validar manualmente toda la infor-mación. La automatización del control de calidaddel flujo de datos constituye una necesidad.

El software para las operaciones tradicionalesde producción de petróleo y gas se utiliza a me-nudo para las aplicaciones UGS con el fin de iden-tificar problemas de desempeño y monitorear los

pozos individuales, evaluar las terminaciones depozos y caracterizar el yacimiento. En estos pro-gramas se utilizan con frecuencia el análisis detendencias y el ajuste con curvas tipo. No obs-tante, la mayoría de los programas petrofísicosestán pobremente equipados para manipular elenorme volumen de datos SCADA provenientes delas operaciones UGS. Además, no pueden trataren forma efectiva los datos ruidosos que resultande errores de sensores y respuestas espurias

(abajo).8 Dado que la utilización correcta de estasaplicaciones a menudo depende de la capacidadpara identificar el comienzo de las tendencias li-neales con el tiempo o identificar claramente ras-gos sutiles en diversas curvas tipo, los datos debenser limpiados y reducidos para lograr la identifica-ción adecuada de dichos rasgos (próxima página).Por consiguiente, antes de importar los datos enestos programas, se aplica la reducción de losdatos inteligentes.

8 Oilfield Review

>Niveles de inteligencia. En la implementación de la tecnología de pozos inteligentes se puedenidentificar tres niveles. Cada nivel va sumando complejidad y se basa en los otros. El más integrales el campo petrolero digital, con la optimización y las oportunidades de automatización.

Yacimiento

Pozos

Sistema derecolección

Instalaciones

Nivel I, Reactivo

Datos dinámicos: sistema SCADADatos estáticos: pozo,

yacimiento y tecnología

Nivel II, Activo

Nivel III, Proactivo

Campo petrolero digital

Supervisión y optimización

> Limpieza y reducción de datos ruidosos. Los datos muestreados a alta frecuencia pueden exhibir un nivel de ruido considerable; además, puedenproducirse errores en los sensores. Si bien la mayoría de estos datos es útil, los picos y el ruido observados en el tamaño del estrangulador (extremosuperior izquierdo, azul), la presión de fondo de pozo (extremo superior izquierdo, rojo), la presión de boca de pozo (extremo inferior izquierdo, verde) y la temperatura de boca de pozo (extremo inferior izquierdo, negro) dificultan su utilización con los programas de modelado. Después de la limpieza y la reducción, los datos (derecha) pueden ser utilizados en el software de análisis petrofísico. (Adaptado de Holland et al, referencia 8.)

Tiempo Tiempo

Presión de boca de pozoTemperatura de boca de pozo

Presión de fondo de pozoTamaño del estrangulador

Datos muestreados a alta frecuencia Datos limpiados y reducidos

Verano de 2008 9

Los datos proveen conocimientos para evaluarel estado relativo de los pozos individuales y delcampo productivo. La capacidad de ciclado reite-rado de los pozos de almacenamiento de gas—pe-ríodos de inyección seguidos por períodos deproducción—constituye una diferencia fundamen-tal entre los yacimientos productivos y los yacimien-tos de almacenamiento. Ocasionalmente, los pozosde almacenamiento permanecen estáticos por lap-sos de tiempo variables y los datos recolectadospueden ser tratados como una prueba convencio-nal de incremento de presión de corta duración.Los cambios que se producen entre un ciclo y otropueden ser indicativos del desarrollo de problemasen los pozos individuales, en el yacimiento o en el

equipo de superficie. Mediante el análisis de estosdatos, se puede reconocer la presencia de daño eimplementar planes de remediación.

Los primeros usos de los datos de medicionesde flujo electrónico (EFM) en los campos UGS, de-mostraron claramente su valor en cuanto al mo-nitoreo del desempeño de los pozos, la ejecuciónde supervisiones de rutina y la identificación deproblemas operacionales.9 En el año 2002, comoparte de un estudio auspiciado por el Instituto deTecnología de Gas (GTI), los ingenieros deSchlumberger utilizaron los datos EFM para de-sarrollar una forma razonablemente precisa, yeconómicamente efectiva, de detectar la presen-cia de daño de pozo en los pozos de almacena-

miento de gas.10 El ímpetu para este trabajo fue lapráctica bastante común de efectuar pruebas decontrapresión de superficie en los pozos UGS,para evaluar el daño de manera muy infrecuente;era habitual efectuar pruebas cada 1 o 3 años. Lanaturaleza infrecuente de dichas pruebas hacíaimposible determinar la presencia de daño incre-mental o cambios repentinos a lo largo de marcostemporales razonables, tales como durante unciclo de inyección o extracción. La determinaciónde los cambios producidos en el daño, en tiempocasi real, es importante ya que el daño podríahaber ocurrido durante la inyección o la extrac-ción, o durante el paso de un ciclo al otro. Estetrabajo permitió estimar los niveles de daño en los

> Datos más limpios y más coherentes. Los datos de mediciones de flujo electrónico (EFM) de alta frecuencia (izquierda), obtenidos de los sistemas SCADA,muestran considerable dispersión, lo que dificulta su utilización. Es casi imposible identificar las porciones lineales de los datos y determinar los rasgossutiles, que son cruciales para el ajuste con curvas tipo. El objeto de la gráfica de flujo radial (extremo superior izquierdo) es determinar la pendiente dela porción lineal de los datos. Mediante la eliminación de los puntos de medición absurdos y el promediado de los datos a intervalos de 10 minutos (ex -tremo superior derecho), la dispersión se reduce y la pendiente de la línea se vuelve más obvia. Los efectos de almacenamiento del pozo, ocultos en losdatos crudos, ahora pueden verse en el extremo derecho de la curva. Un mejoramiento similar en la gráfica doble logarítmica de las curvas de incre -mento de presión y de sus derivadas (extremo inferior) ayuda a entender los datos. El ruido y la dispersión observados en los datos originales (extremoinferior izquierdo) dificultarían el ajuste con curvas tipo y la identificación de la porción lineal. Con los datos agregados y limpiados (extremo inferiorderecho), la sección lineal puede ser determinada y utilizada para la estimación de la permeabilidad. Los cambios sutiles, producidos en la forma de lamitad derecha de la curva de la derivada que se utiliza para determinar las condiciones de borde del yacimiento, son discernibles. Sin la limpieza y lareducción, estos datos serían extremadamente dificultosos de interpretar. (Adaptado de Brown y Meikle, referencia 9.)

0.1

0.01

0.001

0.0001

0.01 1 10

Gráfica doble logarítmica de datos EFM de alta frecuencia

Tiempo equivalente, h0.1

Δpr

esió

n/Δ

tasa

de

flujo

Incremento de presiónDerivada

0.1

0.01

0.001

0.0001

0.01 1 10

Gráfica doble logarítmica de datos limpiados ypromediados a intervalos de 10 minutos

Tiempo equivalente, h0.1

Δpr

esió

n/Δ

tasa

de

flujo

Función de tiempo

123

122

12110 100

Gráfica de flujo radial de datos EFM de alta frecuenciaPs

eudo

pres

ión

Gráfica de flujo radial de datos limpiados ypromediados a intervalos de 10 minutos

123

122

12110 100

Función de tiempo

Pseu

dopr

esió

n

8. Holland J, Oberwinkler C, Huber M y Zangl G: "Utilizingthe Value of Continuously Measured Data," artículo SPE 90404, presentado en la Conferencia y ExhibiciónTécnica Anual de la SPE, Houston, 26 al 29 deseptiembre de 2004.

10. Brown KG y Sawyer WK: “Novel Surveillance HelpsOperators Track Damage,” artículo SPE 75713,presentado en el Simposio de Tecnología del Gas de la SPE, Calgary, 30 de abril al 2 de mayo de 2002.

9. Brown KG y Meikle DE: “The Value of WellheadElectronic Flow Measurement in Gas Storage Fields,”artículo SPE 31000, presentado en la Conferencia yExhibición Regional de Oriente de la SPE, Morgantown,Virginia Oeste, EUA, 17 al 21 de septiembre de 1995.

pozos UGS con más frecuencia de la que era posi-ble previamente.

En un estudio GTI más reciente, los ingenie-ros de Schlumberger desarrollaron un métodopara utilizar los datos EFM con el fin de rastreare identificar continuamente el daño producido enel pozo con el tiempo.11 Los desarrollos en térmi-nos de tecnología de pozos inteligentes, inclu-yendo las mejoras introducidas en los sensores ylos datos de flujo en tiempo real, se combinaroncon la experiencia adquirida de estudios EFM pre-vios para desarrollar técnicas de identificación dedaños a ser utilizadas en instalaciones UGS, talescomo una instalación operada por Columbia GasTransmission Corporation en la región noreste deEUA. El yacimiento estaba compuesto por una are-nisca consolidada, que formó una trampa estrati-gráfica con un espesor promedio de 3 m [10 pies],una porosidad promedio del 10% y una permeabi-lidad promedio de 150 mD. De los 20 pozos delcampo, cinco fueron identificados como pozosclave a los fines del estudio.

Un sistema SCADA recolectó datos EFM depresión y tasa de flujo de alta frecuencia en los ca-bezales de los pozos a intervalos de 15 segundos.El operador recopiló registros mensuales, con115,000 puntos de medición por pozo por día, y losentregó a los ingenieros de Schlumberger. Se uti-lizó una rutina de software para analizar los datosde todo el campo en archivos individuales paracada pozo. Esto permitió reducir los conjuntos dedatos a un volumen más manejable y automatizarel proceso de hacer útil la información.

Dado que cada pozo generó 3 millones de pun-tos de medición a lo largo del desarrollo del estu-dio, se desarrolló una rutina sólo para manipularlos datos crudos. Esta rutina ejecutó tres funcio-nes esenciales: una correlación de las propieda-des del gas, un cálculo de la presión de fondo depozo y el procesamiento de los datos. El módulode correlación de las propiedades del gas calculala temperatura y la presión pseudo-críticas, el fac-tor z, el coeficiente de compresibilidad isotermal,el factor de volumen de formación de gas y la den-

sidad, la viscosidad y la pseudopresión del gas.12

Además, formatea los datos para su exportación alos libros de trabajo de Excel.

Los datos EFM de alta frecuencia se agregan alo largo de intervalos de 10 minutos durante elflujo. La rutina de software computa la tasa de flujopromedio y la presión promedio, junto con la des-viación estándar de estas cantidades, y señala losdatos atípicos como inválidos, si existe una inver-sión del flujo o si se produce una combinación demediciones de tasas EFM cero y distintas de cero.

Durante los períodos de cierre, se aplica a losdatos una ventana de ancho variable para obteneraproximadamente el mismo número de puntos paracada ciclo. La rutina de software ajusta los datospara establecer factores de ponderación. Para cali-ficar los datos como un período de cierre válidopara el análisis de incremento o caída de presión,se aplica una serie de filtros en base a la duracióndel período de inyección o producción previo, la du-ración del período de cierre y el lapso de tiempo ne-cesario para adquirir datos suficientes para que el

10 Oilfield Review

>Monitoreo del desempeño del pozo. Si el factor de daño mecánico, s, y el coeficiente de flujo no darciano, D, permanecen constantes, el factor de dañomecánico aparente, S, graficado versus la tasa de flujo debería ser una línea recta (izquierda, negro). Si s o D cambian, la gráfica cambia dependiendo deltipo de daño. De acuerdo con los datos EFM (extremo superior derecho), se produce un cambio en escalón en s, entre los dos ciclos de extracción (flechas).La representación gráfica de la tasa de flujo (extremo inferior derecho) versus el valor S de la inyección (incremento de presión) y el valor S de la extracción(caída de presión) revela los cambios que ocurren durante la inyección pero no durante la extracción. Si s y D hubieran permanecido constantes, los datoshabrían caído a lo largo de la línea de referencia (rojo). En este ejemplo, el cambio observado en la pendiente indica un incremento de D. (Adaptado deSpivey et al, referencia11.)

Extracción Inyección Extracción

0

Fact

or d

e da

ño m

ecán

ico,

s –1

–2

–3

–4

–5

Fecha4/1/041/16/0411/1/03 6/16/04 8/31/04 11/15/04 1/30/05 4/16/05

Desplazamiento tanto en la pendiente como en la ordenada en el origen: se modificaron s y D Desplazamiento

en la pendiente:se modificó D

Desplazamientoen la ordenadaen el origen:se modificó s

Fact

or d

e da

ño m

ecán

ico

apar

ente

, S

Tasa de flujo

Caída de presiónIncremento de presiónMejor ajuste

Fact

or d

e da

ño m

ecán

ico

apar

ente

, S

0–1,000–2,000–3,000–4,000–5,000 1,000 2,000 3,000 4,000 5,000

3

2

1

0

–1

–2

–3

–4

Tasa de flujo, Mpc/d

S = –2.67D = 1.124 D/MMpc

Verano de 2008 11

análisis sea válido. Se implementaron controlesadicionales para evitar limitaciones a la hora deexportar los datos a una planilla Excel.

En esta fase del proceso de manipuleo de losdatos debe intervenir un usuario para seleccionarlas gráficas y ajustar las escalas, según corres-ponda. El factor de daño mecánico aparente, S,puede ser graficado como una función del tiempoo la tasa de flujo. Si el factor de daño mecánico, s,y el coeficiente de flujo no darciano, D, son cons-tantes con el tiempo, luego, el factor de daño me-cánico aparente, S, será una función lineal de latasa de flujo y puede utilizarse para estimar s yD.13 Si s o D cambian con el tiempo, los datos noserán una función lineal de la tasa de flujo. Loscambios abruptos generarán agrupaciones depuntos de medición, y los cambios graduales pro-ducirán la desviación de los datos con respecto almodelo de referencia (página anterior).

Un estudio reveló que el 60% de los yacimien-tos evaluados tenía pozos en los que el flujo nodarciano se identificaba como un mecanismo dedaño.14 Si se asume que el daño está relacionadocon el factor de daño mecánico solamente, elplanteo de conclusiones erróneas podría condu-cir a una operación de intervención inadecuada oinefectiva. El daño mecánico a menudo se mejoramediante el bombeo de ácido a través de los dis-paros o mediante el fracturamiento hidráulico dela formación. Estos tipos de remediación no tra-tan los efectos del flujo no darciano en forma efec-tiva y su ejecución podría constituir una pérdidade tiempo y dinero.

En el período correspondiente al estudio deColumbia Gas Transmission, se observó un cam-bio en los efectos del flujo no darciano durante elciclo de inyección. El inicio del daño se aisló parauna semana determinada del año 2004. Numero-sos pozos del campo exhibieron este efecto delflujo no darciano incrementado, que fue identifi-cado por un cambio abrupto de la pendiente en la

gráfica de daño mecánico aparente versus tasa deflujo, mientras que otros pozos del campo no expe-rimentaron este cambio. El análisis indica que lacausa de este daño percibido está relacionada conun incremento del flujo turbulento durante el pro-ceso de inyección, más que con el daño mecánicode los pozos individuales. Por consiguiente, no segarantizaba ninguna operación de remediación.Si el problema se hubiera detectado durante unaprueba anual efectuada en un pozo individual, envez de detectarse a través del monitoreo continuode todos los pozos del campo, es posible que losresultados hubieran conducido al operador a laconclusión errónea y a gastos innecesarios.

Para efectuar los análisis se utilizaron las fuen-tes de datos existentes y las nuevas técnicas deanálisis de datos (data mining), lo que permitió aloperador determinar la fuente del daño percibidoy tomar la decisión correcta para abordarlo. Eneste estudio de un caso práctico, los pozos en cues-tión pudieron seguir operando y no fue necesarianinguna operación de remediación.15

El mejoramiento práctico conduce al Nivel IIEs probable que un enfoque sistémico con res-pecto a los procesos de inyección, almacena-miento y suministro para las instalaciones UGS,proporcione el mayor beneficio para los operado-res. El análisis de los pozos individuales, el mode-lado de yacimientos, el hardware de superficie ylas ineficiencias del sistema necesitan ser exhaus-tivamente evaluados pero no es suficiente con en-focarse en uno o dos aspectos de la operación,tales como los datos EFM, la caracterización deyacimientos o el hardware de superficie. El pro-ceso de optimización requiere que todos los com-ponentes sean considerados en conjunto paradesarrollar un modelo que represente el sistematotal. La optimización, el modelado y la supervi-sión son los componentes clave del desarrollo deuna instalación UGS inteligente de Nivel II.

La mayoría de los especialistas en pruebas depozos coincidirían en que el primer paso del pro-ceso de optimización es la caracterización de lospozos o de las terminaciones individuales. La con-dición y la calidad del yacimiento en la proximi-dad del pozo y el nivel de daño afectan laeficiencia de flujo de la terminación. Una vez de-terminados estos parámetros, se puede desarro-llar un modelo predictivo para proveer eldesempeño previsto bajo diversas condicionesoperativas. Las pruebas de pozos de tasas múlti-ples constituyen el método estándar para la ca-racterización completa del daño y desempeño delpozo y, con respecto al desarrollo de un modelorealista, son indispensables.

La prueba de presiones transitorias de tasasmúltiples cuantifica el factor de daño mecánico, s,y los efectos del flujo no darciano, D, y estableceun punto de referencia para la comparación fu-tura. Una vez probados los pozos individuales, elpaso siguiente consiste en caracterizar las propie-dades de producción del sistema con una pruebade flujo de tasas múltiples que abarca todo elcampo. Utilizando los datos operacionales, talescomo las tasas de flujo, las temperaturas y las pre-siones de los cabezales de los pozos, las instala-ciones de tratamiento y las estaciones de medición,un operador puede diseñar una prueba de tasasmúltiples efectiva del campo completo. Si todoslos pozos del campo pueden producir simultánea-mente, este tipo de prueba provee una curva decapacidad de producción de todo el campo. Latasa de flujo de todo el campo debería ser sufi-cientemente alta como para identificar el primercuello de botella producido en el sistema.

Los cuellos de botella pueden caracterizarsecomo ineficiencias del sistema que afectan el de-sempeño general ante alguna condición operativaespecífica. El tamaño del pozo, los tubulares, elequipo de boca de pozo, las líneas colectoras y lasinstalaciones de tratamiento impactan el sistema

11. Spivey JP, Brown KG, Sawyer WK y Gilmore RG:“Identifying the Timing and Sources of Damage in Gas Storage Wells Using Smart Storage Technology,”artículo SPE 97070, presentado en la Conferencia yExhibición Técnica Anual de la SPE, Dallas, 9 al 12 de octubre de 2005.

12. La temperatura pseudocrítica y la presión pseudocríticason las condiciones de presión y temperatura de unamezcla de componentes múltiples en las que el líquido yel vapor no se distinguen (porque las propiedades sonidénticas con esta combinación de presión y temperatura).El factor z, o factor de desviación de gases ideales, es ladesviación del comportamiento de un gas con respectoal de la ley de los gases ideales. El factor de volumen de formación de gas representa elcambio fraccional de volumen por cambio unitario en lapresión. El coeficiente de compresibilidad isotermal esuna medida del cambio de volumen relativo de un fluidoo un sólido en respuesta a un cambio de presión (o deesfuerzo medio). El factor de volumen de formación de

gas se utiliza para convertir un volumen de gas encondiciones de yacimiento, en un volumen de gas encondiciones estándar (de superficie), ya que el volumende cualquier gas depende de su presión y sutemperatura.

13. El factor de daño mecánico, s, es un número adimensionalcalculado para determinar la eficiencia de la producciónde un pozo mediante la comparación de las condicionesreales con las condiciones teóricas o ideales. Un factorde daño positivo indica que algún daño o influencia estádeteriorando la productividad del pozo. Un factor dedaño negativo indica un mejoramiento de la producción,normalmente como resultado de la estimulación.El coeficiente de flujo no darciano, D, se calcula a partirdel flujo de fluido que se desvía de la ley de Darcy. Laley de Darcy asume la presencia de flujo laminar en laformación, y si el flujo es turbulento en vez de laminar,se conoce como flujo no darciano. Normalmenteobservado en los pozos de gas que operan a alta tasade flujo, el flujo turbulento tiene lugar cuando el flujoque converge en el pozo alcanza velocidades que

exceden el número de Reynolds para el flujo laminar o el flujo darciano. Dado que la mayor parte del flujoturbulento presente en las formaciones productivastiene lugar cerca del pozo, el efecto del flujo nodarciano puede ser representado como un efecto delfactor de daño dependiente de la tasa, D.El factor de daño mecánico aparente, S, es similar a spero puede ser un resultado del daño mecánico o de losefectos del flujo no darciano, tales como una restriccióndependiente de la tasa de flujo.

14. Brown KG y SawyerWK: “Practical Methods to ImproveStorage Operations—A Case Study,” artículo SPE 57460,presentado en la Conferencia y Exhibición Regional deOriente de la SPE, Charleston, Virginia Oeste, 20 al 22 deoctubre de 1999.

15. Para obtener más información sobre los desarrollosrecientes en términos de sensores y manipuleo dedatos, consulte: Bouleau et al, referencia 7.

y pueden actuar como cuellos de botella (arriba).Una vez identificados estos cuellos de botella, losaspectos económicos determinan si vale la pena eli-minar su causa. Por ejemplo, si una prueba de tasasmúltiples indica que con una tubería de producciónmás grande se eliminará un cuello de botella, peroel tamaño del pozo limita los tubulares que puedeninstalarse, es poco lo que se puede hacer para resol-ver el problema. El agregado de pozos o el reem-plazo de pozos existentes, si bien implica un costoelevado, podría ser la única solución.

Si no es posible efectuar una prueba de flujodel campo completo, puede construirse una curvade capacidad de producción a partir de las prue-bas efectuadas en los pozos individuales. No obs-tante, se deben medir e incluir entonces los efectosde las instalaciones de superficie. A pesar de todo,el método del campo total arrojará los resultadosmás precisos.

Por último, se puede desarrollar un modelo deinventario para el campo de almacenamiento, quedescriba el inventario total de gas como una fun-ción de la presión del yacimiento. Esto se realizamanteniendo una tasa de flujo constante, desdeel campo de almacenamiento, por un tiempo sufi-ciente para que se alcance el estado pseudo-esta-ble, y utilizando la tasa de declinación de la presiónobservada durante el flujo en estado pseudo-esta-ble para calcular el volumen poroso del yaci-miento. En otras palabras, esta técnica puededeterminar el tamaño del “tanque” de almacena-miento subterráneo disponible para los procesosde almacenamiento y suministro. Una vez cuanti-ficado este volumen poroso del yacimiento, el ope-

rador puede estimar el volumen total de gas con-tenido en el yacimiento para una presión de yaci-miento promedio dada.

Con la tecnología existente, la presión prome-dio del yacimiento puede estimarse a partir de unaprueba de incremento de presión toda vez que hayaun período de cierre suficientemente largo en elcurso normal de las operaciones. Dado que el mo-delo de inventario del campo cuantifica la relaciónentre la presión promedio del yacimiento y el in-ventario total, el operador puede realizar audito-rías del inventario más frecuentes de lo que eraposible con los datos adquiridos durante los perío-dos rutinarios de cierre de primavera y otoño. Elcálculo de la presión promedio del yacimiento de-rivado de los datos de flujo, disponibles quizás conla tecnología actualmente en proceso de desarrollo,puede permitir la auditoría del inventario entiempo real en los campos UGS, en lugar de esperarlos datos de incremento de presión en el corto olargo plazo. Esto reviste particular importancia enlos casos en que el ciclado del gas es frecuente yno existe ningún cierre de rutina.

Una vez establecido el volumen poroso a travésde la recolección de datos tanto de pozos indivi-duales como de todo el campo, obtenidos en prue-bas prolongadas, se pueden derivar y comparardos estimaciones independientes del volumen po-roso. Esta información se integra con los datos depruebas de capacidad de producción para crear elmodelo del sistema total.

Varios programas, tales como los programas deanálisis del sistema de producción PIPESIM yNODAL, pueden utilizarse para construir un mo-

delo para el análisis nodal (próxima página, arriba).La creación del modelo comienza con la identifi-cación de los componentes físicos del sistema y laintegración de las propiedades del yacimiento, ob-tenidas de los registros de pozos y de las pruebasde pozos. Las características de los sistemas co-lectores, el equipo de procesamiento y el equipode superficie se agregan al modelo, que luego secalibra para determinar las variables del sistema,tales como la rugosidad de las tuberías y las lon-gitudes de las redes de recolección. El modelo seajusta para correlacionarse con los datos de pre-sión obtenidos durante las pruebas de pozos, en-focándose en los cuellos de botella.

El análisis de tendencias compara los resulta-dos reales de las operaciones rutinarias en cursocon los resultados basados en el modelo estable-cidos durante la fase de caracterización. Se hanutilizado herramientas predictivas más avanza-das, tales como el software de optimización de laproducción basado en técnicas especiales de aná-lisis de datos DECIDE!, para automatizar el pro-ceso de comparación de los datos derivados delmodelo con los datos operacionales.

Comenzando o no desde ceroLa vida potencialmente larga de una instalaciónUGS—el Campo Zoar, por ejemplo, ha estado enoperación más de 90 años—puede requerir prác-ticas de construcción de pozos que difieren de lospozos sin fines de almacenamiento. Los pozos dealmacenamiento deben ser capaces de toleraraltas tasas de inyección, altas presiones de pro-ducción y ciclado frecuente. La reutilización delos equipos de fondo de pozo y superficie existen-tes puede ser posible, pero más común es unacombinación de pozos existentes con pozos reciénperforados. No obstante, la operación de produc-ción original puede dictaminar el posiciona-miento del pozo y la localización de la instalación.La transición del proceso de producción al de al-macenamiento debería enfocarse en la optimiza-ción y el conocimiento exhaustivo del yacimiento.

Idealmente, la optimización comienza durantela identificación de los campos prospectivos a serutilizados para almacenamiento de gas. El primerpaso en la selección de un candidato consiste enconocer el yacimiento. Las características paralas operaciones UGS prospectivas incluyen buenaporosidad y buena permeabilidad y un mecanismode entrampamiento efectivo. Si la elección del ya-cimiento no constituye una opción, tal es el casode una instalación de almacenamiento de gasexistente que necesita actualización o mejora-miento, pueden emplearse no obstante nuevastecnologías para mejorar el valor de una opera-ción UGS.

12 Oilfield Review

> Identificación de cuellos de botella con la prueba de flujo de tasas múlti -ples. El análisis del sistema de producción NODAL indica que el tamaño dela tubería de producción constituye un cuello de botella en esta prueba. Eldiámetro in ter no (ID) de la tubería de producción es modificado, pasando deltamaño existente de 3.092 pulgadas (verde) a 8.0 pulgadas (azul). El análisisconfirma que el incremento del diámetro interno de la tubería de producción,de 3.092 pulgadas a 5 pulgadas (rojo), proporcionaría un incremento del 54% enla capacidad de flujo, de 311,000 m3/d [11 MMpc/d] a 481,000 m3/d [17 MMpc/d].Por encima de 5 pulgadas de ID, sólo se agregaría un incremento de flujonominal. (Adaptado de Brown y Sawyer, referencia 14.)

Pres

ión,

lpc

500

400

300

200

100

05,000 10,000 15,000 20,0000 30,00025,000

Tasa de flujo de gas, Mpc/d

Curva de desempeño de la formación A B CD

E

Caso 1 (A) - 3.092Caso 2 (B) - 4.000Caso 3 (C) - 5.000Caso 4 (D) - 6.000Caso 5 (E) - 8.000

Curva de comportamientodel pozo: ID de la tuberíade producción, pulgadas

Verano de 2008 13

Un ejemplo de optimización de un campo dealmacenamiento de gas existente con tecnologíasde pozos inteligentes, es la operación del CampoHill-Lake de Falcon Gas Storage Company, en Texas(derecha). Previamente productor de petróleo,este campo fue descubierto en la década de 1920y para la década de 1950 había llegado al fin de suvida productiva. Fue convertido en una instala-ción de almacenamiento de gas en la década de1960. Cuando Falcon tomó el control de las opera-ciones en el año 2001, habían 21 pozos en elcampo, 10 de los cuales estaban involucrados ac-tivamente en la operación de almacenamiento degas. No se producía ningún desarrollo desde la dé-cada de 1950, y los operadores previos no pudierondar cuenta de 71 millones de m3 [2,500 MMpc] degas, lo que se atribuyó a un “error de medidor.”

>Modelo de análisis del sistema de producción PIPESIM. El programa PIPESIM puede ser utilizado para crear un modelovisual de los componentes mecánicos de las instalaciones. La información del yacimiento y la producción puede integrarseen el modelo. Las pruebas de tasas múltiples de todo el campo se utilizan para calibrar el modelo. En este ejemplo, los pozosse encuentran en producción. La inversión de la dirección del flujo provee un modelo de inyección.

NodoPozo productor

Grupo adicionalde pozos

Grupo adicionalde pozos

Estación decompresión

> Operación de almacenamiento subterráneo de gas en el Campo Hill-Lakede Falcon Gas Storage Company. Situada en el Condado de Eastland, enTexas, la instalación posee la capacidad para suministrar 15 millones de m3/d[515 MMpc/d] e inyectar 8.5 millones de m3/d [300 MMpc/d]. (Fotografía,cortesía de Falcon Gas Storage Company.)

La interpretación original provista a Falconera bastante simplista. A partir del control limi-tado de los pozos y los registros eléctricos viejos,obtenidos en las proximidades del sitio de inyec-ción, se mapeó la estructura como un delta fluvial(izquierda). Entre 2003 y 2006, Falcon agregó 16pozos al campo, siendo sus posicionamientos asis-tidos mediante el análisis de los datos del genera-dor de Imágenes Microeléctricas de CoberturaTotal FMI. Las imágenes de los datos FMI sugirie-ron una nueva interpretación, según la cual el ya-cimiento correspondía a una arena de canaltrenzado y no a un delta.

En el año 2006, los geólogos de Schlumbergerutilizaron el software Petrel, que abarca desde lainterpretación sísmica hasta la simulación diná-mica de los yacimientos, para desarrollar un mo-delo geológico básico (abajo, a la izquierda). Lospozos existentes se incorporaron en el modelo, y17 pozos adicionales, perforados por Falcon en2006 y 2007, fueron incluidos en el análisis.

Estos pozos nuevos, perforados como extensio-nes a partir del sitio de inyección original, siguie-ron las tendencias indicadas por la interpretaciónde las imágenes FMI. Los pozos adicionales con-dujeron a algunos descubrimientos interesantes,tales como un lóbulo de arena previamente des-conocido, situado al sudoeste de los pozos de in-yección principales. Como arena aislada, deberíahaberse agotado en la fase de producción previapero, inesperadamente, la presión era similar a ladel resto del yacimiento Hill-Lake, lo que demos-tró que se encontraban en comunicación. En basea la información obtenida con el modelo geológicoPetrel, se considera que esta estructura conteníalos 2,500 MMpc de gas faltantes.

No sólo se descubrió gas que había pasadoinadvertido previamente, sino que al ser inyectadoen el campo, se recargó el yacimiento original-mente agotado. Los pozos nuevos, que penetraronlas secciones arenosas echado (buzamiento) abajo,encontraron petróleo pasado por alto durante lafase de producción inicial, que ahora pudo ser re-cuperado debido al incremento de la presión delyacimiento.

Un subproducto de la recuperación del gas al-macenado es la producción de petróleo adicionalen forma de líquidos de gas natural (NGL). Cuandose inyecta y se recupera gas, éste se enriquece conlos líquidos de hidrocarburos pasados por alto des-pués de cesar la producción de petróleo original.Estos líquidos son extraídos del gas reciclado, uti-lizando una planta de procesamiento de gas crio-génico, y luego se recuperan y se venden, lo que sesuma a la rentabilidad de la operación UGS. El mo-delo de yacimiento Petrel identifica las localiza-

14 Oilfield Review

>Modelado de un yacimiento. Los geólogos utilizaron el software Petrel para modelar el yacimientoHill-Lake. Una vez desarrollado completamente el modelo geológico, las propiedades del yacimientopueden ser utilizadas con el fin de desarrollar simulaciones para determinar los componentesvolumétricos y el desempeño del campo.

Inventario y cargade datos (registros,

marcadores, superficies)

Petrofísica ygeología

de pozo (softwareELANPlus, BorView)

Correlaciónentre pozos

Identificación deltipo de roca(propiedades

de facies)

Modelado de marcos(fallas, superficies,

cuadrículas, estratifi-cación por zonas)

Modelado de propiedades(facies, espesor neto a total,

porosidad, permeabilidad,saturación)

Modeladogeológico

Petrel

Modelado deyacimientosPetrel

Modelo de simulaciónde yacimientos

(historia y pronóstico)

Cálculos volumétricos

Módulosdel software

PVT delfluido

SoftwareECLIPSE

Metodología de construccióndel modelo Petrel

> Interpretaciones cambiantes. El Campo Hill-Lake fue mapeado originalmente como un delta fluvial(izquierda). En el mapa isopáquico se identificaron dos altos estructurales (extremo superior izquierdo).Los pozos nuevos fueron perforados de acuerdo con el mapa estructural original, que se basó en lospozos perforados antes de 1960. Una interpretación actualizada, efectuada con el software Petrel queabarca desde la interpretación sísmica hasta la simulación dinámica de yacimientos (derecha), inclu -yó 17 pozos nuevos e identificó un lóbulo sur previamente desconocido (extremo superior derecho).La geometría del cuerpo de arena original pudo ser visualizada con mayor precisión, y la estructurafue caracterizada como una arena de canal trenzado (extremo inferior derecho). Dado que la inter -pre tación de los datos FMI proporcionó la dirección del flujo, el posicionamiento de los pozos fuemejorado. El lóbulo sur contenía 2,500 MMpc de gas natural almacenado que, según los operadoresoriginales, se había perdido por errores de medición.

Formación fluvial

Arena de canal trenzado

Los pozos productivosde la arena Hill-Lakeaparecían conectados

Mitcham Est 1

HLGSU 11

AJ August 1A

Storm 1

Mitcham 1A

HLGSU 1

Mitcham 3 Mitcham 1F

3 de agosto

HLGSU 3HLGSU 2

HLGSU 4Mitcham Est 3

HLGSU 7

HLGSU 6HLGSU 5

HLGSU 12

HLGSU 9HLGSU 8

Williams 1

Mitcham 2

50 40 30 20 10 0

40302010

0

Mitcham 2

Williams 1

3 de agosto

Mitcham Est 3

HLGSU 1

Lóbulo principal

Mapas de espesores de facies arenosas

Lóbulo sur(conectado)

40302010

0

10

2030

40

Verano de 2008 15

ciones de pozos candidatos para el desarrollo fu-turo del campo, donde las propiedades de la arenason más conducentes a la producción de líquidosdurante la extracción del gas.

En el año 2007, gracias a los conocimientosproporcionados por el modelo preliminar, Falconinició un modelo geológico y de yacimiento deta-llado Petrel que incorporaba un total de 72 pozos.El programa avanzado de análisis de registrosmultiminerales ELANPlus y el análisis FMI se uti-lizaron para interpretar 29 pozos. Los datos de nú-cleos de cinco pozos proveyeron la calibración parael modelo. Con el análisis petrofísico de avanzada,la interpretación simplista inicial que aludía a unproceso de depositación deltaica evolucionó paraconvertirse en un modelo más realista del yaci-miento.

Conforme se perforaron pozos adicionales, seobtuvo mayor conocimiento de la geometría delyacimiento, y el ambiente depositacional fue re-caracterizado como un lecho de río antiguo conarenas de canal anastomosado.16 El posiciona-miento óptimo de los pozos depende de la com-prensión de la estructura del yacimiento. Lavisualización de la topografía del subsuelo pro-vista por el modelo Petrel fue crucial para la iden-tificación del ambiente depositacional correcto yel descarte de las dos interpretaciones previas(derecha). La comprensión exhaustiva del yaci-miento agregó capacidad de almacenamientonueva al campo, definió nuevas áreas de explora-ción para recuperar el petróleo pasado por altodespués de cesar la producción inicial, y ayudó aoptimizar el desarrollo futuro del campo. Las me-joras registradas en EUA en términos de produc-ción y capacidad, tales como las observadas conla operación Hill-Lake, ayudan a explicar el incre-mento de la capacidad de UGS, a pesar de la re-ducción del número de sitios.

El empleo de nuevas aplicaciones y tecnologíamoderna por parte de Falcon no se limita al mode-lado del subsuelo y la optimización. Dado que estainstalación había estado operando desde la dé-cada de 1960, las instalaciones de producción ne-cesitaban un mejoramiento. Se instaló un sistemaSCADA, que proporcionó información instantáneasobre temperatura, presión y tasas de flujo. Elflujo de gas puede ser manejado desde el cabezaldel pozo en los sitios de compresión individualeso en la sala de control del campo central. Si bienel sistema SCADA no se utiliza en estos momentospara controlar la instalación en forma remota,posee la capacidad para hacerlo.

La instalación Hill-Lake de Falcon se ha con-vertido en una operación UGS multiciclo de últimageneración, con la capacidad para ser utilizada en

una diversidad de formas que incluyen el almace-namiento, el suministro a alta tasa de flujo, el re-corte de la demanda de punta, el proceso parkand loan y la comercialización en el mercado.17 Lacapacidad máxima es ahora de 425 millones de m3

[15,000 MMpc], lo que representa 310 millonesde m3 [11,000 MMpc] de gas de trabajo y 113 mi-llones de m3 [4,000 MMpc] de gas de colchón. Elcampo puede suministrar 15 millones de m3/d[515 MMpc/d] e inyectar 8.5 millones de m3/d[300 MMpc/d]. Los ciclos de inyección en veranoy abastecimiento en invierno han sido reemplaza-dos por una operación flexible capaz de propor-cionar suministro y almacenamiento bajo demandasegún las necesidades de los clientes, recupe-rando al mismo tiempo el petróleo y los NGL pasa-dos por alto durante la producción inicial.

El éxito de Falcon en la operación Hill-Lake setradujo en la remodelación reciente de otrocampo de almacenamiento de gas en el norte deTexas, la instalación Worsham-Steed de la compa-ñía. Utilizando un campo de petróleo y gas aban-

donado, originalmente convertido en instalaciónde almacenamiento de gas por otro operador, estarenovación constituye una operación UGS multici-clo que emplea tecnologías de pozos inteligentessimilares. Este campo produce petróleo y NGL, yademás provee 680 millones de m3 [24,000 MMpc]de capacidad de gas de trabajo.

> La respuesta final. Conforme se incorporaron más pozos en el campo, se desarrolló una imagen másclara. Con 72 pozos, y los datos FMI de 29 pozos, se creó el modelo geológico Petrel definitivo. La es -tructura fue caracterizada como una arena de canal anastomosado (extremo inferior izquierdo). Encomparación con las arenas de canales trenzados, las arenas de canales anastomosados son depo -sitadas a partir de un flujo de agua de baja energía. La trayectoria más tortuosa del lecho del ríorequería que los pozos futuros siguieran una trayectoria más curva que la que se habría indicado si el yacimiento hubiera sido un delta o una arena de canal trenzado. La herramienta FMI proporcionó la dirección para perforar extensiones y desarrollar el campo. El conocimiento del yacimiento indicóademás las mejores áreas a perforar para recuperar el petróleo pasado por alto por las operacionesde producción previas. Además se identificó la estructura nueva, localizándose potencial prospectivosin explotar e incorporando capacidad de almacenamiento para la instalación.

Arena de canal anastomosado

Lóbulos postulados por computadora(potencial capacidad de almacenamiento)

Lóbulos postulados porcomputadora (potencial capacidad de

almacenamiento)

Lóbulo principal(unidad original)

Lóbulo Cooper A-3(lóbulo independiente)

Lóbulo noreste(conectividad limitada)

30

504030

2010

0

010

20

2010

0

302010

0

HLGSU 1

Mitcham Est 3

3 de agosto

Mitcham 2

Williams 1

Lóbulo sur(conectado)

5040302010 0

16. Las arenas de canales anastomosados se encuentranen ríos de canales múltiples que poseen gradientesrelativamente bajos, canales profundos y estrechos, ybancos estables caracterizados como depositados enríos que se mueven lentamente. Las arenas de canalestrenzados se encuentran en ambientes de alta energía,caracterizados por la depositación excesiva de barrasarenosas o barras de grava, o ambas, de manera que el agua fluye en numerosos canales que se ramifican y reúnen.

17. La expresión inglesa park and loan se refiere alalmacenamiento de gas para su utilización posterior(parking) y la toma de gas (loaning) para evitar sucompra a un precio instantáneo, o “de contado,”elevado. Diseñado como un servicio de compensación,los clientes ahorran dinero mediante su utilización en losmomentos en los que están fuera de balance con lalínea de conducción. Además, los clientes puedenaprovechar las fluctuaciones de precios coyunturales.

Distribuidorde datos

Componentesde la basede datos

Núcleo del sistema experto

• Monitoreo y control de calidad de los datos• Detección de eventos y monitoreo

del desempeño • Transferencia automatizada de datos y

ejecución del modelo

Balance de materiales Simulación Función de influencia Modelo sustituto Simulador de pozos Simulador de red

Metodología de tareas operacionales

Metodología de diseño

Integración del modelo y control

Nivel III—Supervisión automatizada del yacimientoIndependientemente del hecho de que las instala-ciones UGS regulen los ciclos de demanda o ac-túen como repositorios de gas, la capacidad paraautomatizar el proceso constituye una razónatractiva para implementar tecnologías de pozosinteligentes. Un operador de Europa, trabajandocon los geólogos e ingenieros de yacimiento deSchlumberger, diseñó e implementó una opera-ción automatizada de supervisión de yacimientoutilizando una plataforma integrada, construidasobre la base del software DECIDE!. Un operadorpuede optimizar y efectuar el modelado predictivode los sistemas de alta complejidad utilizando lainteligencia artificial y los procesos de simulacióndel software DECIDE! que corre en PCs (arriba).18

Este software provee una alternativa para reunira las personas, la tecnología, los procesos y la infor-mación en un sistema global seguro; reduciendo elcosto, mitigando el riesgo y mejorando las operacio-nes. El programa DECIDE! posee dos componentesprincipales: un distribuidor de datos y el escritoriode un ingeniero. La responsabilidad por la recupe-ración, el almacenamiento y la distribución de losdatos, así como también la automatización de lastareas, reside principalmente en el distribuidor dedatos. El escritorio del ingeniero utiliza técnicas es-

peciales de análisis de datos de última generaciónpara efectuar cálculos analíticos de ingeniería pe-trolera, proporcionado al operador una herramientapoderosa para el manejo del activo.

RWE Transgas Net, un operador de gas natu-ral independiente de la República Checa, ha ins-talado el software DECIDE! para manejar yoptimizar todas sus instalaciones de almacena-miento de gas en yacimientos agotados y en acuí-feros. El proceso de implementación comenzó enel año 2004 y concluyó en el año 2007 (próximapágina, arriba).

RWE Transgas Net, trabajando con los ingenie-ros de Schlumberger, puso en marcha el procesode implementación del programa DECIDE! me-diante el desarrollo, como primera medida, de unaplataforma de integración. Se instaló un sistemaSCADA para proporcionar mediciones continuasde alta frecuencia (del orden de los segundos),que se agrupan en incrementos de 15 minutos yfluyen en tiempo real desde los pozos individua-les, los sistemas colectores y las instalaciones. Eneste paso del proceso correspondiente al Nivel I,el software controla que se haya establecido unaconexión con una corriente de datos y que ésta ge-nere una notificación si se produce una falla.Cuando se confirma una conexión válida, los datosde alta frecuencia son importados, filtrados, con-

trolados en cuanto a calidad, y agregados a travésde intervalos de tiempo más largos para reducirel tamaño del conjunto de datos. El software fil-tra los errores del sensor y los errores de transmi-sión previo a la agregación de los datos, y generainformes estadísticos para permitir que el inge-niero evalúe la confiabilidad de la información. Lainteligencia artificial ha sido desarrollada paraautomatizar estas tareas rutinarias y además in-crementar la velocidad de suministro. Con losdatos recién adquiridos, se dispone de indicado-res clave de desempeño para evaluar la operaciónen curso.

En el Nivel II, los datos limpios se cargan enlos módulos del software para validar el desem-peño adecuado del sistema. El programa DECIDE!puede integrar aplicaciones externas que permi-ten el intercambio de datos, incluyendo el softwarede simulación de yacimientos ECLIPSE, el softwarede análisis del sistema de producción PIPESIM ylos diversos módulos disponibles en el softwareDECIDE!. El proceso efectúa automáticamente elajuste histórico para el análisis de tendencias,provee el estado de los pozos individuales y deter-mina las restricciones y capacidad de producción.Las solicitudes de suministro, actuales y futuras,en términos de inyección y extracción—datos deentrada del módulo de un despachador—son

16 Oilfield Review

> Inteligencia de Nivel III. El Nivel III combina todos los componentes de las operaciones de pozos inteligentes. Mediante la integración de procesos talescomo el análisis de tendencias, el modelado y las simulaciones, la instalación UGS puede ser manejada en forma óptima con altos niveles de automatización.

Verano de 2008 17

transferidas a un módulo del software DECIDE!.Este módulo provee luego todos los cálculos y laspredicciones necesarias para asegurar que el ya-cimiento posea capacidad suficiente para satisfa-cer las solicitudes del despachador.19

Los programas avanzados, utilizados para losmodelos de supervisión del yacimiento, requierencálculos que implican un uso intensivo de la com-putadora. La carrera de iteraciones de optimiza-ción no puede proveer resultados satisfactorios enel marco temporal requerido, utilizando el granvolumen de datos, aunque éstos hayan sido agre-gados y limpiados. Los modelos sustitutos, si bienno tan precisos, reemplazan a las simulaciones deescala completa y proveen resultados en segundoso minutos.20

Los modelos sustitutos, en forma de redes neu-rales (NN) entrenadas, optimizadas para requerir

un número reducido de parámetros de entrada,utilizan la inteligencia artificial para imitar a lossimuladores de gran escala. La NN aprende a com-portarse como el simulador y, una vez entrenada,puede ejecutar un conjunto de cálculos en unafracción de segundo, para un conjunto dado de pa-rámetros de entrada. La NN reduce drásticamenteel tiempo de computación necesario, lo que per-mite el ajuste histórico en tiempo real con las sa-lidas originales optimizadas de los modelosnuméricos de escala completa.

Un ejemplo de la utilización de una NN es unasimulación del pronóstico y la optimización de laproducción. Si hay involucrados cambios peque-ños de los parámetros de entrada, tales como lapresión de la cabeza de la tubería de producción,se puede calcular de inmediato un pronóstico deproducción en lugar de esperar a que se efectúe

una simulación completa que implica un uso in-tensivo del tiempo. Además, se pueden ejecutarrápidamente iteraciones múltiples para determi-nar el mejor curso de acción. Por otra parte, lasNN se utilizan para evaluar las incertidumbresasociadas con los datos de entrada provistos en lafase de adquisición de datos de Nivel I. Esto ace-lera las funciones de control de calidad y limpiezade los datos antes de ingresarlos en los modelossustitutos.

Un sistema de supervisión automatizado com-para los resultados calculados con los resultadosmedidos. Si la información de los modelos susti-tutos indica que un pozo o un componente de su-perficie no se ha desempeñado según lo esperado,se activa y se reporta al operador una alarma deeventos por medio del escritorio del ingeniero. Enrelación con los parámetros fijados para activar

>Metodología de trabajo del programa DECIDE! Los datos SCADA se envían a la memoria intermedia de datos, donde se controla su calidad, se limpian y sereducen utilizando un modelo sustituto de redes neurales (NN). Los datos se cargan en los diversos módulos del software para la supervisión automatizada, yla generación y preparación de informes. Los modelos sustitutos procesan la información y utilizan el análisis de tendencias y el ajuste de las simulacionespara descubrir oportunidades de optimización y detectar problemas del sistema en proceso de desarrollo. Los informes están disponibles en tiempo casireal. Además se dispone del ajuste histórico para determinar el estado de la operación en curso. La mayoría de estos procesos se lleva a cabo detrás de la pantalla y requiere poca intervención del operador.

Escritorio del ingenieroSistema SCADAMódulo de

control inmediato

Módulos de supervisión y presentación de informes Datos captadosen forma manual

Diseño y automatización de la metodología de trabajo

Modelado de redes Simulación

Modelo sustituto de redes NN

Modelo sustituto de balancede materiales

Memoria intermediade datos

Distribuidorde datos

Modelossustitutos

Base de datos

Segundos Minutos a horas Una hora a un día Un mes a un año

Datos convencionales

18. Para obtener más detalles sobre la aplicación delsoftware ECLIPSE y el software DECIDE!, consulte:Barber A, Shippen ME, Barua S, Cruz Velázquez J,Garrido Hernández AM, Klumpen HE, Moitra SK, Morales FL, Raphael S, Sauvé B, Sagli JR y Weber M:“Optimización de la producción desde el yacimientohasta la planta de proceso,” Oilfield Review 19, no. 4(Primavera de 2008): 18–31.

20. Zangl G, Giovannoli M y Stundner M: “Application ofArtificial Intelligence in Gas Storage Management,”artículo SPE 100133, presentado en la Conferencia yExhibición Anual SPE Europec/EAGE, Viena, Austria, 12 al 15 de junio de 2006.

19. Onderka V, Dressler M, Severýn O, Giovannoli M y ZanglG: “Expert System of UGS—An Efficient Tool for OnlinePerformance Management and Optimization,”presentado en la 23a Conferencia Mundial del Gas,Ámsterdam, 5 al 9 de junio de 2006.

las alarmas, se puede establecer y ajustar como serequiera un rango de desviación. Una vez activadauna alarma, el ingeniero de yacimiento puede re-accionar de manera oportuna para investigar lafuente del problema (arriba).

El nivel que sigue al monitoreo y la supervisiónes la inteligencia de Nivel III; un ejemplo delcampo petrolero digital. Si bien para las compa-ñías petroleras y los proveedores de servicios hasido difícil proporcionar una sola definición paraeste término, el campo petrolero digital proveebásicamente un alto grado de automatización yherramientas de generación de modelos de simu-lación y toma de decisiones (cuanto más rápidas,mejor), y un enfoque integrado que no pierde devista los detalles pequeños (o al menos cuenta conun sistema para monitorearlos). Schlumberger serefiere a este nivel de operación de campo comoel servicio inteligente de integración de activosBlueField.21

En el nivel del servicio BlueField, los datos sonadquiridos y preparados para el procesamiento yse corren modelos de simulación integrados desdediversos módulos de desempeño. Los controles delsistema se efectúan en el nivel más alto, y se ge-

neran informes sobre el estado de la operacióncompleta, que luego se envían al escritorio del in-geniero DECIDE! (próxima página). Este servicioprovee la capacidad para supervisar las tareas au-tomatizadas programadas o aquellas activadas porlas alarmas de eventos.

En el sistema implementado por RWE Trans-gas Net, las tareas automatizadas poseen la si-guiente estructura: primero se ejecutan las tareasprogramadas o se activan las tareas de automa -tización, luego se corren los modelos sustitutospredictivos de análisis especiales de datos y seaplican las reglas. Los eventos activadores de lasalarmas son discrepancias con respecto a las ten-dencias previstas o bien violaciones de restriccio-nes predefinidas. Entre las acciones activadas porla alarma se encuentran la notificación del sis-tema, la recuperación y ejecución del software desupervisión, la iniciación de tareas subordinadasy la generación de mensajes de correo electrónicoo de texto para alertar al operador acerca de unasituación de error.

Junto con las alarmas, el software provee au-tomáticamente al operador los indicadores clavede desempeño en el escritorio del ingeniero. El

software formatea los datos para su visualizacióny provee pronósticos basados en el desempeño ac-tual del campo. Los módulos de desempeño del ya-cimiento identifican cuellos de botella, tales comorestricciones de la instalación, e informan acercade las oportunidades de optimización junto conlos cursos de acción recomendados. Con untiempo de ciclo de análisis sustancialmente redu-cido, el ingeniero puede reaccionar en forma casiinstantánea. El flujo automatizado de datos y losmodelos actualizados en forma transparente per-miten que el ingeniero se concentre en la optimi-zación del sistema y en la eliminación delproblema. El manejo inteligente y proactivo de losyacimientos—una aplicación BlueField—sevuelve realidad.

Hacia el futuroEl almacenamiento subterráneo de gas en yaci-mientos agotados ha demostrado ser adecuadopara muchas de las tecnologías de pozos inteligen-tes y campos inteligentes que están siendo desa-rrolladas para las operaciones tradicionales deproducción de petróleo y gas. La industria UGS haalcanzado un grado considerable de éxito con la

18 Oilfield Review

> Redes neurales (NN) e identificación de problemas. Se requieren parámetros múltiples para calcular la presión de fondo depozo (BHP). Las redes neurales, funcionando como modelos sustitutos, se entrenan con los datos de las operaciones y puedenreducir el número total de iteraciones requeridas para producir resultados en una fracción del tiempo requerido por los programasde modelado de escala completa. Los datos BHP medidos (rojo), durante los ciclos de inyección y extracción, se comparan conlos datos BHP obtenidos de las NN (azul). Los dos conjuntos de datos mostraron una muy buena correlación hasta septiembre de2000, en que la BHP calculada se incrementó durante el ciclo de inyección y se mantuvo más alta los cuatro meses siguientesdebido al daño del yacimiento. La contrapresión más alta indicó que se requeriría la intervención del pozo para mantener lacapacidad de producción.

La BHP medida se desvíacon respecto a la BHP calculada

Pres

ión,

MPa

85

80

75

70

65

55

50

Enero 1999 Abril Julio Octubre Enero 2000 Abril Julio Octubre Enero 2001Tiempo

BHP calculadaBHP medidaArquitectura de las redes NN

para el modelo de pozo

Presión del yacimiento

Influjo del acuífero

Inyección de gas

Producción de gas

21. Bouleau et al, referencia 7.22. Foh SE: “The Use of Inert Gas as Cushion Gas in

Underground Storage: Practical and Economic Issues,”presentado en la Conferencia sobre Planeación y Manejodel Suministro de Gas: 1991 y años posteriores, LakeBuena Vista, Florida, EUA, 25 al 27 de febrero de 1991.

24. National Petroleum Council (ed): Hard Truths: Facing theHard Truths about Energy. Washington, DC: ConsejoNacional del Petróleo (2007): 36.

23. “Supply on Demand,” http://www.falcongasstorage.com/fw/main/MoBay_Storage_Hub_LLC-28.html (Se accedióel 15 de enero de 2008).

Verano de 2008 19

adopción de estas técnicas. Las lecciones aprendi-das por los operadores UGS están siendo aplica-das con mayor confianza por el sector del negociocorrespondiente a la producción de petróleo y gasporque estas nuevas tecnologías han demostradosu capacidad para proveer costos reducidos y ma-yores eficiencias.

Dado que los campos UGS poseen esperanzasde vida largas, brindan una perspectiva de recupera-ción de la inversión a largo plazo. En comparacióncon los campos de hidrocarburos convencionales,los campos de almacenamiento de gas no experi-mentan la misma declinación del valor de sus ac-tivos a medida que el yacimiento se agota porquelos campos de almacenamiento de gas pueden serrecargados reiteradas veces. La renovación de lasinstalaciones más antiguas, con equipos moder-nos para campos inteligentes, tiene un sentido fi-nanciero ya que incrementa el valor del activoexistente.

La maximización del activo, por encima y pordebajo de la superficie del terreno, conduce a en-foques innovadores como los analizados en esteartículo, pero existen aún más tecnologías y técni-cas para aplicar. Por ejemplo, el gas de colchónpuede ser el componente más caro de una instala-ción UGS y, en términos realistas, sólo volverá aloperador cuando el campo sea puesto fuera deservicio. A modo de ejemplo, una operación UGSen un campo agotado con 566 millones de m3

[20,000 MMpc] de capacidad total requeriría queentre un 30 y un 50% del gas permaneciera en sulugar como gas de colchón. Siguiendo con la ana-logía bancaria, eso equivale a 283 millones de m3

[10,000 MMpc] depositados en una cuenta co-rriente sin intereses. Con los niveles de preciosdel año 2008, eso suma más de US$ 80,000,000.

Aunque el yacimiento sea operado en el rangode presión y flujo más eficiente, se debe dejar partedel gas de colchón en el terreno para posibilitar unsuministro a alta tasa de flujo. Los ingenieros deyacimientos han probado la factibilidad de inyectargas inerte en el yacimiento para que funcione comogas de colchón. Este enfoque es particularmentepráctico considerando los precios actuales del gasnatural.22 No obstante, la técnica requiere unacomprensión detallada de las propiedades de al-macenamiento y las características de flujo del ya-cimiento, las consecuencias de mezclar gasesdiferentes y los efectos del gas inerte sobre el ya-cimiento en el largo plazo. Se trata, sin embargo,de otro ejemplo de operadores UGS que aplicantécnicas novedosas de manejo de yacimientos.

A medida que los operadores desarrollan cam-pos UGS e intentan aplicar enfoques innovadores,el énfasis puesto en la caracterización de yacimien-tos, la optimización de los procesos y la automati-zación de la operación aporta mayor flexibilidad ymás oportunidades a los proyectos UGS. A manerade ejemplo, Falcon Gas Storage Company está apli-cando gran parte de su experiencia con la tecnolo-gía de campos inteligentes en UGS, en la primerainstalación UGS marina de América del Norte.23 Elyacimiento ha sido caracterizado y modelado utili-zando el software Petrel. El equipo de superficie yafue diseñado, y está previsto que las operacionescomiencen durante 2009. Esta instalación multici-clo, con gran capacidad de producción, está dise-ñada para alojar un volumen de trabajo de 1,400millones de m3 [50,000 MMpc], con capacidades deinyección y extracción de 28 millones de m3 [1,000MMpc] por día.

Para el año 2030, las proyecciones indican quela demanda global de gas natural oscilará entre10,000 millones y 16,400 millones de m3 [356,000y 581,000 MMpc] por día, lo que señala un incre-mento con respecto a los 6,900 millones de m3/d[243,000 MMpc/d] del año 2000.24 Medio Orientecuenta, sin dudas, con las mayores reservas de gas

natural ya que constituyen un volumen estimadode 72.7 trillones de m3 [2,566 Tpc]—o un 41% delas reservas mundiales totales. Rusia, que ocupael segundo lugar en términos de reservas proba-das, posee extensas líneas de conducción que lle-gan a Europa y tiene previsto construir líneas deconducción que se extiendan a China y otros paí-ses. A medida que crezca la demanda de gas natu-ral, se desarrollarán nuevos métodos para sutransporte, almacenamiento y suministro. Dadoque el abastecimiento generalmente se encuen-tra muy lejos de la mayoría de los usuarios, las ins-talaciones UGS constituyen un componenteesencial para la provisión de una fuente de gas na-tural, segura y estable, destinada al consumo in-dustrial y doméstico.

Conforme el carácter de los proyectos UGSevoluciona, pasando del proceso tradicional de re-corte de la demanda de punta a aplicaciones fle-xibles, las tecnologías de campos inteligentesestán asistiendo a los operadores en la búsquedade mayor eficiencia, menores costos y métodos in-novadores de desarrollo de actividades comercia-les. En consecuencia, el campo perolero digital seha vuelto realidad en la industria del almacena-miento subterráneo de gas. —TS

> Con los datos ingresados se toman las decisiones. Los datos SCADA arriban a intervalos de 15 minu -tos, procediéndose a su limpieza y control de calidad. Los datos del software de simulación se comparancon las predicciones del modelo. El ingeniero en el escritorio DECIDE!, recibe los resultados, lospronósticos y la información de producción. Esta información es recibida automáticamente o puedeser generada previa solicitud.

Sistema SCADA

El sistema adquiere los datos cada 15 minutos

010101010101010101010101010101010101010101

Validación del modelo

Solicitud deldespachador

Optimización y predicción en el escritorio DECIDE!

Adquisiciónde datos

Limpiezade datos

Control delestado del

sistemaAlmacenamiento

de datos

Ejecución de lasimulaciónEscritura del

archivo de datosde producción

Resultados dela simulación

Almacenamientode datos

Ejecucióndel pronóstico

Ejecución de laoptimización

Día actual máslos 100 días previos Al despachador

Hora actual máslas 24 horas previas

Generaciónde curvas deproducción

Resultados dela optimización