UNIVERSIDAD SIMON BOLIVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACION DE INGENIERIA GEOFISICA
CARACTERIZACION GEOFISICA INTEGRANDO ANALISIS DE ATRIBUTOS E INVERSION SISMICA. CUENCA DE MARACAIBO
Por: Francisco José Grisanti Canozo
INFORME DE PASANTÍA Presentado ante la Ilustre Universidad Simón Bolívar Como requisito para optar al título de Ingeniero Geofísico
Sartenejas, Marzo de 2016
UNIVERSIDAD SIMON BOLIVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACION DE INGENIERIA GEOFISICA
CARACTERIZACION GEOFISICA INTEGRANDO ATRIBUTOS E INVERSION SISMICA. CUENCA DE MARACAIBO
Por: Francisco José Grisanti Canozo
Realizado con la asesoría de: Tutor Académico: Phd. Milagrosa Aldana Tutor Industrial: Msc. Manuel Serrano
INFORME DE PASANTÍA Presentado ante la Ilustre Universidad Simón Bolívar Como requisito para optar al título de Ingeniero Geofísico
Sartenejas, Marzo de 2016
iii
RESUMEN Con el objetivo de realizar una caracterización geofísica de las arenas petrolíferas de edad Mioceno del Mb. Lagunillas Inferior pertenecientes a la Fm. Lagunillas, ubicado en el campo Tía Juana Norte, localizado en la costa occidental del Lago de Maracaibo; se procedió a realizar una recopilación bibliográfica y geofísica de toda la data. El estudio se inició con la verificación y control de calidad a la data. Posteriormente se realizó una interpretación sismo-estructural, en tiempo a nivel del Mioceno Temprano interpretando la discordancia del Eoceno, así como el tope y base del Mb. Lagunillas Inferior. Esto dio como resultado un monoclinal fallado que buza con bajo grado al suroeste. Se generaron, bajo diferentes metodologías, mapas con atributos convencionales, con los cuales se delimitaron anomalías prospectivas al sur, sureste y suroeste del área de estudio. Una descomposición espectral generando mapas RGB, permitió identificar estructuras sedimentarias posiblemente asociadas a canales. Se realizó una inversión acústica del cubo sísmico mediante algoritmos de Redes Neuronales y Genéticos. Los datos de pozo faltantes fueron predichos a través de Redes Neuronales Multicapa arrojando factores de correlación de 88,76% en la estimación del registro de densidad y de 75,28% en la estimación del registro sónico. Con la inversión acústica se delimitaron las estructuras sedimentarias prospectivas con mayor veracidad, y se obtuvo un modelo de la distribución de las arenas en la zona de interés. Finalmente se cotejó la interpretación realizada, los atributos convencionales y espectrales, inversión acústica, con datos petrofísicos y de producción, con la finalidad de integrar los modelos obtenidos con valores directos medidos en pozo. Con este último análisis se establecieron se obtuvieron mapas finales de las arenas petrolíferas en las áreas centro sur, sureste y suroeste, caracterizando su riesgo geológico y proponiendo zonas de avanzada.
.
iv
DEDICATORIA
A Dios A mi familia Y a ti, mi compañera de aventuras
v
AGRADECIMIENTOS A la empresa SueloPetrol C.A.S.A.C.A por darme la oportunidad para desarrollar este estudio, así como facilitarme los recursos tanto humanos como profesionales que fueron necesarios en el camino. Especialmente a mi tutor industrial Manuel Serrano por su disposición y guía, así como a todo el equipo del CET: Tito Boesi, Rosalia Guzzetta, Ali Sosa, José Rodríguez, Juan Hernández y Coral Campos. A la Universidad Simón Bolívar por facilitarme mi desarrollo a lo largo de estos años, tanto académico como humano. En especial a mi tutora Milagrosa Aldana por su asesoría y gran conocimiento. También a todos los profesores que con dedicación y arraigo le dan vida a nuestra alma mater. A mi familia, especialmente a mis padres Francisco Javier y Mayita, junto a mis hermanos Mariu y Noel por ese apoyo incondicional, y a mi Abuela Maruja por ser el pilar. También a Luis Xavier Grisanti por abrirme las primeras puertas en la industria petrolera. A mis amigos de la Simón y futuros colegas, que me acompañaron en todo el camino y junto con quien hice tanto prospecciones geofísicas como de amistad. En especial a Jeanny, Nicolás, Luis G., Luis M., Kathy, Yime, Victor, Piñero, Vicky, Marcano, Rosa, Kristian, Adri G., Andrea P., y Julio. A mis amigos de la infancia que siempre están presentes: Cristina, Carlota, Marco, Balza, Wilmer, Anzola y Jesús. A Gala por apoyarme y siempre impulsarme a ser mejor ¡Te amo!
vi
INDICE GENERAL ACTA DE EVALUACION ...................................................... .......................................................................................................... ........................................................ iii RESUMEN ..................................................................................................................................... iv DEDICATORIA .............................................................................................................................. v AGRADECIMIENTOS ................................................... ....................................................................................................... ............................................................... ........... vi INTRODUCCIÓN ................................................. ...................................................................................................... .......................................................................... ..................... 1 CAPITULO I MARCO GEOLOGICO ..................................................... ........................................................................................... ...................................... 3 1.1 Ubicación geográfica del área de estudio .............................................................................. 3 1.2 Geología Regional ................................................................................................................. 4 1.3 Geología Local ...................................................................................................................... 6 1.4 Estratigrafía Secuencial ....................................................................................................... 10 1.5 Sistema petrolero ................................................................................................................. 12 CAPITULO II MARCO TEORICO ................................................. .............................................................................................. ............................................. 15 2.1 Métodos sísmicos ................................................................................................................ 15 2.1.1 Resolución sísmica vertical .............................................................................................. 15 2.1.2 Atributos Sísmicos S ísmicos ....................................................... ........................................................................................................... ...................................................... 17 2.1.3 Clasificación de los atributos sísmicos .................................................. ............................................................................. ........................... 17 2.1.4 Descomposición Espectral ................................................. .............................................................................................. ............................................. 23 2.1.4.a Análisis de Fourier ...................................................... ................................................................................................... ............................................. 23 2.1.4.b Análisis de Fourier en ventanas de tiempo cortas o por intervalos ......................... 25 2.1.4.c Descomposición espectral usando Transformada de Ondícula Continua (CWT) ... 27 2.1.4.d Análisis RGB ...................................................... ........................................................................................................... ..................................................... 31 2.2Inversión Sísmica ................................................................................................................. 32 2.2.1 Modelo Inicial o Modelo de Baja Frecuencia .............................................................. 33 2.2.2 Inversión genética con PETREL .................................................................................. 34 2.3 Redes neuronales ................................................................................................................. 37 2.3.1 Transformada no lineal multiatributo ........................................................................... 37 2.3.1.a Red neuronal multicapa por compensación (MLFN) ................................................ 38 CAPITULO III MARCO METODOLOGICO ............................................................................. 42 3.1 Recopilación de información .................................................. ............................................................................................... ............................................. 42 3.2 Control de Calidad de los datos ........................................................................................... 44 vii
3.3 Redes Neuronales ................................................................................................................ 46 3.4 Amarre sísmica-pozo ........................................................................................................... 49 3.5 Interpretación sísmica ..................................................... ......................................................................................................... ...................................................... 52 3.6 Atributos Sísmicos Sísm icos................................................. ..................................................................................................... .............................................................. .......... 54 3.7 Inversión acústica ................................................................................................................ 56 3.8 Mapas de isopropiedades a través de la petrofísica ............................................................. 58 3.9 Mapas de calidad de arena y producción p roducción .................................................. ............................................................................. ........................... 59 3.10 Interpretación de los resultados y generación de prospectos ............................................. 60 CAPITULO IV RESULTADOS Y ANALISIS ............................................................................ 61 4.1 Recopilación de información .................................................. ............................................................................................... ............................................. 61 4.2 Control de calidad de los datos ............................................................................................ 62 4.3 Redes Neuronales ................................................................................................................ 64 4.4 Amarre sísmica pozo ........................................................................................................... 72 4.5 Interpretación sísmica ..................................................... ......................................................................................................... ...................................................... 74 4.6 Atributos sísmicos ............................................................................................................... 79 4.7 Inversión acústica ................................................................................................................ 89 4.8 Mapas de isopropiedades isoprop iedades a través de petrofísica ............................................... ................................................................. .................. 93 4.9 Mapas de calidad de arena y producción p roducción .................................................. ............................................................................. ........................... 95 4.10 Modelo final ...................................................................................................................... 97 CONCLUSIONES Y RECOMENDACIONES .......................................................................... 100 REFERENCIAS .......................................................................................................................... 102
viii
INDICE DE FIGURAS Figura 1.1. Mapa de ubicación regional del área de estudio. .......................................................... 3 Figura 1.2 Mapa del área local de la prospección ........................................................................... 4 Figura 1.3. Mapa geológico – estructural de la Cuenca de Maracaibo ........................................... 5 Figura 1.4. Secuencias depositacionales interpretadas en la Cuenca de Maracaibo. La flecha negra señala la posición de nuestra zona de interés. ................................................................................. 6 Figura 1.5. Tabla estratigráfica estratigráfic a del Eoceno tardío y Mioceno, Tía Juana Norte. ............................ 7 Figura 1.6 Comparación entre los eventos de sedimentación de unidades paleozoicas de la cuenca de Anadarko (USA) y las unidades sinsedimentarias post-eocenas en la región de Tía Juana. Juan a. .... 11 Figura 1.7. Pozo modelo LSE5546, columna estratigráfica e interpretación secuencial .............. 12 Figura 2.1 Modelo de cuña que explica la resolución sísmica vertical y el efecto de entonación en capas delgadas. a) Modelo de cuña con tres capas; b) Sismograma sintético generado en offset cero c) Amplitud del sintético extraído a lo largo del tope 2 ...................................................... ........................................................ 16 Figura 2.2. Espectro de frecuencias y diferentes frecuencias que se obtienen. ............................. 19 Figura 2.3. A) Seguimiento sin steering B) Steering central y C) Full steering ............................ 21 Figura 2.4. Volumen mostrando buzamiento en la componente inline ......................................... 21 Figura 2.5. Diagrama espacial de vecino, utilizado en el análisis de similaridad ......................... 22 Figura 2.6. Ventanas de búsqueda utilizada por el algoritmo de similaridad. Pasos A, B y C ..... 23 Figura 2.7 Esquema sobre el funcionamiento de la Transforma de Fourier sobre señales. ......... 24 Figura 2.8. Esquema sobre el funcionamiento de la Transformada de Fourier con ventanas de tiempo cortas sobre señales. .......................................................................................................... 25 Figura 2.9. Descomposición espectral con ventanas largas y su relación con el sistema convolucional.. .............................................................................................................................. 26 Figura 2.10. Descomposición espectral con ventanas cortas y su relación con el sistema convolucional. Una ventana temporal corta muestrea ordenadamente (no de forma aleatoria) la geología que entona el espectro es pectro de amplitud ...................................................... ................................................................................. ........................... 27 Figura 2.11. Gráfica de la ondícula Morlet .............................................. .................................................................................. .................................... 28 Figura 2.12. Ondículas sísmicas tipo Morlet y su espectro de Fourier que tienen frecuencias centrales en a) 10, b) 20, y c) 40 Hz, y son usadas para el método de Transformada Continua de Ondícula. Las líneas sólidas y espaciadas indican ondículas cose coseno y seno respectivamente. Se puede observar como el ancho de banda se incrementa con la frecuencia utilizada ............... 29 ix
Figura 2.13. Ondícula Gaussiana .................................................................................................. 30 Figura 2.14 Ondícula Mex Hat ..................................................................................................... 30 Figura 2.15 Principio del análisis RGB ............................................................................. ......................... .............................................................. .......... 31 Figura 2.16. Imagen RGB alrededor de un horizonte Costa afuera de Louisiana, U.S.A. ............ 32 Figura 2.17 Modelo de impedancia y su amarre para diferentes contenidos de frecuencia. ......... 34 Figura 2.18. Diagrama de la inversión genética ........................................................................... 35 Figura 2.19. Arquitectura de una red neuronal multicapa. Modificado de ................................... 38 Figura 2.20. Modelo de una neurona modificado de .................................................................... 39 Figura 3.1. Actividades desarrolladas desar rolladas durante el proyecto pr oyecto .................................................. ............................................................ .......... 42 Figura 3.2. Mapa base del área de estudio (enmarcacada en rojo), pozos utilizados y bloques de Petrocabimas. ................................................ ...................................................................................................... ................................................................................. ........................... 43 Figura 3.3. Ventana 3D con la sísmica 3D desfasada en tiempo, líneas 2D y pozo LSE5546 ..... 45 Figura 3.4. Pozo LSE5546 original y con suavizado .................................................................... 46 Figura 3.5. Zonas definidas para predecir registros de densidad a través de Redes Neuronales .. 47 Figura 3.6. Gráficos cruzados de Vp predicha vs Vp original para transformada multiatributo (A) y redes neuronales MLFN (B). ...................................................................................................... 48 Figura 3.7. Curvas tiempo doble (TWT) en ms versus profundidad (MD) en pies....................... 49 Figura 3.8. Mapa base con la posición del pozo LSE5546 y LSE6105 ........................................ 50 Figura 3.9. Ondículas tipo Ricker y extraídas de la sísmica.......................................................... 51 Figura 3.10. Amarre sísmica pozo del pozo LSE5546 .................................................................. 51 Figura 3.11. Mapa base con pozos con amarre sísmica-pozo ....................................................... 52 Figura 3.12. Mallado del tope de Mb. Lagunillas Inferior ............................................................ 53 Figura 3.13. Panel de frecuencia/tiempo comparando la ventana de análisis de FFT ................... 55 Figura 3.14. Ventana de Opendtect con el mapa RGB de las frecuencias 40-50-60 ................... 56 Figura 3.15. Grafico 3D en el pozo de impedancia acústica (IA) en los pozos que se entrenarán 57 Figura 3.16. Comparación de la traza de IA predicha, con operador lineal y no lineal, con el registro de IA en el pozo................................................................................................................ 58 Figura 4.1. Espectro de amplitud de la sísmica ............................................................................. 62 Figura 4.2. Ventana 3D con la sísmica 3D, líneas 2D y pozo LSE3833. En fase ......................... 63 Figura 4.3. Inline 1073 completo y el Inline 1073 cortado a partir de 600ms .............................. 63 Figura 4.4. Ventana de HR, con los pozos a entrenar, en azul los registros usados para las estimaciones (Gamma ray y resistividad), y en rojo los pozos objetivo (densidad). .................... 66 x
Figura 4.5. Gráfico cruzado densidad original y de la densidad estimada usando una transformada de regresión multiatributo........................................................................................ 67 Figura 4.6 Gráfico cruzado de la densidad estimada y densidad original usando Redes Neuronales Multicapa. ..................................................... ......................................................................................................... .............................................................. .......... 67 Figura 4.7 Registros de densidad sintéticos modelados a través través de redes neuronales (en rojo) y registros de densidad originales (en negro) ................................................................................... 69 Figura 4.8. Ventana de HR de entrenamiento, en azul los registros usados para las estimaciones (Gamma Ray, resistividad y densidad), y en rojo los pozos objetivo (sónico). ............................ 70 Figura 4.9. Gráfico cruzado del sónico estimado y sónico original a través de una red neuronal con transformada multiatributo como parámetro de entrada (a) y validación del pozo LSE5546 al aplicar este método (b) .................................................................................................................. 70 Figura 4.10. Gráfico del registro sónico del pozo LSE5546 (azul), y velocidades a lo largo de los paquetes formacionales (rojo) ..................................................................................... ............................... ........................................................................ .................. 72 Figura 4.11. Histograma del atributo frecuencia instantánea sobre el Tope Mb. Lagunillas Inf. . 72 Figura 4.12. Amarre sísmica-pozo del pozo LSJ4435................................................................... 74 Figura 4.13. Modelo sísmico-estructural del área ......................................................................... 75 Figura 4.14. Modelo geológico ideal del campo ........................................................................... 75 Figura 4.15. Mapa estructural mostrando las fallas interpretadas, su comportamiento y los bloques que delimitan. ..................................................... ......................................................................................................... .............................................................. .......... 75 Figura 4.16. Mapas isocórico isocó rico del Mb. Lagunillas Inferior I nferior en tiempo. .......................................... 76 Figura 4.17. Mapas del tope de Mb. Lagunillas Inferior, a partir de la interpretación sísmica (a), a partir de topes interpretados en pozo (b) ............................................................ ........................... 77 Figura 4.18 Anomalías sísmicas simples, encontradas en la sísmica. Canal (A), progradaciones (B) y engrosamiento del Mb. Lagunillas Inferior(C) .................................................................... 78 Figura 4.19. Atributo sísmico de Frecuencia Instantánea sobre s obre el tope del Mb. Lagunillas Inf. .. 80 Figura 4.20. Atributo sísmico de Amplitud RMS sobre el tope del Mb. Lagunillas Inf. .............. 80 Figura 4.21. Atributo sísmico de Intensidad de Reflexión sobre el tope del Mb. Lagunillas Inf.. 81 Figura 4.22. Atributo sísmico de Envolvente sobre el tope del Mb. Lagunillas Inferior .............. 81 Figura 4.23. Atributo sísmico de Varianza sobre el tope del Mb. Lagunillas Inf. Original (A) e interpretado (B).............................................................................................................................. 82 Figura 4.24. Atributo sísmico de Señal/Ruido sobre el tope del Mb. Lagunillas Inferior ............ 83 Figura 4.25. Atributo sísmico de Energía sobre el tope del Mb. Lagunillas Inferior. Infer ior. ................... 84 xi
Figura 4.26. Atributo sísmico de Similaridad sobre el tope del Mb. Lagunillas Inferior. Con cubo de buzamientos (A) y sin cubo de buzamientos buz amientos (B) .................................................... ...................................................................... .................. 85 Figura 4.27. Atributo sísmico de Similaridad sobre el tope del Mb. Lagunillas Inferior usando cubo de buzamientos, con fallas interpretadas (amarillo) ............................................................. 84 Figura 4.28. Atributo espectrales sobre el tope del Mb. Lagunillas Inferior. RGB de 40-60-80Hz usando el método de CWT con una ondícula Mexican Hat. ......................................................... 86 Figura 4.29. Atributo espectrales sobre el tope del Mb. Lagunillas Inferior. RGB de 40-50-60 usando el método CWT con una ondícula Morlet. ........................................................................ 87 Figura 4.30. Espectros Tiempo – Frecuencias obtenidos mediante FFT a diferentes ventanas de muestreo. ....................................................................................................................................... 88 Figura 4.31. Atributo espectrales sobre el tope del Mb. Lagunillas Inferior. RGB de 30-40-50Hz usando el método de FFT en una ventana de tiempo de 55mseg. ................................................. 89 Figura 4.32. Pozo LSE5546 con registros GR, LLD y IA, sección sísmica extraída en el punto, así como del cubo de IA modelado .............................................. .................................................................................................... ........................................................ 90 Figura 4.33. Sección de pozos LSE6105, LSE5546, SON19 y SON16. Se despliegan los registros GR, LLD y IA para cada pozo, la sección sísmica extraída en la ubicación de los mismos, así como del cubo de IA modelado, y ubicación de la sección ................................................ .......................................................... .......... 91 Figura 4.34. Inline 1073 del cubo de IA con registro de IA del pozo LSE5546 (Izquierda). Crossline 753 del cubo de IA con registro IA del pozo LSE5546 ................................................ 92 Figura 4.35. Mapa de IA correspondiente al tope del Mb. Lagunillas Inferior, extraído del cubo de IA .............................................................................................................................................. 93 Figura 4.36. Ventana 3D con registros de IA, sísmica 3D, cubo de IA y los los geocuerpos ........... 93 Figura 4.37. Mapa de isopropiedad: iso propiedad: Porosidad a través tr avés del registro de densidad ......................... 94 Figura 4.38. Mapa de isopropiedad: Resistividad ......................................................................... 95 Figura 4.39. Mapa de producción acumulada anual usando pozos en el área de interés. ............. 96 Figura 4.40. Mapa de calidad de arena, con datos extraídos de pozo ........................................... 96 Figura 4.41. Mapas de: Atributo Energía (A), Espesor de arenas (B), Inversión acústica (C) y Descomposición espectral RGB con CWT (D)………………………………..………………..98 Figura 4.42. Mapas de: Producción acumulada anual (A), Resistividad (B), Porosidad (C) y Calidad de Arena (D)……………………………… (D) ………………………………………………………… ………………………………………...…..98 ……………...…..98 Figura 4.43. Mapa de zonas prospectivas y pozos actuales, las áreas verdes indican bajo riesgo geológico y el rojo un riesgo geológico moderado........................................................................ 99 xii
INDICE DE TABLAS Tabla 3.1. Tabla con registros disponibles en cada pozo .............................................................. 44 Tabla 3.2. Relaciones no lineales entre Vp y los distintos atributos, su error de entrenamiento y validación ...................................................................................................................................... 48 Tabla 3.3. Amplitudes asociadas a cada tope geológico ............................................................... 52 Tabla 3.4. Distintos atributos sísmicos y cubos de isopropiedades realizados.............................. 54 Tabla 3.5 Tabla de producción acumulada anual promedio de los pozos en el área de estudio ... 60 Tabla 4.1. Parámetros de adquisición de la sísmica 3D ................................................................ 61 Tabla 4.3. Pozos y zonas elegidas para el análisis. Los recuadros en color amarillo indican los RHOB sintéticos que se generaron en la primera fase y los recuadros de color naranja los DT sintéticos generados en la segunda fase. .................................................... ........................................................................................ .................................... 64 Tabla 4.5 Especificaciones y resultados de las redes neuronales multicapa por zona .................. 68 Tabla 4.6. Tabla con registros disponibles en cada pozo, registros originales (x) y registros sintéticos (o) .................................................................................................................................. 71 Tabla 4.7. Valores de resolución sísmica vertical para los topes de interés inte rés .................................. 73
xiii
1
INTRODUCCIÓN Petrocabimas, empresa mixta entre SueloPetrol C.A.S.A.C.A y PDVSA, opera en la costa oriental del lago de Maracaibo, con los campos Tía Juana, Cabimas tradicional, Cabimas sur y Cabimas Este. Este se encuentra dividido en dos grandes yacimientos: Mioceno, que corresponde al Mb. Lagunillas Inferior de la Fm. Lagunillas, y Eoceno que está conformado por las arenas de la Fm. Misoa. El área de estudio enmarca el norte del campo Tía Juana, Sur del campo Cabimas tradicional y Cabimas Este; cuyo principal interés comercial se focaliza en las arenas petrolíferas del Miembro Lagunillas Inferior. Su caracterización geofísica mediante sísmica 3D proporcionará planes de producción avanzada, con la visión de desarrollar nuevas localizaciones y planes de perforación horizontal. Previo a este estudio, se realizó un trabajo integrado de geociencias en el campo Tía Juana (Intevep, 2002), con miras de mejorar el entendimiento de las estructuras geológicas, y calcular reservas del campo. En este, se delimito un monoclinal fallado mediante sísmica 2D, con posteriores análisis petrofísicos y estratigráficos, que permitieron modelar las mejores áreas áre as para par a el yacimiento Lagunillas Inferior. Actualmente se piensa reforzar estas premisas y obtener mediante nuevas metodologías resultados más eficaces. En el año 1997 se adquirió la sísmica 3D de alta resolución, en un polígono de estudio que está delimitado por la parte norte del campo Tía Juana, sur del bloque Cabimas Este y sureste del bloque Cabimas Sur. El objetivo principal fue iluminar las estructuras a nivel Mioceno, el cual cumplió, obteniendo una resolución vertical de 29 pies en el yacimiento Lagunillas Inferior. Sin ningún estudio realizado con esta data sísmica 3D se planteó un estudio de caracterización geofísica siguiendo el plan de trabajo establecido por Centro de Especialidades Tecnológicas (CET), de SueloPetrol C.A.S.A.C.A. Se realizó una interpretación sismo-estructural, a nivel de Mioceno. En esta se evaluó las principales estructuras del campo, describiendo un monoclinal fallado que buza con un ángulo aproximado de 4 grados en dirección suroeste. La interpretación describió el tope y base del Mb. Lagunillas Inferior, y fallas de carácter regional. Se generaron atributos convencionales, tales son: Energía, Frecuencia instantánea, Envolvente, entre otros; con los que se buscó detallar las principales anomalías prospectivas en el área de interés. Posteriormente se realizaron atributos espectrales, bajo las metodologías de: transformada
2 de ondícula continua y transformada de Fourier rápida; en esta prospección se buscó delimitar las estructuras sedimentarias. Para aumentar la confiabilidad de nuestro prospecto se realizó una inversión acústica con data sísmica y de pozo, con el fin de delimitar los cuerpos sedimentarios de una mejor manera, bajo cambios en los contrastes de impedancia. Finalmente se cotejó la caracterización geofísica con información de producción y petrofísica con la finalidad de reiterar y comprobar los resultados en ciertos intervalos de conocida prospectividad, y extrapolar los conocimientos hacia áreas áre as no explotadas.
CAPITULO I MARCO GEOLOGICO 1.1 Ubicación geográfica del área de estudio Este proyecto se desarrolla en el área ubicada en la región occidental de Venezuela, en la costa oriental del Lago de Maracaibo, específicamente entre los municipios Simón Bolívar y Cabimas del estado Zulia. El polígono de estudio está delimitado por la parte norte del campo Tía Juana, sur del bloque Cabimas Este y sureste del bloque Cabimas Sur (Figura 1.1 y 1.2). Entre los detalles toponímicos más resaltantes se presentan: el aeropuerto de Oro Negro, asentamiento campesino El Cilantrillo, zona industrial de la costa oriental del lago, estaciones de flujo, pozos productores, gasoductos, oleoductos, acueductos, entre otros. En la Figura 1.1 se observa mapas georeferenciados que buscan orientar al lector de manera espacial, donde se encuentra el área de estudio; datos medidos en la sistema de coordenadas universal transversal de Mercator (UTM), ubicando nuestra zona de interés en el huso 19N, del datum La Canoa 56.
1 Figura 1.1. Mapa de ubicación regional del área de estudio.
4 El área de estudio y prospección abarca 55,045 km2 de terreno en superficie, definidas por la adquisición de un cubo sísmico 3D de alta resolución en el año 1997 por parte de Suelopetrol (Figura 1.1). En la Figura 1.2 se observan los límites del área de estudio, los 53 pozos que se encuentran dentro del área, y los bloques de Petrocabimas.
2 Figura 1.2 Mapa del área local de la prospección
1.2 Geología Regional El norte de Venezuela se basa esencialmente en la zona de interacción entre placas suramericana y del caribe, mientras que el oeste de Venezuela y el norte de Colombia muestran un escenario más complejo que implica una serie de bloques tectónicos o microplacas (Audermard et al., 2005). La frontera tectónica entre la placa suramericana y del Caribe consiste en regímenes tectónicos compresivos y transcurrentes y su ubicación está todavía en debate. La interacción entre la placa del Caribe y Suramérica ha generado depocentros de antepaís y corrimientos plegados en el frente de deformación observado a lo largo de la línea de costa venezolana, con el más antiguo localizado en el oeste y el más reciente al este (Izarra et al., 2005).
5
3 Figura 1.3. Mapa geológico – estructural de la Cuenca de Maracaibo (Modificado de Contreras, 2008) La estratigrafía regional donde se enmarca el área de estudio corresponde a la de la Cuenca del Lago de Maracaibo. Esta cuenca petrolífera está limitada al Oeste - Noroeste por el piedemonte de la sierra de Perijá, al Oeste – Sureste por la frontera Colombiana, al Sureste por el piedemonte andino al Este – Noreste por la zona de piedemonte occidental de la Serranía de Trujillo y en su parte Norte, por la línea geológica de la falla de Oca (Figura 1.3). Tiene una extensión aproximada de 50.000 Km2 y corresponde en su mayor parte al Estado Zulia y extensiones menores a los Estados; Táchira, Mérida y Trujillo. Geográficamente la Cuenca de Maracaibo está incluida dentro de la hoya hidrográfica del Lago de Maracaibo. Dentro de su perímetro se calcula un volumen total de sedimentos de 250.000 Km cúbicos sobre el basamento Precretácico (Intevep, 2002).
6 Toda la dinámica evolutiva de la Cuenca de Maracaibo ha sido agrupada en grandes episodios genéticos limitados por discordancias, definidos como Supersecuencias (Parnaud, 1995). En la Figura N°1.4 se ilustra la evolución de estas Supersecuencias en el tiempo geológico, en la misma se puede apreciar que las Unidades Litoestratigráficas arriba mencionada (Fm. La Rosa, Fm. Lagunillas, Fm. La Puerta) forman parte de la última Supersecuencia depositada, Supersecuencia F, constituida a su vez por dos Secuencias Depositacionales, como producto a las modificaciones de la cuenca de antepaís (foreland) debida a la colisión Eoceno TardíoPleistoceno del arco de Panamá (Intevep, 2002). La flecha negra señala la columna de interés, que luego será descrita localmente a nivel del Mioceno (área a prospectar en el presente estudio).
4 Figura 1.4. Secuencias depositacionales interpretadas en la Cuenca de Maracaibo. La flecha negra señala la posición de nuestra zona de interés (Modificado de Boesi, 2015).
1.3 Geología Local Las variaciones laterales de facies en toda el área de interés son muy frecuentes a lo largo de la secuencia, lo que hace que no exista un registro tipo para toda el área, sino más bien características y patrones electrográficos tipos por zona. Sin embargo, la mejor dirección de correlación en el campo, es en la orientación NE-SW o en algunos casos norte-sur, es en estos sentidos que se aprecia la mayor continuidad de los cuerpos sedimentarios (Intevep, 2002).
7 La prospección del presente estudio se basa en los estratos de edad Mioceno del campo Tía Juana Norte. Caracterizando las arenas petrolíferas por excelencia del Mb. Lagunillas Inferior. Así que el alcance de la geología local sólo será expuesto del Eoceno Tardío hasta el Mioceno (Figura 1.5).
5Figura 1.5. Tabla estratigráfica del Eoceno tardío y Mioceno, Tía Juana Norte. (Tomado de Código geológico de Venezuela, 1998).
1.3.1 Formación Paují (Eoceno tardío) Litológicamente, se compone de una gruesa sección de lutitas macizas a físiles de color gris a gris oscuro; las lutitas no son arenosas. La sedimentación de Paují, constituye una transgresión marina desde el este - noreste, solapando sobre la Formación Misoa (Código geológico de Venezuela, 1998). La Formación Paují, suprayace concordantemente sobre las areniscas de la Formación Misoa. El contacto superior se presenta en relación de discordancia con la Formación Icotea, o en ocasiones con la Formación La Rosa suprayacente (Código geológico de Venezuela, 1998).
1.3.2 Formación Icotea (Oligoceno) La Formación Icotea, es una unidad que se presenta esporádicamente en el subsuelo del Lago de Maracaibo, comprendida entre la discordancia del Eoceno Superior y la del Mioceno. Litológicamente, consiste de limolitas y arcillitas duras, macizas, típicamente de color blanco a
8 gris claro, pero localmente abigarradas en verde claro, amarillo o rojo parduzco, ocasionalmente carbonáceas. La formación yace en relación de discordancia angular sobre la superficie erosionada del Eoceno (Fm. Paují), en toda el área de la Cuenca de Maracaibo. Está cubierta discordantemente por la Formación La Rosa (Miembro Santa Bárbara) (Código geológico de Venezuela, 1998). La discordancia del Eoceno equivale a la discordancia regional que se observa en los afloramientos de los Andes en la base de la Formación Isnotú y que tiene más características de inconformidad
(en nuestra localidad) que de una discordancia angular de características
regionales (Intevep, 2002).
1.3.3 Formación La Rosa (Mioceno Temprano) El evento más destacado Posteoceno, en la Cuenca de Maracaibo es la transgresión marina durante el Mioceno Temprano, que ocasionó la sedimentación de la Formación La Rosa. Este marcador marino se extiende diacrónicamente en toda la cuenca (González de Juana et al., 1980). Esta formación consiste en su mayor parte de lutitas arcillosas, verdes, más o menos fosilíferas, con una cantidad subordinada de capas de areniscas e interlaminaciones de areniscas y lutitas. En el lado oeste del lago, lago, la formación consiste casi completamente de lutitas arcillosas, verdosas y fosilíferas con una pequeña cantidad de areniscas (Código geológico de Venezuela, 1998). El Miembro Santa Bárbara, representa la primera etapa de la invasión marina, sobre la superficie erosionada del Eoceno y/o de la Formación Icotea. Los sedimentos, y la escasa fauna de moluscos, son indicativos de aguas poco profundas. La lutita de La Rosa, suprayacente, corresponde a la máxima transgresión de un mar poco profundo, que cubrió la mayor parte de la Cuenca de Maracaibo. La Arena Intermedia y la Arena La Rosa (nombres informales), representan el proceso regresivo siguiente, y se caracterizan por depósitos de barras de playa. Hacia el tope, los depósitos presentan mayor influencia deltaica, haciéndose similares a los del Miembro Lagunillas Inferior, de la Formación Lagunillas suprayacente (Intevep, 2002) La Formación La Rosa, yace con fuerte discordancia angular sobre la Formación Misoa, del Eoceno, o sobre la Formación Icotea, en las áreas donde ésta se depositó, en cuyo caso es paraconcordante. Hacia arriba, la formación pasa transicionalmente a la Formación Lagunillas. Hacia el oeste del Lago de Maracaibo, la formación pasa lateralmente a la Formación Macoa;
9 hacia el noreste del lago, La Rosa se correlaciona con la Formación Agua Clara, de la Cuenca de Falcón.
1.3.4 Formación Lagunillas (Mioceno Medio a Tardío: 15-6 Ma) Suprayacente a la Rosa, está constituida por sedimentos de ambientes someros transicionales, costeros y hasta continentales que alcanzan más de 1000 m de espesor. La Formación Lagunillas originalmente fue dividida de la manera siguiente:
1.3.4.a Miembro Lagunillas Inferior En resumen de los estudios más recientes consiste de depósitos de un plano deltaico bajo, costeros y lacustrinos; como canales distributarios, barras costeras, depósitos de lagunas, canales de marea y marismas. Algunos autores consideran que este Miembro constituye la parte regresiva del primer ciclo transgresivo-regresivo de la secuencia Miocena, constituido por arenas petrolíferas poco consolidadas intercaladas con arcillas y lutitas carbonosas. Considera roca yacimiento en el presente estudio. Posee un espesor promedio de 100m (Código geológico de Venezuela, 1998).
1.3.4.b Miembro Ojeda Suprayacente a Lagunillas Inferior, algunos autores consideran valido la existencia de un intervalo de unos 30 m de espesor promedio mayormente lutitico-arcilloso con desarrollo de capas delgadas de arena localmente glauconíticas conocido como Miembro Ojeda, el intervalo en general es fosilífero. Este nombre fue empleado por Szenk (1959), para designar una de las subdivisiones de la Formación Lagunillas en la parte central del Lago de Maracaibo. Consiste en lutitas, arcillas de color gris, gris-verdoso y verde, con frecuentes intercalaciones delgadas de arcilla parda, limolita caolinítica, arenisca ceolinítica de grano fino, areniscas pardas con oolitos glauconíticos y lignito (Código geológico de Venezuela, 1998). Es considerada roca sello en el presente estudio.
1.3.4.c Miembro Lagunas El intervalo más marino de la Formación corresponde al Miembro Lagunas, representando éste la culminación del primer ciclo transgresivo-regresivo considerado por algunos autores. Esta constituido principalmente por lutitas grises fosilíferas (zona de Litophaga) descrito por Huffmeister (1938) y Sutton (1946).
10
1.3.4.d Miembro Bachaquero La parte superior de la Formación Lagunillas se denomina Miembro Bachaquero, el cual consiste de intercalaciones de areniscas no consolidadas con lutitas, arcillas y lutitas arenosas con algunos lignitos, no presenta fósiles. Sus arenas son localmente petrolíferas en las áreas de los campos Lagunillas y Bachaquero (Código geológico de Venezuela, 1998). El espesor de la Formación Lagunillas es variable; en forma general engrosa en dirección oeste y en campos de Tía Juana, presenta 450 y 900 metros respectivamente (Código geológico de Venezuela, 1998). En la localidad tipo y en la mayor parte de la Cuenca de Maracaibo, la Formación Lagunillas, suprayace concordantemente a la Formación La Rosa, excepto en aquellas áreas donde ésta no se depositó como los altos de Pueblo Viejo y Ceuta. En dichas áreas, la formación pasa transicionalmente a la Formación Los Ranchos (González de Juana et al., 1980).
1.4 Estratigrafía Secuencial Toda esta historia de sedimentación y evolución tectónica de la cuenca ha sido expresada en jerarquía de secuencias depositacionales (Parnaud et al. 1995), las cuales reflejan la dinámica tectónica y los diversos procesos eustáticos que influyeron en la cuenca. En la interpretación secuencial, se debe recordar que el Mioceno de Venezuela Occidental se encuentra influenciado por el levantamiento Andino y no cabe duda que los pulsos de levantamiento interfirieron con los ciclos eustáticos del nivel del mar. En la secuencialidad observada en los pozos y en el significado de las terminaciones de los reflectores observados en la sísmica, se produjo un modelo que conciliara dichos eventos con la mejor lógica posible. Si bien es cierto que existen aparentemente ciclos de secuencialidad lógica, como el caso de la “Transgresión de La Rosa” y el lógicamente sucesor “alto nivel de Lagunillas Inferior”, el levantamiento diferencial de bloques tectónicos asociados a la orogénesis Andina debió interferir en la evolución sedimentológica clásica de dichos eventos, no solamente en lo referente a la elevación-hundimiento del nivel de base, sino también a la velocidad de relleno del espacio liberado o al mayor rechazo de la línea de costa en el caso de los levantamientos. Las complicaciones observadas aquí han tratado de ser dirigidas hacia el mejor conocimiento del yacimiento como tal en lo referente a la posibilidad de trampas estratigráficas/estructurales y a la evaluación de cuán perforada ha sido la secuencia Post-Misoa (Intevep, 2002).
11 El Miembro Lagunillas Inferior debería corresponder clásicamente a una sedimentación de Alto Nivel (HST) ( HST) en un margen pasivo; sin embargo, esta característica no es precisamente la que se presenta en Venezuela Occidental en este tiempo geológico; no se puede descartar la influencia del levantamiento Andino interrumpiendo el ciclo de Alto Nivel, con repentinos levantamientos regionales que hacían retroceder rápidamente la línea de costa a la vez que profundizaban el fondo marino como resultado de dicho basculamiento (Intevep, 2002). El modelo final se asemeja a las secuencias depositacionales descritas por (Hentz, 1994) en la Cuenca de Anadarko en Estados Unidos (Figura 1.6), a las descritas como modelo conceptual de márgenes activos (Posamentier y Allen, 1999). De aquí que se puede resumir lo siguiente: 1) La unidad basal del área de Tía Juana, al sur y oeste del “onlap” costero de SB1.2 sobre SB1.3 es un LST o unidad secuencial de Tipo 2 (SMW) del modelo clásico de Vail et al., (1976) (Intevep, 2002). 2) El Sistema Transgresivo (TST) que lo suprayace corresponde a la Formación La Rosa, o posiblemente, lo que ha sido definido como “Formación La Rosa” en los pozos que no llegaron a la discordancia, es parte de este sistema Transgresivo (Intevep, 2002). 3) El Miembro Lagunillas Inferior corresponde en rango, al sistema de Alto Nivel del TST del punto; internamente, tiene una secuencia de 4to o 5to orden con su sistema transgresivo, máxima superficie de inundación y sistema de alto nivel parcialmente erosionado bajo la “Capa Dura” (Intevep, 2002).
6Figura 1.6 Comparación entre los eventos de sedimentación de unidades paleozoicas de la cuenca de Anadarko (USA) y las unidades sinsedimentarias post-eocenas en la región de Tía Juana (Tomado de Intevep, 2002).
12
7 Figura 1.7. Pozo modelo LSE5546, su respectiva columna estratigráfica e interpretación secuencial (Intevep, 2002) 1.5 Sistema petrolero
Zambrano et al., (1971) (González de Juana et al., 1980), al estudiar los los problemas de la génesis del petróleo en la Cuenca del Lago de Maracaibo, mencionan a la Formación La Luna como la roca madre más favorable de la serie Cretácica y de toda la columna sedimentaria del Occidente de Venezuela. Desde el descubrimiento del petróleo cretáceo, la Formación La Luna ha sido considerada como la roca madre por excelencia de dicho petróleo, en la Cuenca del Lago de Maracaibo. Estudios geoquímicos han demostrado que un porcentaje muy alto de petróleo de la Cuenca de Maracaibo, tiene su origen en la Formación La Luna (Gallango et al., 1984). El petróleo generado por la Formación La Luna, se ha acumulado desde el Paleoceno hasta el Reciente, en una gran variedad de yacimientos con producción proveniente de varias capas; tales como las Arenas "B" de la Formación Misoa y las arenas petrolíferas del Mb. Lagunillas Inferior (Peterson, 1993). La porosidad de los yacimientos Eocenos, es Inferior a la de los intervalos miocenos, manteniéndose un promedio entre 20 y 30%. Debido a la diversidad de los procesos
13 sedimentarios y tectónicos ocurridos en la cuenca, determinantes de los movimientos de las masas de petróleo que se desplazaron desde las rocas madres hasta las trampas localizadas en regiones distintas, situadas a niveles estratigráficos superiores diferentes y en diversas clases de rocas, es indudable que el proceso migratorio de los hidrocarburos en la cuenca es un fenómeno complejo (Gallango et al., 1984). Considerando que la Formación La Luna, ha constituido la principal fuente de hidrocarburos almacenados en el post - Cretáceo del lago, se postula una migración transversal ascendente desde esta roca madre hasta las arenas eocenas a través de la Formación Colón, por vía de las numerosas fallas que la atraviesan, (Scherer, 1995). También se sugiere que durante la sedimentación de la Formación Misoa, se desarrollaron fallas de crecimiento cuyo patrón fue determinante en la distribución de los sub-ambientes deltáicos de Misoa, contribuyendo al desarrollo de distintas zonas de arena de buena o mala calidad, en parte relacionadas con movimientos tectónicos (Talukdar y Marcano,1994). La admitida mezcla de petróleos cretáceos y eocenos en arenas de la Formación Misoa, requiere postular una migración secundaria transversal desde los reservorios de las calizas cretáceas hasta las arenas Eocenas, más plausibles a través de fracturas. Por ello la migración, sólo pudo tener lugar después de un fracturamiento capaz de destruir la barrera impermeable de las lutitas de las formaciones Colón y Mito Juan (Peterson, 1993). Se puede resumir la migración o el movimiento de los fluidos en dos fases principales: por descenso de acuerdo al gradiente de la cuenca, y en forma longitudinal y ascendente a través de las fallas (Peterson, 1993). La roca yacimiento a nivel de Mioceno del área vendría siendo las arenas petrolíferas del Mb. Lagunillas Inferior del bloque Tía Juana. El entrampamiento de hidrocarburos en los sedimentos del Cretáceo, Paleoceno-Eoceno y Oligo-Mioceno en la Cuenca de Maracaibo, está controlado por trampas estructurales, estratigráficas y mixtas. En términos generales, puede decirse que los accidentes estructurales, son más frecuentes en los yacimientos del Cretáceo, que en los entrampamientos en rocas del Paleoceno-Eoceno, donde se combinan los factores estructurales y sedimentológicos, y, que en las acumulaciones del Mioceno, predominan los factores sedimentológicos sobre los estructurales, aunque esta regla general presenta numerosas excepciones (Peterson, 1993).
14 Localmente la trampa por excelencia vendría siendo de carácter estratigráfico, siendo las lutitas de la Fm. Ojeda el sello por excelencia (Peterson, 1993); otros autores, expresan que el método de entrampamiento se asemeja al de la Faja del Orinoco, siendo la trampa la misma formación biodegradada en la parte superior, asumiendo que es petrolífera, formando una especie de brea viscosa que actué como sello (T. Boesi, comunicación personal).
CAPITULO II MARCO TEORICO 2.1 Métodos sísmicos Los métodos sísmicos son las técnicas geofísicas más utilizadas por su poder de resolución y penetración en el subsuelo. Se utilizan en la búsqueda de acuíferos; en ingeniería civil; en la exploración y producción de carbón; y es un método imprescindible en la exploración y producción de hidrocarburos (Regueiro, (Re gueiro, 2007). Estas técnicas consisten en generar ondas sísmicas utilizando fuentes tales como explosivos, vibradores, etc., y en medir, con equipos de grabación, el tiempo transcurrido desde la generación de la onda hasta que ésta es recibida por los sensores (geófonos) colocados en la superficie (Regueiro, 2007). El método se basa en el fenómeno de propagación de ondas en La Tierra. Esta propagación es posible gracias a las propiedades elásticas de las rocas, y depende de su disposición en el subsuelo. Gracias al fenómeno de propagación, tomando en cuenta su velocidad, y el tiempo de llegada, es posible reconstruir las trayectorias de las ondas sísmicas (Regueiro, 2007). El objetivo de los métodos sísmicos es reconstruir la disposición de las rocas en el subsuelo (estructura) y sus características físicas (litología, fluidos, etc.) a partir de la información grabada, esto es, de los tiempos de recorrido, las amplitudes, cambios de fase y/o frecuencia de las ondas (Regueiro, 2007).
2.1.1 Resolución sísmica vertical La resolución sísmica vertical de un registro es la menor distancia vertical (espesor) entre dos interfaces litológicas que produce dos reflexiones discretas, las cuales se pueden separar visualmente (Modificado de Bacon, 2003). En otras palabras, es el menor espesor para el cual el tiempo de tránsito de la onda (Δt) proporciona información acerca de los espesores de los estratos.
16 Lo anterior se explica a través del modelo de cuña, que está formado por una capa que reduce su espesor desde una medida significativa hasta cero (Figura 2.1.a), el cual tiene propiedades de impedancia acústica diferentes al medio que la rodea, y por lo tanto los coeficientes de reflexión de su base y tope son de igual magnitud, pero de signos opuestos (Regueiro, 2007). Cuando la cuña se adelgaza hacia la izquierda, la reflexión de amplitud positiva del tope interfiere constructivamente con la reflexión de amplitud negativa de la base. La interferencia constructiva máxima ocurre cuando el espesor de la cuña es aproximadamente un cuarto de la longitud de onda, o cuando medido en tiempo doble de viaje, el espesor es la mitad del espesor del período dominante, indicado con la línea negra en la Figura 2.1.b. Para espesores por debajo de esto, la forma de la onda se estabiliza y sólo la amplitud sísmica es la que varía con el espesor (Chopra y Marfurt, 2007).
8Figura 2.1 Modelo de cuña que explica la resolución sísmica vertical y el efecto de entonación en capas delgadas. a) Modelo de cuña con tres capas; b) Sismograma sintético generado en offset cero c) Amplitud del sintético extraído a lo largo del tope 2 (Haslym, 2014).
17 Si se analiza el gráfico de delta t vs. espesor (Figura 2.1.b), la respuesta de delta t en función del espesor es lineal para espesores mayores al espesor límite de resolución, y por debajo de éste el delta t se hace constante. Por otro lado al analizar un gráfico de amplitud de reflexión vs. espesor (Figura 2.1.c), la relación de amplitud respecto al cambio de espesor es constante para espesores mayores al espesor límite de resolución; por debajo de este límite, el comportamiento es decreciente y lineal hasta llegar a cero, el valor máximo de amplitud se corresponde al del espesor límite (Regueiro, 2007). De esta forma, el espesor límite de resolución, teóricamente, se corresponde a un cuarto de la longitud de d e onda (λ/4), y también es el que se relaciona con el denominado, “punto de entonación o sintonía sísmica” (Regueiro, 2007).
2.1.2 Atributos Sísmicos Un atributo sísmico es cualquier medida de datos sísmicos que puede ayudar a mejorar o cuantificar visualmente caracteres, rasgos o formas de interés interpretativo. Un buen atributo sísmico puede ser directamente sensible a las formas geológicas o a las propiedades de yacimientos, o puede permitir definir el ambiente depositacional o estructural y así poder inferir sobre las tectónica o propiedades características del yacimiento. El objetivo principal de los atributos es proporcionar información precisa y detallada de los parámetros estructurales, estratigráficos y litológicos litológicos del prospecto sísmico (Modificado de Chopra y Marfurt, 2007). En gran escala un atributo sísmico se refiere a cualquier resultado derivado de datos sísmicos. D esta forma, se incluyen como atributos cantidades como, la velocidad interválica, inversión para impedancia acústica, predicción de presión-porosidad, presión-p orosidad, terminación de reflectores, atributos de traza compleja, AVO, y descomposición espectral. Aunque son de gran ayuda y ampliamente utilizados, hay que tener en cuenta que estos atributos, que derivan de cálculos sofisticados, de alguna manera están contaminados o asociados con errores y por ello es de suma importancia la calibración de los mismos con datos de pozos u otras técnicas de integración (Chopra & Marfurt, 2007).
2.1.3 Clasificación de los atributos sísmicos Según sus características computacionales y datos de entrada, existen atributos con datos preapilados y aquellos derivados de datos post-apilamiento, estos últimos migrados o no en tiempo. Por lo general, los atributos post-apilamiento son los mejores para observar grandes cantidades de
18 data sísmica en la investigación inicial, al momento de enfocarse en un objetivo se puede proceder a usar datos pre-apilados pre -apilados (Taner, 2000). Los atributos se pueden clasificar según el contenido de información y tipo de proceso (Taner, 2000), -
Atributos instantáneos: Realiza un cálculo muestra por muestra, representando variaciones instantáneas de varios parámetros (frecuencia, amplitud, entre otros). Se pueden determinar a través de trazas complejas.
-
Atributos de ondículas: Son atributos instantáneos que calculan el pico de la envolvente de la traza, tiene relación directa con la Transformada de Fourier de ondícula en la vecindad del pico de la envolvente. Entre estos se mencionan también los atributos interválicos, multitrazas y acimutales.
O se puede clasificar según su relación con la geología (Taner, 2000), -
Atributos Físicos: son los relacionados con cualidades y cantidades físicas. La magnitud de la traza envolvente es proporcional al contraste de impedancia acústica, frecuencias relacionadas con el espesor de capas, dispersión y absorción de ondas. Las velocidades instantáneas y promedios están relacionadas directamente con las propiedades de rocas. Estos atributos se usan para la clasificación litológica y la caracterización de yacimientos.
-
Atributos geométricos: son los que describen la relación espacial y temporal de cualquier otro atributo. Estos atributos contribuyen a definir las características del evento y sus relaciones espaciales, cuantificar estructuras que ayuden al reconocimiento de patrones depositacionales, y litologías asociadas.
Se procede a definir distintos atributos sísmicos utilizados en el presente estudio:
2.1.3.a Energía promedio, Es un atributo post-apilado que ejecuta la suma de suma de las raíces cuadradas de amplitud dividido entre el número de muestras dentro de la ventana de análisis. Esto es una medida de reflectividad y nos permite mapear indicadores directos de hidrocarburos (Chopra & Marfurt, 2007).
19
2.1.3.b Fuerza de reflexión, Es la energía instantánea instantánea total de una señal analítica, independiente de la fase. También conocida como amplitud instantánea, magnitud o envolvente. Este atributo es importante, ya que puede detectar puntos brillantes causados por acumulaciones de gas, reflectores de alta energía ener gía causados por cambios litológicos importantes y límites de secuencias (Schlumberger, 2013). Es sensible a cambios de impedancia Fracústica, y por lo tanto de litologías, porosidad y presencia de hidrocarburos (Chopra & Marfurt, 2007).
2.1.3.c Amplitud RMS, Cálculo de la raíz media cuadrática de las muestras de una traza en una ventana de tiempo específica (Schlumberger, 2013). Este atributo puede mostrar contrastes estratigráficos.
2.1.3.d Señal/Ruido, Atributo que ejecuta a través de la Ecuación 2.1, una estimación del cálculo de la señal/ruido a través de la amplitud de la traza sísmica. Utiliza también un algoritmo parecido al atributo de coherencia (comparación entre trazas) para discriminar si es ruido o señal.
S/N en db 10log[(rms señal) /(rms ruido) ] Ecuación 2.1 2.1.3.e Frecuencia RMS, Atributo instantáneo que retorna una característica del espectro de amplitud de una zona, en este caso la frecuencia RMS (Root mean square). Indicador de contrastes estratigráficos. En la Figura 2.2 se ejemplifican las diferentes frecuencias a lo largo del espectro.
9 Figura 2.2. Espectro de frecuencias y diferentes frecuencias que se obtienen.
20
2.1.3.f Envolvente, Amplitud envolvente Taner et al., (1979) describen el atributo como la suma de la traza sísmica real con la traza sísmica imaginaria y es independiente de la fase. Puede tener sus máximos en puntos de fase en lugar de picos o valles de la traza real, especialmente cuando un evento está compuesto por varias reflexiones. La amplitud envolvente está definida por la expresión:
() [ () ∗()]½ ⃓()⃓
Ecuación 2.2
Donde f(t) es la traza real y f*(t) es la traza imaginaria.
2.1.3.g Frecuencia Instantánea Los sistemas oscilatorios de una traza sísmica que oscilan entre valores negativos (valles) y positivos (picos) de frecuencia, pueden ser definidos como la tasa de cambio en tiempo del ángulo de fase. Esta definición permite describir la frecuencia de una traza sísmica compleja, permitiendo que la frecuencia fre cuencia instantánea instan tánea (t) ( t) en cualquier muestra mues tra de tiempo sísmico s ísmico viene dada por la derivada de la función de fase Ø(t) Ø( t) en esa muestra de tiempo y viene dada por: por :
() [∅( [∅()]
Ecuación 2.3
2.1.3.h Cubo de buzamientos, Es un volumen que contiene el buzamiento y azimuth local, conocido como cubo de steering. El cubo de steering utiliza un concepto en el que se utiliza el buzamiento y la información de azimut para incrementar la precisión de los atributos y por ende la detección de objetos de potencia: Se considera el cálculo de un atributo de similitud. Este atributo compara dos o más segmentos de trazas mediante la medición de su distancia en un espacio euclidiano normalizado. Dos segmentos traza idénticos producirán un valor de salida uno, mientras que dos segmentos traza completamente disímiles devolverá el valor cero. En el caso de capas horizontales, esto funciona bien, pero frente a capas buzantes los resultados tendrán menos exactitud. Por lo tanto, en vez de comparar dos segmentos de traza extraídos horizontalmente, este debería hacerse a seguido a lo largo del buzamiento. El proceso de seguir por buzamiento traza a traza es llamado “steering” y requiere, en el caso de Opendtect, solo el cubo sísmico (Manual de OpendTect 5, 2015). La herramienta tiene dos modalidades diferentes a la hora de hacer el análisis de steering tales como:
21 -
Steering central: El azimuth y buzamiento es seguido hasta evaluar las trazas necesarias para caracterizar estas dos características estructurales.
-
Full steering: el azimuth y buzamiento es evaluado en cada posición de la traza y genera un modelo más robusto, pero necesita mucha más capacidad de computo.
Las diferencias entre no realizar un seguimiento con steering, steering central y full steering es mostrado en la figura siguiente. Nótese que la Figura 2.3 utiliza un ejemplo 2D del seguimiento, pero de hecho es una operación realizada en 3D, en un mini cubo de análisis.
10Figura 10 Figura 2.3. A) Seguimiento sin steering B) Steering central y C) Full steering A continuación se muestra el volumen calculado con ejemplos en inlines y crossline, mostrando efectivamente la componente inline del buzamiento (Figura 2.4).
11 Figura 2.4. Volumen mostrando buzamiento en la componente inline
22
2.1.3.i Similaridad, La similaridad es una forma de coherencia que expresa en cuanto uno o más segmentos de trazas son similares. Una similaridad de 1, significa que los segmentos de trazas son idénticos en amplitud y forma de onda. La similaridad de 0, significa que los segmentos son completamente diferentes. Este atributo retorna traza a traza las propiedades de similaridad y complementa fácilmente cualquier otro atributo (Manual de OpendTect 5, 2015). Matemáticamente, los segmentos de traza se consideran como vectores en el espacio y las muestras son componentes dichos vectores. La similaridad se define como la menor distancia Euclidiana entre dos vectores, normalizados sobre las longitudes de los vectores (Manual de OpendTect 5, 2015). Los segmentos de traza son definidos por una ventana de tiempo en ms y una posición especificada en coordenadas o diagrama espacial de vecino, que se grafica a continuación (Figura 2.5).
12Figura 12 Figura 2.5. Diagrama espacial de vecino, utilizado en el análisis de similaridad En la figura 2.5 La posición de la traza se refiere al punto (0,0). El análisis de realiza en un segmento de traza comparado con los segmentos vecinos y se puede especificar con cuales y cuántos de ellos se van a comparar. De esta forma, se pueden hacer diferentes combinaciones, por ejemplo espejos de 45°, 90° o de 180°, o simplemente hacer la comparación Full Block (con los 8 puntos alrededor) (Manual de OpendTect 5, 2015). 2015) . La similaridad también puede verse como una croscorrelacción. En la herramienta OpendTect la metodología comienza partiendo un punto en una traza, el cual es comparado con un segmento de traza vecino, el tamaño de ese análisis será definido por la ventana de búsqueda. El número de comparaciones es por lo tanto controlado por la ventana de búsqueda. La medida de la
23 similaridad entre los segmentos de traza se encuentra entre 0 y 1. El código elegirá el punto que tiene la similitud más alta (Figura 2.6). Cuando el punto con la mayor similitud tiene un valor Inferior al umbral definido, el rastreador se detiene el seguimiento. Esto último, concerniente a utilizar el atributo de similaridad de un cubo sísmico a lo largo de una superficie interpretada (Manual de OpendTect 5, 2015).
13 Figura 2.6. Ventanas de búsqueda utilizada por el algoritmo de similaridad. Pasos A, B y C
2.1.4 Descomposición Espectral Para comprender apropiadamente de qué trata la descomposición espectral, primero se desarrollará un poco sobre las bases que sustentan el desarrollo de esta herramienta.
2.1.4.a Análisis de Fourier Este análisis es simplemente la croscorrelación de los datos sísmicos con un conjunto de senos y cosenos a frecuencias predeterminadas. Cada coeficiente de croscorrelación entre un seno o coseno dado y la data, es lo que se llama un componente de frecuencia (Marfurt y Chopra, 2007). Por lo general se utiliza el teorema de Euler:
cos sin sin
Ecuación 2.4
donde w=2πf y es la frecuencia radial medida en radianes por segundo, f es la frecuencia temporal medida en Hertz. Finalmente, se puede expresar los coeficientes de croscorrelación de senos y cosenos con la data como un número complejo A(w) ,
() ∑ ∆ (∆ ) ∑ cos(∆)(∆) ∑ sin(∆∆)(∆)
Ecuación 2.5
24 donde k es el índice de muestreo, ∆t es el incremento en el tiempo-muestreo, y d(k ∆t) es la data sísmica para el tiempo t=k ∆t. La ecuación anterior se puede definir en términos de su amplitud A(w), y su fase Ф=(w), como,
() () Ф()
Ecuación 2.6
El análisis de Fourier permite descomponer la señal en componentes sinusoidales de diferentes frecuencias, también se puede definir como una técnica matemática que puede transformar el punto de vista de una señal desde el dominio del tiempo al dominio do minio de la l a frecuencia, tal como se puede apreciar en el esquema de la Figura 2.7 (Kouro y Musalem, 2002).
14 Figura 14 Figura 2.7 Esquema sobre el funcionamiento de la Transforma de Fourier sobre señales. (Modificado de Kouro y Musalem, 2002). Este análisis es muy útil cuando se trata de señales estacionarias, pero para el caso de señales no estacionarias, tales como cambios abruptos, comienzos o finales de eventos, entre otras, el análisis no resulta muy ventajoso debido a que se pierde mucha información referente al tiempo, y resulta imposible determinar cuándo ocurre un evento determinado o cuándo ocurre una frecuencia determinada (Kouro y Musalem, 2002). En la exploración sísmica, la descomposición espectral se refiere a cualquier método que produce un análisis continuo tiempo-frecuencia de la traza traz a sísmica s ísmica (Castagna (Casta gna y Shengjie, Shen gjie, 2006). 2006) . De forma más específica, es un método que descompone la señal sísmica en sus componentes de frecuencias constituyentes (Hall y Trouillot, 2004). Este análisis se ha aplicado, entre otros, para la determinación de espesor de capas, visualización estratigráfica o determinación directa de hidrocarburos. La descomposición espectral es un método de análisis de data sísmica que se basa en los conceptos de Fourier de que una función repetida puede construirse a través de la suma de un
25 número infinito de ondículas de mono-frecuencias, cada una con sus propios valores de amplitud y fase. Para un intérprete sísmico, este método es un filtro de la data con una serie de ondículas de mono-frecuencia las cuales cubren el espectro usable útil de la data sísmica. Los resultados se presentan como secciones de horizontes, perfiles en tiempo y estratos a través de superficies sísmicas en 3 dimensiones (Marfurt y Blumentritt, 2007). Las funciones base de seno y coseno son las más comunes para aplicar descomposición espectral, aunque existen otros métodos, todos ellos se basan en utilizar un conjunto de funciones bases para obtener los coeficientes transformantes a través de croscorrelación de cada función base con una ventana temporal de la data sísmica (Marfurt y Chopra, 2007). Existen varios métodos para realizar descomposición espectral, la diferencia radica en sus funciones bases y algoritmos de las ventanas. De esta forma se tiene la Transformada de Fourier rápida o “Fast Fourier Transform” (FFT, por sus siglas en inglés), y la Transformada de Ondícula Continua o “Continuos Wavelet Transform” (CWT, por sus siglas en inglés), entre otros; para los dos métodos mencionados, la función base es una ondícula de senos y cosenos, en lo que difieren es en la forma de sus ventanas, para la FFT la ventana es constante e independiente de la frecuencia, mientras que para la CWT la ventana es proporcional a la frecuencia, es decir el tamaño cambia (Marfurt y Chopra, 2007).
2.1.4.b Análisis de Fourier en ventanas de tiempo cortas o por intervalos Para corregir las desventajas del análisis de Fourier, en 1946 Denis Garbor adaptó la Transformada de Fourier para poder analizar una sección pequeña de la señal en un determinado tiempo con ventanas. Dicha adaptación se conoce como la Transformada de Fourier con ventanas de tiempo cortas o “Short Time Fourier Transform” (STFT, por sus siglas en inglés), la cual lleva la señal del plano del tiempo al plano bidimensional de tiempo frecuencia, lo que se puede apreciar en el esquema de la Figura 2.8.
15 Figura 2.8. Esquema sobre el funcionamiento de la Transformada de Fourier con ventanas de tiempo cortas sobre señales. Modificado de Kouro y Musalem, 2002.
26 Este método proporciona información acerca del cuándo y a qué frecuencia ocurre un evento determinado; sin embargo, esta información sólo se puede obtener con una precisión limitada, la cual depende del tamaño de la ventana. Al escoger una ventana de tiempo determinada, ésta es la misma para todas las frecuencias, y en muchos casos, las señales requieren de un acercamiento más flexible, ésta es una de las desventajas más importantes del método (Kouro y Musalem, 2002). La diferencia en la respuesta de frecuencia sobre el espectro de amplitud, al usar una ventana de tiempo larga o una corta, es que la transformada de una traza larga se aproxima al espectro de la ondícula, por otra parte, la transformada de una traza corta comprende una huella de la ondícula y un patrón de interferencia local que representa las propiedades acústicas y el espesor de las capas geológicas asumidas por la ventana (Partika, 2009). El análisis con ventanas largas comprende muchas variaciones geológicas o geología aleatoria; el espectro de reflectividad resultante aparece blanco o plano (Figura 2.9); la convolución de la energía de la ondícula con secciones de geología aleatoria crea un espectro de amplitud y fase que aproxima al espectro de la ondícula (Partika, 2009).
16 Figura 2.9. Descomposición espectral con ventanas largas y su relación con el sistema convolucional. Una ventana temporal larga muestrea geología aleatoria que por lo general exhibe un espectro de amplitud blanco o aplanado (Modificado de Partika, 2009). Por otro lado, la respuesta al usar una ventana corta es dependiente de las propiedades acústicas y el espesor de las capas asumidas por la ventana. Si la ventana se reduce y se asume señales no estacionarias, lo que significa geología no tan aleatoria, el espectro se aproxima al de la ondícula
27 sumado con la geología. El espectro que resulta ya no es blanco y puede representar el patrón de interferencias dentro de la ventana (Figura 2.10) (Partika, 2009).
17 Figura 17 Figura 2.10. Descomposición espectral con ventanas cortas y su relación con el sistema convolucional. Una ventana temporal corta muestrea ordenadamente (no de forma aleatoria) la geología que entona el espectro de amplitud (Modificado de Partika et al., 2009).
2.1.4.c Descomposición espectral usando Transformada de Ondícula Continua (CWT) El análisis a través de ondículas continuas permite el uso de intervalos grandes en tiempo en aquellos segmentos en los que se requiere mayor precisión en baja frecuencia, y regiones más pequeñas donde se requiere información inform ación en alta frecuencia (Kouro y Musalem, Musal em, 2002). La Transformada de la Ondícula Continua (CWT, por sus siglas en inglés) emplea las propiedades de dilatación y traslación de las ondículas para producir un mapa tiempo – escala. Los orígenes de esta metodología se remontan a Gabor (1946), y posteriormente Morlet (1982), quienes abrieron la puerta para el análisis de señales no estacionarias y el cálculo del contenido de frecuencias variable en tiempo. A diferencia del método convencional FFT, la Transformada de la Ondícula Continua no requiere la preselección de la longitud correspondiente a la ventana de estimación, además de no poseer una resolución fija tiempo – frecuencia en el dominio de la frecuencia (Sinha, 2005). Una Ondícula se define como una función (t) ϵ L² (R) de promedio cero. Al trasladar y dilatar la Ondícula Ψ (t) se obtiene una familia de ondículas:
28
ψ, (t) √ ψ −
Ecuación 2.7
donde σ, τ, ϵ R, σ es el parámetro de dilatación y es diferente de cero La CWT se define como el producto interno entre una familia de ondículas
,() y una señal
f(t):
∞ () )] ∫−∞ w( w(σ, τ) [ [f f (t), ψ(t)] f t √ ψ − donde es el conjugado complejo de
y
Fw
Ecuacion 2.8
(, ) es el mapa tiempo – escala, también
conocido como escalograma. La función de la ventana w(t), que por lo general es usada para este método de descomposición es una típica Gaussiana de la forma:
(∆) ∆) √ exp[ exp[−∆ ]
Ecuación 2.8
En la ecuación 2.8 donde define la anchura de la ondícula. En el presente trabajo se desarrolla el método CWT a partir de tres ondículas: Morlet, Gauss y Mex Hat. Hat. La Ondícula Morlet no tiene función de escalamiento. El análisis no es ortogonal y no es de soporte compacto, debido a que no cumple con la adherencia del conjunto donde no es nula conforma un conjunto cerrado y acotado (Goupillaud et al., 1984), asimismo es considerada la más simétrica (Toolbok Matlab). A continuación, en la Figura 2.11 se presenta la imagen de la Ondícula Morlet.
18 Figura 18 Figura 2.11. Gráfica de la ondícula Morlet (Marfurt y Chopra, 2007)
29 Retomando la ecuación 2.7, para el caso de la Transformada de la Ondícula Morlet, σ = 1/fc, donde fc es la frecuencia central a ser analizada (Marfurt y Chopra, 2007). En la Figura 2.12 se puede observar de forma representativa ondículas Morlet de senos y cosenos con su correspondiente espectro. Nótese que para frecuencias altas, estas ondículas tienen una ventana corta en tiempo, sin embargo el espectro de frecuencia es mucho más ancho, es decir hay más contribución de amplitud a otras frecuencias.
19Figura 19 Figura 2.12. Ondículas sísmicas tipo Morlet y su espectro de Fourier que tienen frecuencias centrales en a) 10, b) 20, y c) 40 Hz, y son usadas para el método de Transformada Continua de Ondícula. Las líneas sólidas y espaciadas indican ondículas cose coseno y seno respectivamente. Se puede observar como el ancho de banda se incrementa con la frecuencia utilizada (Marfurt y Chopra, 2007) Por otro lado, la Ondícula Gaussiana se construye a partir de la función de Gauss f(x) = Cp e x² y constituye una de las principales ondículas originales, ya que, por ejemplo a partir de la segunda derivada de ella, se logra obtener la Ondícula Sombrero Mejicano (Marfurt y Chopra, 2007). En la figura 2.13 se observa una representación de la Ondícula Gaussiana.
30
20 Figura 20 Figura 2.13. Ondícula Gaussiana (Modificado de MATLAB 7.0) La tercera Ondícula disponible para el desarrollo del presente trabajo es la Ondícula Mex Hat, también conocida como Ondícula Ricker, la cual no es más que la segunda derivada de la Gaussiana, normalizada y con signo negativo (Marfurt y Chopra, 2007). Deriva su nombre, por su aspecto semejante a un sombrero. En la Figura 2.14, se muestra la Ondícula Mex Hat o Ricker.
21 Figura 21 Figura 2.14 Ondícula Mex Hat (Modificado de MATLAB 7.0)
2.2.4 Usos de la descomposición espectral Castagna y Sun (2002), han identificado tres indicadores espectrales para detectar hidrocarburos. Estos son: atenuación sísmica anormal; sombras de baja frecuencias asociadas con hidrocarburos relacionados con puntos brillantes; y diferencias en la frecuencia de entonación entre arenas gasíferas y con agua. Como se mencionó anteriormente, una utilidad estratigráfica es la de detectar el espesor temporal de las capas, esto deriva de que una reflexión de una capa delgada tienen una expresión característica en el dominio de frecuencias (Laughlin et al., 2003).
31 El método CWT puede ser utilizado con potencialidad para detectar sombras causadas por hidrocarburos y para identificar estructuras estratigráficas sutiles para la caracterización de yacimientos (Sinha et al., 2005).
2.1.4.d Análisis RGB En el análisis espectral se generan cubos de diferentes frecuencias, buscando identificar cuál de ellas permite resaltar rasgos estratigráficos, geocuerpos o identificar presencia de hidrocarburos en los niveles de interés; se trata de una búsqueda exhaustiva generando sucesivos cortes en tiempo para cada uno de los volúmenes de frecuencia (Marfurt y Chopra, 2007). El concepto de RGB permite representar cientos de componentes espectrales, utilizando una combinación de tres frecuencias representadas por los colores rojo, verde y azul. De allí el nombre de imagen RGB (R= red, G= green, B= blue), en la Figura 2.15 se muestra el principio de la herramienta RGB. Es importante resaltar que no existe un método claro para la escogencia de estas tres frecuencias, se basa en probar distintas combinaciones hasta encontrar aquella que permita una mejor visualización de los rasgos de interés (Liu y Marfurt, 2007).
22 Figura 22 Figura 2.15 Principio del análisis RGB (Modificado de Leppard et al., 2010) El análisis de descomposición espectral a partir del método RGB, permite incorporar más información a un mapa y disminuye considerablemente el tiempo de revisión de frecuencias. Es importante destacar que el conjunto de frecuencias seleccionadas, que pueden ser adquiridas por el método de la Transformada de Fourier, por el de la Transformada de la Ondícula Continua o por cualquier otro, es indiferente, siempre que se considere el mismo para las tres componentes de frecuencia escogidas. Además, se recomienda utilizar el color rojo para la menor frecuencia, el
32 verde para la frecuencia media y el azul para la mayor. A continuación, se presenta en la Figura 2.16 una imagen RGB producto de seleccionar los valores de frecuencia para 18 Hz, 24 Hz y 36 Hz a lo largo de un horizonte de interés, Costa afuera de Louisiana, E.E.U.U (Partika et al.,1999).
23 Figura 23 Figura 2.16. Imagen RGB alrededor de un horizonte Costa afuera de Louisiana, U.S.A. (Partik et al., 1999)
2.1.4.e Sombras de baja frecuencia Existen sombras de baja frecuencia que tienden a presentarse como fuertes anomalías de amplitud asociadas principalmente a yacimientos de gas. El término sombra se refiere a una disminución considerable en el contenido de frecuencias sísmicas que se observa por debajo del yacimiento con hidrocarburo. Dicha disminución en el contenido de frecuencia se genera porque al atravesar el estrato con hidrocarburo, este hará la función de un filtro de frecuencias, donde quedaran absorbidas el mayor contenido de las mismas. Así, en la sección, se observará justo por debajo del reservorio unas sombras de altas amplitudes a baja frecuencia, producto de la atenuación de frecuencias generada por el reservorio en sí (Castagna y Sun, 2006).
2.2 Inversión Sísmica La inversión sísmica es una herramienta de interpretación que integra de manera óptima la información geológica y petrofísica con los datos sísmicos para construir un modelo del subsuelo con mayor resolución que la ofrecida por las imágenes sísmicas convencionales (Buxton et al., 2000). Por inversión sísmica se entiende cualquier proceso que estime las propiedades físicas del yacimiento como por ejemplo la impedancia, partiendo de los datos sísmicos. La meta de la
33 inversión sísmica es transformar cada traza sísmica en un pseudo registro de impedancia y de esta forma pasar de tener información de interfaces (sísmicas) a información de intervalos o de propiedades de la roca (impedancia). (Vasquez (Vasqu ez et. Al., 2009) Existen 2 tipos de inversión sísmica; la inversión acústica, la cual asume incidencia normal, esta generalmente se aplica a datos sísmicos post apilados, y la inversión elástica que depende del ángulo de incidencia, por lo tanto se trabaja datos sísmicos pre-apilados. En este trabajo aplicara la inversión acústica de los datos sísmicos Entre las principales ventajas de la inversión acústica están: -
Se reduce los efectos producidos por la ondícula.
-
Existe la posibilidad de extender la data fuera del ancho de banda de la sísmica.
-
Variaciones reales en la impedancia acústica pueden revelar cambios en la litología y porosidad, permitiendo la predicción de propiedades del yacimiento como la porosidad, espesor de arena entre otros.
-
Atenúa el ruido aleatorio.
2.2.1 Modelo Inicial o Modelo de Baja Frecuencia La sísmica tiene un contenido de frecuencia limitado, perdiendo generalmente las frecuencias más altas y bajas. La importancia de las altas frecuencias es que aumentan la resolución vertical de los datos, mientras que las bajas frecuencias tienen gran importancia en la interpretación cuantitativa. (Buxton et al., 2000) En la Figura 1.17 se muestran 3 trazas invertidas con diferentes contenidos de frecuencia. En la Figura 1.17.a se tiene un ancho de banda limitando que se podría encontrar en la sísmica convencional (entre 10-80 Hz), con este contenido de frecuencia se puede estimar el espesor aproximado, pero el valor de impedancia y forma no son correctos. En la Figura 1.17.b se incrementó el contenido de frecuencia a 500 Hz, como resultado se pudo obtener el espesor de la capa pero todavía no se representa de manera correcta el modelo. Por otro lado, en la Figura 1.17.c se añadió la información de bajas frecuencia teniendo un espectro que va de 0 a 80Hz, en este caso se obtuvo el mejor resultado tanto de espesor, así como de valor de impedancia (Buxton et al., 2000).
34 Por esta razón uno de los datos de entrada de la inversión acústica es el modelo de inicial o de baja frecuencia, en el cual se amplía el contenido de frecuencia, usando la información de los registros de pozo interpolada y extrapolada mediante técnicas estadísticas y siguiendo la forma de estructural de los horizontes interpretados.
24 Figura 24 Figura 1.17 Modelo de impedancia y su amarre para diferentes contenidos de frecuencia. (Tomado de Buxton et al., 2000). La inversión acústica de los datos sísmicos se basa en estimar las impedancias de la roca a partir de la serie de reflectividad. Por lo tanto, si partimos del modelo convolucional de la traza sísmica (Ecuación 2.7), y se conoce la ondícula, se puede determinar la serie de reflectividad. Esta serie de reflectividad (Ecuación 2.9) está relacionada con la impedancia de los medios que la generan, al despejar de esa relación la impedancia infrayacente se obtiene la siguiente formula recursiva.
( 1) () +() −()
Ecuación 2.9
2.2.2 Inversión genética con PETREL El paquete de inversión de Petrel reúne dos procesos innovadores, que, combinados entre sí pueden proporcionar al usuario la capacidad de generar rápidamente datos invertidos, con muy limitados datos. De hecho el algoritmo genético y las Redes Neuronales son parte de la herramienta de inversión de Petrel. Este tipo de inversión permite al usuario ir de la sísmica cruda, a la propiedad inicial de roca con la ecuación de onda, utilizando los registros de pozos
35 como las entradas iniciales, y casi únicas. No se necesita ningún modelo inicial, así como ninguna ondícula extraída. Otra ventaja de este proceso es que no se limita a la inversión acústica convencional o elástica, como esperaríamos, pero podría extenderse a cualquier tipo de prospección de petrofísica/atributo/parámetro, que está vinculado de una manera significativa, y directo a la amplitud sísmica o algún atributo derivado. Para ser más explícitos todos los parámetros contenidos en la ecuación de onda son posibles candidatos, por ejemplo: densidad, porosidad, módulo de bulk, entre otras (Schlumberger, 2013). En la Figura 2.18 les mostramos un diagrama de flujo de los pasos del algoritmo.
25 Figura 25 Figura 2.18. Diagrama de la inversión genética (Tomado de Petrel, 2013) La red neuronal utilizada es una red multicapa común, con una capa oculta en el caso del módulo de inversión genética. Como se mencionó anteriormente, no se requiere ningún modelo anterior y ninguna ondícula de entrada para este método de inversión; de hecho, el algoritmo de inversión genética no realiza cálculos derivados, calculando datos sintéticos con el fin de estimar la función de error. El proceso en sí está tratando directamente para construir una función con el
36 fin de ir desde el espacio de un cubo sísmico a un espacio de un cubo de propiedades (Schlumberger, 2013). Los algoritmos de inversión convencionalmente utilizandos, hacen todo a la vez, en cada iteración (modelado, función de error computación, retropropagación, modelo reestimado), mientras que dentro de este proceso de redes neuronales, la parte de modelado se realiza al final de la fase de aprendizaje Schlumberger. (2013). La inversión genética utiliza lo esencial con respecto a las entradas. Sin embargo, esto no significa que no hay necesidad de pre-acondicionamiento, con el fin de aumentar el éxito del proceso. Las principales entradas son las siguientes: • Cubo sísmico. • Registros de la Propiedad. • Límite superior / inferior de la formación. El propio cubo sísmico no necesita ningún tipo de post procesamiento en particular (por ejemplo, como un procesamiento fase cero, que a veces se requiere en el caso de la inversión tipo Spike). Sin embargo, para que la inversión coincida adecuadamente con la propiedad que está tratando de recuperar, el cubo sísmico debería tener verdaderos amplitudes (sin AGC) y la menor cantidad de ruido posible (Schlumberger, 2013). Los registros de pozos utilizados para la fase de aprendizaje, deben tener un filtro paso bajo (con un corte en frecuencia definido por el espectro sísmico). El contenido de baja frecuencia no tiene impacto negativo en el proceso de aprendizaje de las redes neuronales; así, uno podría incluso esperar a tener un notable aumento en la resolución del cubo invertido debido a la contribución de los registro de pozo (Schlumberger, 2013). En los datos de entrada son requeridos los límites del tope y base del yacimiento de interés, el cual es el único requisito para determinar un límite estructural para el área de aprendizaje. De hecho, se recomienda mantener este intervalo (determinado por las superficies tope y base) relativamente pequeño con el fin de conseguir el operador derivado en un área estructuralmente estable (Schlumberger, 2013).
37 Como paso final, para el proceso de inversión genética, una vez que se ha establecido el operador que relaciona la amplitud del cubo sísmico y la propiedad de la roca, entonces se modela las propiedades en el cubo. El operador será definido dentro del intervalo geológico seleccionado, por lo tanto, la inversión modelada fuera de este intervalo tendrá menor eficacia (Schlumberger, 2013).
2.3 Redes neuronales Sheriff (2002) describe una red neuronal como un sistema de reconocimiento de patrones, utilizado para dividir los datos en clases. La red consiste en tres o más capas de nodos conectadas por neuronas artificiales. En términos generales, una red neuronal es un conjunto de componentes electrónicos o programas computarizados, diseñados para desempeñarse como un cerebro. El cerebro es un procesador de d e información que funciona de manera no lineal y paralela, además de ser altamente complejo (Manual Hampson & Russel, 2006). Este sistema complejo es capaz capaz de crear sus propias reglas y almacena información a lo que se le refiere como “experiencia”. Una red neuronal hace referencia al cerebro en dos aspectos que son:
La red adquiere conocimiento a través de un proceso de aprendizaje.
La fuerza conectiva inter-neuronal o pesos sinápticos es donde se almacena el conocimiento.
El procedimiento usado para desempeñar el proceso de aprendizaje se le denomina algoritmo de aprendizaje. Este algoritmo se ejecuta como una función que modifica los pesos sinápticos de tal manera que modelen el objetivo deseado (Manual Hampson & Russel, 2006). Existen dos estructuras de redes neuronales implementadas en el presente trabajo, la red neuronal multicapa por compensación (multi-layer feed forward network) y la red neuronal probabilística (probabilistic neural network).
2.3.1 Transformada no lineal multiatributo En los tópicos previos se ha explicado únicamente análisis lineal, donde la línea de regresión ha sido obtenida a través de la minimización del error de predicción por media cuadrada. Existen varias opciones para el cálculo de la curva, que puede ser aplicar un ajuste polinomial de mayor orden. Otra opción puede ser aplicar una transformada no lineal sea a los datos transformados y
38 las variables o ambos. En esta sección se explica un tercer método que emplea análisis no lineal multiatributo a través de redes neuronales para la predicción de parámetros petrofísicos (Hampson et al. 2001).
2.3.1.a Red neuronal multicapa por compensación (MLFN) La estructura consiste en un conjunto de neuronas, también llamadas unidades de procesamiento, las cuales están arregladas en dos o más capas (Manual Hampson & Russel, 2006). Estos sistemas de procesamiento tienen como elementos básicos una capa de entrada y una de salida, donde cada una contiene al menos una neurona. Entre ellas se encuentra una o más capas ocultas. El arreglo conectivo entre neuronas está dispuesto de manera que la entrada de cada capa proviene de la salida de la capa previa. Cada conexión se denomina peso sináptico (Hampson, et al. 2001). En la Figura 2.19 se muestra la arquitectura básica de una red neuronal multicapa. La primera capa está conformada por “n” atributos (A1, A2,…, An), una capa oculta que contiene m neuronas y una capa de salida (e.g. Porosidad medida). El número de conexiones será igual al de los pesos sinápticos, es decir, si el número de conexiones es 10, entonces se tienen 10 pesos.
26 Figura 26 Figura 2.19. Arquitectura de una red neuronal multicapa. Modificado de (Tomado de Manual Hampson & Russel, 2006) Las neuronas son unidades de procesamiento de información, siendo indispensables para el funcionamiento de una red neuronal. En la Figura 2.20 se muestran los tres procesos básicos de un modelo de neurona que son:
Cada señal de entrada Xj es multiplicada por su correspondiente peso sináptico Wj.
Un operador aditivo que se encarga de sumar las señales con sus pesos respectivos.
39
Una función de activación no lineal aplicada al operador aditivo, que limita la amplitud de la señal en un rango de [-1,1].
27 Figura 27 Figura 2.20. Modelo de una neurona modificado de (Tomado de Manual Hampson & Russel, 2006) Matemáticamente se puede escribir el proceso como:
] [∑=
Ecuación 2.8
Donde Wj es el peso sináptico, Xj las neuronas de entrada y f es la función de activación. La función de activación es el parámetro que define la salida de la neurona en términos del nivel de actividad de su entrada. La forma más común de una función usada en construcciones artificiales de redes neuronales es la función sigmoidal. Se describe como una función de incremento que exhibe un suavizado y propiedades asintóticas (Manual Hampson & Russel, 2006). Un ejemplo de función de activación puede ser la función de logística definida por:
() +
Ecuación 2.9
La función de logística supone un rango continuo de valores que van de 0 a 1, donde en la mayoría de las ocasiones de desea que esta función tenga un rango de -1 a 1, cuyo caso se supone que la función es asimétrica con respecto a su origen (Hampson et al., 2001), i.e. función tangente hiperbólica definida por la Ecuación 1.10 ( () tanh( tanh() − + Ecuación 2.10
40
2.3.1.b Entrenamiento de la red Se considera el proceso más importante de una red neuronal, a la estimación de los pesos y el aprendizaje de un modelo presentándolo con ejemplares. Cada ejemplar consiste en pares de entrada y salida, siendo la señal de entrada y la correspondiente respuesta deseada de la red neuronal. De este modo, un conjunto de ejemplares representan el conocimiento (Manual Hampson & Russel, 2006). En el proceso de entrenamiento se compara en cada ejemplar la salida obtenida por la red con la salida que se desea obtener. De modo que si y = [y1, y2,..., yp] es un vector que contiene las salidas, donde p es la cantidad de neuronas en la capa de salida, y d = [d1, d2,..., dp] es un vector con la respuesta deseada, entonces se puede computar el error para el ejemplar k de la forma:
∑=
Ecuación 2.11
Si se tienen n muestras el error total será
∑=
Ecuación 2.12
La minimización del error se puede llevar a cabo actualizando los pesos, siendo la manera más básica de crear un algoritmo de entrenamiento de redes neuronales, minimizando el error con respecto a los pesos de la red (Manual Hampson & Russel, 2006). Los pasos básicos para el entrenamiento del algoritmo de retropropagación en redes multicapas son:
Inicializar los pesos de la red a un pequeño conjunto aleatorio uniformemente distribuido de números.
Presentar los ejemplares de la red a red y computar la salida.
Computar el error.
Actualizar los pesos comenzando por la capa de salida y finalizando en la capa de entrada utilizando la regla del delta:
∆ Ecuación 2.13 donde n es una constante llamada tasa de aprendizaje.
41
2.3.1.c Sobre entrenamiento y validación Al proporcionar suficientes neuronas e iteraciones, el error del entrenamiento se aproximará a cero en la teoría. Sin embargo, con el uso de una excesiva cantidad de datos, el ajuste estará relacionado a características indeseables como ruido y detalles de casos particulares, que a menudo llevan a una predicción de datos que no son apreciables (Manual Hampson & Russel, 2006). Este problema se denomina sobre-ajuste o sobre- entrenamiento. Este problema de sobreajuste versus generalización se asemeja al ajuste de una función a un conjunto de puntos conocidos para luego usar una función para la predicción. Una posible solución es utilizar un orden polinomial suficientemente alto para ajustar los puntos de manera exacta A pesar de esta solución, al emplear una función de suavizado, la predicción del conjunto de puntos desconocidos es mejor (Manual Hampson & Russel, 2006). El número de neuronas de una red neuronal debe ser análogo al grado del polinomio, debido a que un número muy grande de neuronas producirá sobre entrenamiento (Manual Hampson & Russel, 2006).
CAPITULO III MARCO METODOLOGICO Las técnicas, en el orden aplicadas, para este proyecto de investigación, se muestran en la Figura 3.1.
Recopilación de información
Atributos sísmicos
Inversión acústica
Control de calidad de los datos
Interpretación sísmica
Mapas de espesores y producción
Redes neuronales
Amarre sísmica-pozo
Prospectos
28 Figura 28 Figura 3.1. Actividades desarrolladas durante el proyecto
3.1 Recopilación de información Como paso fundamental en la prospección se debe organizar la información disponible para ordenar el proyecto y aplicar eficientemente las distintas metodologías de caracterización geofísica. Principalmente se buscaron estudios previos en la zona, los cuales fueron analizados en detalle para identificar las conclusiones obtenidas en estos. En geofísica, la incertidumbre siempre existe, pero disminuye a medida que se profundice en la investigación, añadiéndole más peso y credibilidad a la prognosis. Estudios como el informe técnico acerca de la evaluación integrada del yacimiento Lagunillas Inferior, Campo Tía Juana Este (Intevep, 2002) fueron examinados con detalle y muchas conclusiones fueron corroboradas con éste. Referente a la teoría y aplicación de metodología, estudio se apoyó en diferentes tesis de grado de la USB tales
43 como: Ruiz (2012) en Redes Neuronales, González (2015) para los atributos sísmicos; así como diferentes artículos como: Torrado (2012) para la descomposición espectral, Veeken y Priezzhe (2009) para la inversión genética, entre otros tantos. Se dispuso de un volumen sísmico 3D que delimitó el área de estudio, que a su vez restringió la elección de los pozos a utilizar. El estudio abarca diferentes bloques de Petrocabimas, algunos de producción, otros de avanzada ava nzada y pocos de exploración. La data de pozo era muy numerosa, nume rosa, por lo que se eligieron sólo los pozos más recientes que se encontraban dentro de los linderos delimitados por el estudio, elegidos para cubrir geográficamente toda el área, y con más registros disponibles. En la Figura 3.2 se muestra un mapa base con los límites del volumen sísmico y todos los pozos utilizados en el estudio. El área de estudio abarca los bloques Cabimas Sur, Cabimas Este y Norte Tía Juana. En la Tabla 3.1 se indica los registros que posee cada pozo; nótese que los registros con código “LSE” y “LSJ” refieren a pozos de producción y los “SON” a sondeos estratigráficos.
29Figura 29 Figura 3.2. Mapa base del área de estudio (enmarcacada en rojo), pozos utilizados y bloques de Petrocabimas.
44 1Tabla 3.1. Tabla con registros disponibles en cada pozo
WELL_NAME
LLD
SONLSE0001 247528,4971 1142777,787 867
x
x
SONLSE0002 245429,2335 1143301,968 989
x
x
x
SONLSE0003 242368,6355 1142803,785 1105
x
x
x
SONLSE0004 246124,0944 1142660,962 989
x
x
x
SONLSE0010 243549,3757 1142732,474 1100
x
x
SONLSE0011 250725,2036
880
x
x
SONLSE0012 249903,9254 1141360,386 960
x
x
SONLSE0013 251150,4194 1141559,094 761
x
x
x
773
x
x
x
SONLSE0015 248697,8762 1143442,654 781
x
x
x
SONLSE0016 247534,5943 1143471,94
741
x
x
x
250128,018
NORTE
PT,
GR
SONLSE0014
ESTE
1142062,6
1142413,73
pies
SP RHOB NPHI DT
x
x
x
x
x
x x
x
SONLSE0019
246330,19
1142897,65
1133
x
x
x
x
SONLSE0020
248730
1142769,9
835
x
x
x
x
SONLSE0021
244723,5
1142103,5
1182
x
x
x
x
LSE3833
249510,72
1139761,88
969
x
x
x
LSE4279
242846,58
1141539,63
1050
x
x
x
LSE4432
251110,05
1139749,75
787
x
x
x
LSE4499
249713,53
1140337
928
x
x
x
x
LSE4883
249006,87
1142500,55
811
x
x
LSE5546
246925,38
1142172,54
1160
x
x
x
x
LSE5796
245797,3
1141872,28
988
x
x
x
x
LSE6105
246500,9
1141069,67
1028
x
x
x
LSJ4083
239909,4
1140521,29
1447
x
x
x
LSJ6145
246786,34
1141512,75
1629
x
x
x
x
x
x x
x
3.2 Control de Calidad de los datos Se estudiaron los datos a fin de encontrar anomalías que pudiesen estar asociadas a sistemas de referencia, o errores de las herramientas de medición, entre otros.
45 Concerniente a la sísmica, se procedió a evaluar los diferentes sistemas de referencia o datum en los que pudiese estar expresadas las coordenadas, apoyándose con mapas culturales (Costa del Lago, Bloque Cabimas sur, Bloque Tía Juana). El desfase en tiempo se evaluó intersecando la línea 2D LVB 06, el cubo sísmico 3D, junto con el pozo modelo LSE5546 en tiempo, siendo los datos de pozo el dato duro, mediante el cual se amarró la sísmica 3D (Figura 3.3). Los resultados fueron comprobados y corroborados con estudios previos (Intevep, 2002). Para la sísmica se tomó en cuenta los cálculos posteriores que debían utilizarse y, pensando en el tiempo de cómputo que tomaría analizar toda la sísmica, se buscó acortar la vertical donde ya no fuera de interés prospectivo o la resolución fuera de mala calidad.
30Figura 30 Figura 3.3. Ventana 3D con la sísmica 3D desfasada en tiempo, líneas 2D y pozo LSE5546 Los pozos se evaluaron en busca de errores instrumentales, y se aplicaron métodos de suavizado o “despiked” en los registros que lo requerían (Figura 3.4), tratando siempre de respetar la interpretación de los topes estratigráficos, es decir, no aplicando o modificando desmedidamente la data. En etapas posteriores, tales como la aplicación de Redes Neuronales para generar registros de pseudo-propiedades y realizar la inversión acústica, se aplicaron suavizados con el fin de obtener sólo las tendencias más marcadas para facilitar el funcionamiento del algoritmo, y disminuir las altas frecuencias que los registros pudiesen poseer.
46
31Figura 31 Figura 3.4. Pozo LSE5546 original y con suavizado
3.3 Redes Neuronales Para un estudio geofísico, pocas veces contamos con la totalidad de los datos; por eso, se han desarrollado métodos probabilísticos de predicción con el fin de obtener data sintética que complemente los estudios (Ruiz, 2012). Este proyecto de investigación no fue la excepción, y se carecía de numerosos registros de pozo, específicamente registros de densidad y velocidad de onda compresional. Solo 44% de los pozos poseen datos de densidad, y solo 4% datos de velocidad de onda P (Tabla 3.1). Debido a esto, se utilizó un método de predicción basado en técnicas no lineales bastante empleado en la actualidad: las Redes Neuronales (Ruiz, 2012). Los cálculos fueron realizados en la herramienta Hampson & Russell, bajo el módulo Emerge. Los datos fueron suavizados antes de iniciar el análisis para facilitar el funcionamiento algoritmo, así como también fueron definidas zonas (conjuntos de pozos) para disminuir el alto error que arrojaba estudiar los 25 pozos a la vez (Figura 3.5). Estas zonas fueron elegidas
47 discriminando la proximidad geográfica entre los pozos, los registros de pozo que poseían y el comportamiento de la estructura geológica en el área.
32Figura 32 Figura 3.5. Zonas definidas para predecir registros de densidad a través de Redes Neuronales En una primera etapa, como parámetros de entrenamiento se utilizaron los registros de Rayos Gamma (Gamma Ray, GR) y resistividad, teniendo como objetivo predecir el registro de densidad. Se aplicó la transformada multiatributo con el fin de obtener relaciones lineales y no lineales (Raíz cuadrada, logaritmo, Exponencial y Cuadrado) entre los registros de entrenamiento. El proceso que ejecuta el programa se basa en la regresión de paso aprendido, y busca estimar la propiedad objetivo a través de las mejores combinaciones entre dichos registros. Esta consiste en calcular el error promedio y la cross-correlación de todas las combinaciones posibles, las cuales dependen del número de registros o atributos disponibles disp onibles (Manual Hampson & Russel, 2006). Como segunda etapa, se utilizó la transformada multiatributo para predecir el registro de velocidad de onda compresional (DT), utilizando como parámetro de predicción los registros en común de Gamma Ray, resistividad y densidad. En la Tabla 3.2 se muestran los resultados de las mejores combinaciones generadas para predecir el registro DT, a través los registros de densidad, resistividad y Gamma Ray; también se presenta el error de entrenamiento y validación expresado en unidades de lentitud. Es importante acotar que para la segunda etapa, un 56% de los registros de densidad utilizados, eran sintéticos obtenidos a través de Redes Neuronales multicapa (MLFN).
48 2 Tabla 3.2. Relaciones no lineales entre Vp y los distintos atributos, su error de entrenamiento y validación Error de
Error de
entrenamiento
validación
(Densidad)**2
13,023614
13,200388
(Vp)**2
Log(Resistividad)
12,227336
12,488364
(Vp)**2
1/(GammaRay)
12,107667
12,403654
Objetivo
Atributo final
(Vp)**2
El último paso, para ambas etapas, fue la predicción de registros a través de la aplicación de Redes Neuronales que utilizaron como parámetro de entrada las transformadas multiatributo obtenidas en las etapas anteriores. Se utilizó una red neuronal multicapa (MLFN) que tiene como parámetros de entrada el número de nodos en la capa escondida, el número de iteraciones y la transformada multiatributo. Las mejores estimaciones se obtuvieron utilizando un número de 6 nodos, 100 iteraciones y tres relaciones no lineales o lineales obtenidas de la transformada multiatributo. La estabilidad en el error de estimación se encontraba a las 50 iteraciones, y el número de nodos y la cantidad de relaciones para la transformada multiatributo fueron estimadas de estudios previos (Ruiz, 2012). Luego de cada método de predicción, sea transformada multiatributo o MLFN, se generan gráficos cruzados (Figura 3.6) donde se muestran los valores de crosscorrelación y error promedio de la predicción. De éstos, los mejores resultados fueron siempre obtenidos mediante MLFN.
33Figura 33 Figura 3.6. Gráficos cruzados de Vp predicha vs Vp original para transformada multiatributo (A) y redes neuronales MLFN (B).
49 Por último se genera un panel donde se grafica el dato modelado versus pies, y el dato original versus pies; se indica también el factor de crosscorrelación y error promedio. Finalmente, se exportan los registros sintéticos a los pozos que carecen de estos. Como se mencionó mencionó anteriormente, todos los registros sintéticos fueron predichos a través de redes neuronales multicapa, debido a que fue la metodología que dio resultados más altos de crosscorrelación con menores errores asociados. En su totalidad se generaron registros sintéticos de densidad en un 56% de los pozos, y registros sintéticos de velocidad de onda compresional en el 96% de estos.
3.4 Amarre sísmica-pozo Es importante realizar el amarre sísmica-pozo con cuidado para concatenar la información de pozo a la sísmica, la cual se encuentra en unidades diferentes. Para esto se necesita, primordialmente, registros de densidad, sónico y checkshots (Bianco, 2015). A la hora de buscar las curvas tiempo profundidad, el conjunto de datos se encontraba desordenado y sin leyenda. En el conjunto de datos también se disponía de numerosos sintéticos de tiros de verificación o checkshots, pero debido a su procedencia desconocida, en este estudio sólo se trabajó con los pozos que contienen curvas medidas de tiempo profundidad, los cuales son: LSE6105, LSE4083 y LSESON10 (Figura 3.7). Para los pozos que carecían de checkshots, en este estudio se asignaron las curvas tiempo profundidad sin modificarse, en los lugares donde se mantuviera el principio de horizontalidad de los estratos y, con estos, se procedía a realizar el amarre. No se generaron pseudos-sintéticos usando redes neuronales o métodos estadísticos, pues no se buscaba un modelo de velocidades (M. Serrano, comunicación personal).
34Figura 34 Figura 3.7. Curvas tiempo doble (TWT) en ms versus profundidad (MD) en pies
50 Como pozo modelo se usa el LSE5546; se expondrá la metodología seguida en este pozo y los resultados obtenidos. Se cuenta con otros pozos con amarre a lo largo del área de estudio, con sus datos de pozo derivados de la aplicación de redes neuronales para generar pseudo-registros. El pozo LSE5546 era el único que contaba con registro de velocidad de onda compresional en el área, así como también contaba con registro de densidad. Se le asignó una curva tiempo profundidad proveniente del pozo cercano LSE6105 a 850m de distancia (Figura 3.8)
35Figura 35 Figura 3.8. Mapa base con la posición del pozo LSE5546 y LSE6105 El software utilizado para realizar el amarre sísmica-pozo fue Petrel 2013. Para generar el registro de impedancia, se multiplican los registros de velocidad y densidad; luego se convoluciona la impedancia acústica con la ondícula extraída de la sísmica en el punto exacto del pozo LSE5546 bajo el método de “extended white”, a lo largo de todo el pozo. El algoritmo utiliza para extraer la ondícula utiliza la función autocorrelación, con longitud definida por la ventana en tiempo seleccionada; este procedimiento es aplicado para diferentes trazas aledañas, cada una individualmente. Posteriormente se calcula el espectro de frecuencias de cada autocorrelación, se toma la raíz cuadrada del módulo de cada espectro, se añade la fase y se calcula la transformada inversa de Fourier para extraer la ondícula (Manual de Schlumberger, 2013). Otras ondículas fueron utilizadas (Figura 3.9), tales la ondícula Ricker, obteniendo como resultado que la ondícula extraída es la que presenta mejor correlación del sintético con la sísmica. Una vez obtenido el sismograma sintético, se procede a realizar la comparación con la sísmica, correlacionando reflectores de interés y topes interpretados en el pozo. En la última fase del
51 proceso se puede realizar pequeños estiramientos o adaptar adap tar los reflectores de interés a los topes; esto se hace debido a que siempre ocurrirán pequeños desfases o “misties”. Finalmente se obtiene un modelo final como el de la Figura 3.10.
36Figura 36 Figura 3.9. Ondículas tipo Ricker y extraídas de la sísmica
37 Figura 37 Figura 3.10. Amarre sísmica pozo del pozo LSE5546 Es importante acotar que, para el amarre en todos los pozos, se obtuvieron mejores resultados extrayendo la ondícula a lo largo de todo todo el pozo. Esto se observó luego de probar un amarre extrayendo diferentes ondículas a lo largo del pozo. La fase que mejores resultados dio en la correlación sísmica-pozo, fue diferente a cero; sin embargo, no se cuenta con informes de procesamiento para verificar esta premisa. Todas las ondículas del amarre fueron de polaridad normal y, por lo tanto, en la sísmica se mantienen las amplitudes. La Tabla 3.3 muestra las amplitudes de los reflectores estudiados en el presente estudio. Los restantes pozos con amarre-sísmica pozo se pueden observar en la Figura 3.11. Se buscó una distribución geográfica equiespacial que cubriera toda el área de estudio, así como también, se observó qué registros poseía y la calidad de los mismos.
52 3 Tabla 3.3. Amplitudes asociadas a cada tope geológico Tope Geológico
Amplitud
Tope Fm. Ojeda
Máximo
Tope Mb. Lagunillas Inferior
Máximo
Base Mb. Lagunillas Inferior
Mínimo
Discordancia del Eoceno
Máximo
38 Figura 38 Figura 3.11. Mapa base con pozos con amarre sísmica-pozo
3.5 Interpretación sísmica Se calculó la resolución sísmica vertical, es decir, el espesor mínimo que puede ser resuelto por la sísmica, para los paquetes sedimentarios: Mb. Lagunillas Inferior y Discordancia del Eoceno, los cuales representan los intervalos de mayor interés. Las frecuencias dominantes se obtuvieron calculando el atributo de frecuencia instantánea, con un barrido de 60ms. A partir de los histogramas de frecuencia obtenidos para cada uno de los mapas, se determinaron las frecuencias dominantes a ser utilizadas para el cálculo de la resolución sísmica. Las velocidades para los intervalos de interés fueron calculadas a partir del registro sónico del pozo LE5546. Para cada intervalo, se calculó del registro DT, la lentitud promedio y la velocidad promedio para dichos intervalos. La interpretación de los horizontes y fallas se realizaron con el módulo Seismic Interpretation de Petrel. Se trazaron los horizontes de mayor importancia en el área, tales como: Mb. Ojeda,
53 Tope y Base del Mb. Lagunillas Inferior, y la Discordancia del Eoceno, siguiendo los marcadores de los pozos y el evento sísmico asociado a cada marcador identificado previamente, en la generación de los sismogramas sintéticos. La interpretación estratigráfica se realizó comenzando en la posición del pozo LSE5546, cada 5 inline/crossline, específicamente cada 60m, alternando la dirección de interpretación e incluso generando cortes arbitrarios para seguir el tope en diferentes direcciones. La estructura buza en dirección suroeste, por lo que los cortes Noreste-Suroeste son los que caracterizan mejor la estructura. Como producto final se creó un mallado a lo largo de toda el área de estudio (Figura 3.12). En aquellas zonas donde la relación señal/ruido era muy baja y no era posible seguir el reflector, los horizontes fueron trazados a criterio del intérprete respetando las características geológicas regionales del área (Figura 3.12). La interpretación estructural se realizó a nivel regional, prospección de la cual se observaron ocho fallas, interpretadas cada 10 inlines/crossline, específicamente cada 120m. A pesar de que se observaron muchas fallas locales y de muy pequeño salto, estas fueron descartadas debido a que no poseían información interesante en cuanto a entrampamiento.
39 Figura 39 Figura 3.12. Mallado del tope de Mb. Lagunillas Inferior Para obtener la superficie de cada horizonte interpretado se usó el módulo make/edit surface, el cual usa como parámetros de entrada el horizonte interpretado y el límite de la zona de estudio. El algoritmo utilizado es el de interpolación convergente de muy alta resolución (Manual de Schlumberger, 2013), debido a la resolución que cada voxel contenía. Una vez obtenidas todas
54 las superficies, se realizó el control de calidad a las mismas, lo cual significa observar las tendencias de las líneas de interpretación y corregir aquellas zonas donde se observen tendencias bruscas e incoherentes. Se utilizó esta misma metodología para el tope y base del Mb. Lagunillas Inferior, y la discordancia del Eoceno, así como ocho fallas regionales.
3.6 Atributos Sísmicos A partir del cubo sísmico de amplitudes, se generaron diversos atributos con la finalidad de identificar, mediante estos, un patrón de anomalías sísmicas de interés prospectivo, principalmente el tope del Mb. Lagunillas Inferior. En la herramienta Petrel se obtuvieron atributos convencionales, y con Opendtect atributos convencionales, espectrales y de coherencia. En la Tabla 3.4 se esquematiza la herramienta, metodología y atributo que fueron utilizados en el presente estudio. 4 Tabla 3.4. Distintos atributos sísmicos y cubos de isopropiedades realizados
Herramienta
Metodología
Atributo Amplitud
Generación de cubos y
Petrel 2013
extracción del valor en el horizonte “horizon slice”
Energía Envolvente Frecuencia Instantánea Frecuencia promedio Varianza Energía Amplitud
Generación de cubos y
OpendTect 4.3
extracción del valor en el horizonte “horizon slice”
Frecuencia promedio Señal/Ruido Descomposición espectral CWT Descomposición espectral FFT Buzamiento y Azimut Coherencia
55 Como primer acercamiento, y debido a que la interpretación estructural se realizó en la herramienta Petrel, se generaron varios atributos comunes en esta plataforma como un primer acercamiento. Esto se hizo sobre el tope del Mb. Lagunillas Inferior, con una ventana de análisis de 60ms. Posteriormente se realizó la migración de las tres superficies interpretadas a OpendTect; en esta herramienta se generaron, bajo la misma ventana de análisis, atributos convencionales con la finalidad de cotejar los resultados obtenidos bajo diferentes herramientas. La descomposición espectral se realizó usando el método de transformada de ondícula continua (CWT) y la transforma de Fourier rápida (FFT). En el caso de CWT, se probaron las ondículas Morlet, Gaussiana y tipo Mexican Hat. La descomposición se realizó para valores de frecuencia en el rango de 5-120Hz, cada 5Hz. Para el uso de la transformada de Fourier rápida (FFT), se indica el tamaño de la ventana de análisis, la cual, en el presente estudio se varió de 10ms a 130ms; es importante acotar que si se quiere obtener una resolución mayor en el eje del tiempo, debe considerarse una ventana de poca longitud. Por el contrario, si se escoge una ventana con mayores dimensiones, se logra mejorar la resolución en el eje de las frecuencias (Figura 3.13) (Castagna y Sun, 2006)
40 Figura 40 Figura 3.13. Panel de frecuencia/tiempo comparando la ventana de análisis de FFT Los mapas obtenidos por el procedimiento anterior son de iso-frecuencia; en ellos es posible estudiar rasgos geológicos, ya que, por ejemplo, cuerpos de litologías distintas pueden asociarse a
56 frecuencias distintas (Chopra y Marfurt, 2007). Adicionalmente se generaron mapas RGB, que combinan tres diferentes mapas de iso-frecuencia en una mezcla de rojo, verde y azul; el rojo corresponde al menor valor de frecuencia seleccionada, el verde al valor medio y el azul al mayor de ellos. La combinación de frecuencias se realizó aleatoriamente y se eligieron los mapas que resaltaron con más exactitud los rasgos geológicos. Adicionalmente se modificaron las luces y los rangos del histograma de cada mapa de iso-frecuencia para mejores resultados. En la Figura 3.14 se muestra un ejemplo de ventana de trabajo usada en la selección de frecuencias para generar un mapa RGB, en este caso a partir del método de la transformada de ondícula continua (CWT) para las frecuencias 40-50-60.
41 Figura 41 Figura 3.14. Ventana de Opendtect con el mapa RGB de las frecuencias 40-50-60 3.7 Inversión acústica
La inversión sísmica es un importante paso en la caracterización de reservorios con propiedades modeladas lejos de la ubicación de los pozos. En este estudio se utiliza un acercamiento para la inversión sísmica de la herramienta Petrel, basado en un algoritmo genético no lineal, multitraza y redes neuronales. Las soluciones de Redes Neuronales existen, pero un análisis multiatributo aumenta la credibilidad de la predicción, como se expuso anteriormente al predecir pseudo-
57 registros. En esta etapa, los datos de entrenamiento son un conjunto de datos de pozo en tiempo (Figura 3.15), y la data sísmica.
42 Figura 42 Figura 3.15. Grafico 3D en el pozo de impedancia acústica (IA) en los pozos que se entrenarán Como producto final, el algoritmo genera un operador no lineal que transforma la traza sísmica en una respuesta equivalente de registro de pozo, el cual es aplicado a todo el cubo; en otras palabras, transforma transfo rma la data d ata sísmica en data de impedancia acústica, a partir de los datos de pozo de impedancia acústica (IA) y la sísmica 3D. La efectividad del operador, en términos de predicción, dependerá de la data suministrada (Veeken y Priezzhe, 2009). Como se dijo anteriormente, dos parámetros de entrada son necesarios para hacer el cómputo; la primera corresponde a los registros de pozo de impedancia acústica (IA), los cuales deben estar procesados con despiked, d espiked, y suavizados, ya que la traza sísmica tiene frecuencias frecue ncias más bajas que la data de pozo. El segundo parámetro de entrada es el cubo sísmico post apilado, el cual debe tener una excelente relación señal/ruido. El algoritmo deriva implícitamente un operador no lineal en vez de una ondícula estacionaria. En este sentido, las limitaciones de ventanas de tiempo son evitadas. El cómputo es hecho en un mini cubo de 100ms y nueve trazas que incluyen a la traza objetivo, con un intervalo de muestreo de 4ms. El algoritmo genético consiste de dos pasos básicos: 1) La red neuronal es entrenada para coincidir con la impedancia acústica de los pozos usando el algoritmo genético. 2) El operador de la red neuronal es aplicado al cubo sísmico para producir el cubo deseado de impedancia
58 acústica. El entrenamiento puede irse examinando, viendo el resultado de la traza en los pozos participantes en el análisis an álisis (Figura 3.16). 3.1 6). El factor f actor de correlación cor relación debe d ebe ser mayor de d e 0.7, pues si no es así, puede haber un problema con el registro de pozo, amarre sísmica-pozo o con la data sísmica (Veeken, 2009).
43 Figura 43 Figura 3.16. Comparación de la traza de IA predicha, con operador lineal y no lineal, con el registro de IA en el pozo.
3.8 Mapas de isopropiedades a través de la petrofísica Con el fin de relacionar datos petrofísicos, se procede a realizar mapas de isopropiedades a partir de registros de pozo. Se realizaron estimaciones promedio de la porosidad por densidad y resistividad. Los valores fueron extraídos a lo largo de todo el Mb. Lagunillas Inferior, a los que posteriormente se calculó un promedio pr omedio con el fin de obtener un valor puntual para cada cad a pozo. Los valores fueron generados arealmente bajo el método estadístico de kriging. En el caso de la resistividad todos los pozos constaban con registros medidos de la propiedad, pero para el caso de densidad esta tuvo que ser extraída, en algunos pozos, pozos , de registros r egistros sintéticos generados a través de redes neuronales en etapas anteriores.
59 La densidad volumétrica medida con la herramienta, resulta de los efectos combinados del fluido (porosidad) y la roca (matriz), y se utiliza para computar la medición de porosidad del registro de densidad (Ecuacion 3.1).
− −
Ecuacion 3.1
donde la densidad de la matriz, como se sabe de la geología del área, es una arenisca, con una densidad tabulada de 2,65g/cc. La densidad del fluido es la del agua, 1g/cc.
3.9 Mapas de espesores y producción Para mostrar y cotejar los resultados con datos duros, es decir, datos de producción, se procedió a recopilar datos de barriles acumulados anualmente para los 53 pozos en el área. Los datos elegidos fueron separados por año debido a que existen pozos con diferentes edades y su variación en barriles acumulados total, principalmente, la modula su antigüedad; otros factores, como ciclos de vapor, fueron dejados fuera de la ecuación. Se obtiene una tabla con producción anual de los pozos (Tabla 3.5) a partir de la cual se generan mapas en planta, utilizando “kriging” como método de interpolación. Con el fin de caracterizar la calidad calidad de la arena, se generaron mapas evaluando espesor, Vshale y resistividad. Se obtuvieron mapas de calidad de arena, asignando el valor uno (1) a buenas arenas y cero (0) a arenas no prospectivas, este análisis se basó en el análisis de los registros de Gamma Ray y resistividad; en el caso de Gamma Ray se obtuvo el índice de GR, planteando un Vsh de corte de 0,4. Finalmente, se evaluó el comportamiento de la curva de resistividad, para observar si se mostraba un incremento incremento de este, en la zona discriminada como una arena limpia. . Se generaron mapas de espesor de arenas en tiempo (ms), a partir de la interpretación sísmica, restándole a los valores del tope del Mb. Lagunillas Inferior los valores de la base del Mb. Lagunillas Inferior. También se obtuvieron mapas de espesor de arena en pies, con datos del tope y base interpretados por los geólogos en los pozos.
60 5 Tabla 3.5 Tabla de producción acumulada anual promedio de los pozos en el área de estudio ACUMULADO ACUMUL ADO PROM. PROM. POZO
X
Y
ANUAL
LSE1258
243321,86
1141767,1
0
LSE2605
252528,88
1142396,8
0
LSE3833
249510,72
1139761,9
16,9
LSE4279
242846,58
1141539,6
12,5
LSE4432
251110,05
1139749,8
50,7
LSE4435
251309,14
1139632,9
25,4
LSE4451
251704,63
1138937,1
13,7
LSE4499
249713,53
1140337
12,8
LSE4799
248698,94
1141399,6
12,5
LSE5035
248922,55
1141728,4
5,2
LSE5096
249151,68
1142087,6
0
LSE5156
247187,2
1141513,5
11,2
LSE5528
246525,19
1142169,4
25,6
LSE5546
246925,38
1142172,5
15,5
LSE5796
245797,3
1141872,3
13,7
LSE6000
246963,12
1141626,9
19,5
LSE6004
247458,1
1141969,5
17,4
LSE6025
249039,2
1141032,6
13,3
LSE6060
248458,39
1142079,4
9
LSE6130
246797,31
1142176,5
0
LSJ1287
240512,39
1141089
0
LSJ4083
239909,4
1140521,3
5,3
LSJ4085
239922,54
1139825,9
15,3
LSJ4461
241705,73
1140163,8
18,8
LSJ6105
246786,34
1141512,8
33,6
3.10 Interpretación de los resultados y generación de prospectos Como fase final, se interpretaron las anomalías obtenidas a lo largo de la caracterización y se realizó un cotejo de toda la información; estableciendo zonas prospectivas de bajo y moderado riesgo. Debido a que se trata de un campo en una fase de producción, las zonas propuestas serán llamadas zonas de avanzada. Se realiza, además, la interpretación 3D de los geocuerpos a partir de la inversión sísmica. Al cotejarla con los demás resultados, esta última herramienta permitirá, una vez delimitadas las posibles zonas prospectivas, seguir de manera más detallada el cuerpo prospectivo debido a su alta efectividad al discriminar contrastes litológicos (Veeken, 2009).
CAPITULO IV RESULTADOS Y ANALISIS 4.1 Recopilación de información La recopilación de información, tanto bibliográfica como cuantitativa, resultó un paso muy importante en la prospección. En la parte cualitativa se seleccionaron los pozos para el estudio. De 53 pozos, solo 24 se utilizaron en el estudio (Tabla 3.1); estos fueron elegidos por varios factores tales como: ubicación geográfica, registros, y calidad de los registros. En cuanto a la sísmica 3D, en la Tabla 4.1 se e especifica los resultados encontrados acerca de los parámetros de adquisición; del procesamiento no se obtuvo información. Finalmente en la Tabla 4.2 se especifica toda la información recopilada en esta primera fase. 6 Tabla 4.1. Parámetros de adquisición de la sísmica 3D
Parámetros de adquisición Tipo de fuente
Dinamita
No de líneas receptoras por swath
6
No de canales por línea receptora
72(72x6=432)
Distancia entre canales receptores
12m
Distancia entre líneas receptoras
48m
No de tiros por patch
12
Distancia entre puntos de tiro
12m
Distancia entre líneas de tiro
108m
Muestreo
1ms
Tiempo de grabación
3seg
7
62 Tabla 4.2. Información recopilada para el estudio
Tipo de data
Cantidad
Sísmica 3D
1
Pozos y registros
53
Checkshots
3
Estudios geofísicos previos en el área
3
4.2 Control de calidad de los datos El sistema de referencia utilizado corresponde al datum de la Canoa UTM19N56, corroborado con los mapas de cultura (línea de costa del lago, límite entre parcelas); este resultado es importante, porque actualmente en la industria los datos se encuentran migrados al WGS84, con diferencia de aproximadamente 500m en la horizontal. Para efectos de amarre estos resultados fueron muy relevantes, debido a que se estarían modelando propiedades en posiciones geográficas que no corresponden y se tendrían localizaciones incorrectas. En la Figura 4.1 se puede observar el bando de ancha de la sísmica, observando el alto contenido de frecuencias que abarca, en efecto muestra un espectro de amplitud característico de una sísmica de alta resolución. En relación al desfase o “mistie” de la sísmica 3D, 2D y los pozos, se concluyó a través de estudios previos y la data, que el volumen sísmico poseía 100ms de desfase en tiempo (Figura 4.2). La diferencia de resolución entre la sísmica 3D y 2D, a la hora de determinar el desfase, fue tomado en cuenta y no presento problema, pues ambas imágenes resolvían las capas.
44 Figura 4.1. Espectro de amplitud de la sísmica
63 También se cortó el cubo para eliminar datos por debajo de 800ms, pues sólo se observaba ruido, o reflectores caóticos, lo cual es lógico, pues el estudio fue hecho de alta resolución para observar los yacimientos miocenos, ubicados a 250ms aproximadamente (Figura 4.3); la sísmica cruda cubría 2seg. Este último un paso muy importante pues aligeró el tiempo de cómputo en más de la mitad, demorándose con la sísmica completa 12h el computo de inversión acústica, y 3h con la sísmica cortada.
45 Figura 4.2. Ventana 3D con la sísmica 3D, líneas 2D y pozo LSE3833. En fase
46 Figura 46 Figura 4.3. Inline 1073 completo y el Inline 1073 cortado a partir de 600ms
64
4.3 Redes Neuronales Tal y como se mostró en el capítulo anterior, la metodología implementada fue la misma en todas las zonas (Figura 3.19). Se generaron registros de RHOB para cada zona de interés, por separado, y posteriormente se generó registros de DT en toda el área de prospección. Las zonas elegidas (Tabla 4.3) por ubicación geográfica, registros y calidad de los mismos, facilitaron la aplicación de las redes neuronales. El error arrojado al aplicar las Redes Neuronales en todas las zonas era muy alto, debido posiblemente a la anisotropía y cambios laterales en los paquetes de sedimentación; estos cambios fueron observados estudiando el comportamiento de los registros Gamma Ray a lo largo de toda el área de interés, específicamente el patrón presentado en las arenas masivas del Mb. Lagunillas Inferior y su porcentaje de Vshale. 8 Tabla 4.3. Pozos y zonas elegidas para el análisis. Los recuadros en color amarillo indican los RHOB sintéticos que se generaron en la primera fase y los recuadros de color naranja los DT sintéticos generados en la segunda fase.
POZO
GR Resistividad SP Densidad Neutron Sónico
SONLSE0003 x
x
x
ZONA 1 SONLSE0010 x
x
LSE4279
x
x
x
x
LSJ4083
x
x
x
x
SONLSE0001 x
x
SONLSE0002 x
x
x
SONLSE0004 x
x
x
SONLSE0015 x
x
x
SONLSE0016 x
x
x
ZONA 2 SONLSE0019 x
x
SONLSE0021 x LSE5546
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
LSE5796
x
x
x
x
LSE6105
x
x
x
LSJ6145
x
x
x
SONLSE0020 x
x
x
x
x x
65 x
x
SONLSE0002 x
x
x
SONLSE0011 x
x
x
ZONA 3 SONLSE0013 x
x
x
SONLSE0014 x
x
x
LSE3833
x
x
x
LSE4432
x
x
x
LSE4499
x
x
x
LSE4883
x
Como se mencionaba en el capítulo anterior, los registros de pozo fueron suavizados en pro de facilitar el algoritmo y obtener mejores resultados a la hora de modelar los pozos sintéticos. A continuación se muestran los resultados pertenecientes a la primera etapa, la generación del registro de densidad sintético, por zonas, específicamente los resultados de la zona 2, la cual arrojó los mejores resultados. En la Figura 4.4 se observan los pozos y los registros de éstos usados para el análisis; en azul se muestran el Gamma Ray y la resistividad, y en rojo el registro objetivo, el de densidad. Los mejores resultados se obtuvieron usando una transformada multiatributo y aplicando una redes neuronal multicapa a continuación. Para la regresion multiatributo, como primer paso se encontraron las mejores combinaciones de los parametros de entrada, para estimar la propiedad del objetivo (Tabla 4.4). El mejor operador de longitud, longitud, es decir, el que arrojó mejores resultados luego de variar la cantidad de puntos, fue un operador de cuatro puntos.
9Tabla 4.4 Resultados de la regresión multiatributo. Mejor combinación de registros, utilizados en la generación de la transformada para estimar el registro de densidad Objetivo
Atributo final
Error de
Error de
entrenamiento (gr/cc)
validación (gr/cc)
Densidad
Gamma Ray
0,125943
0.142051
Densidad
Log(Resistividad)
0,124486
0.141240
66
47 Figura 47 Figura 4.4. Ventana de HR, con los pozos a entrenar, en azul los registros usados para las estimaciones (Gamma ray y resistividad), y en rojo los pozos objetivo (densidad).
67 En la Figura 4.5 se presenta el gráfico cruzado entre el registro densidad estimado con la transformada multiatributo y el registro densidad original. La crosscorrelación de 76,70% y error de 12,44% sugieren la posibilidad de realizar buenas predicciones con este método.
48 Figura 48 Figura 4.5. Gráfico cruzado densidad original y de la densidad estimada usando una transformada de regresión multiatributo. En la Figura 4.6 se muestra que la crosscorrelación aumentó en 10,94% utilizando Redes Neuronales, con un total de 88,76% y el error disminuyó d isminuyó en 4,55% obteniendo un total de 8,93%.
49 Figura 49 Figura 4.6 Gráfico cruzado de la densidad estimada y densidad original usando Redes Neuronales Multicapa.
68 Al determinar el método de predicción más certero, se procede a generar los registros sintéticos. En la Figura 4.7 se puede observar en rojo, los registros sintéticos modelados a través de redes neuronales, y en negro, los registros medidos en el pozo; nótese que sólo tres pozos poseen registros de densidad originales, y es mediante ellos que el algoritmo hace su modelado, es decir, la predicción depende del registro objetivo de control que se tenga, así como también, de los registros de entrenamiento (GR y LLD). La crosscorrelación es de 88,76% con un error de 8,93%. Este mismo procedimiento fue aplicado a las dos zonas restantes, como se explica en el capítulo anterior, obteniendo resultados de efectividad y parámetros de entrada generales para cada una de las zonas (Tabla 4.5). La efectividad de las redes en la predicción se mide en términos de la cross-validación y su correspondiente error. En general, se puede concluir que las redes neuronales multicapa ofrecieron una estimación efectiva para la predicción del registro densidad. 10 Tabla 10 Tabla 4.5 Especificaciones y resultados de las redes neuronales multicapa por zona
ZONA 1
RED NEURONAL MULTICAPA
ZONA 2
(MLFN)
ZONA 3
Cantidad de Nodos
6
Iteraciones
100
Cross-validación
0,201456
Error de validación (gr/cc)
0,125289
Cross-correlación
0,431317
Error de entrenamiento (gr/cc)
0,1131145
Cantidad de Nodos
6
Iteraciones
100
Cross-validación
0,542281
Error de validación (gr/cc)
0,16688
Cross-correlación
0,7053
Error de entrenamiento (gr/cc)
0,140804
Cantidad de Nodos
6
Iteraciones
100
Cross-validación
0,767003
Error de validación (gr/cc)
0,124486
Cross-correlación
0,887655
Error de entrenamiento (gr/cc)
0,0893727
69
50 Figura 50 Figura 4.7 Registros de densidad sintéticos modelados a través de redes neuronales (en rojo) y registros de densidad originales (en negro)
70 Como segunda fase, luego de calcular el registro de densidad, se procedió, a partir de los registros Gamma Ray, resistividad y ahora densidad (Figura 4.8), al cálculo del registro sónico. Dado que solo se posee registro sónico en el pozo LSE5546, se utilizó una red neuronal multicapa para toda la zona de interés, la cual no será dividida por zonas. El procedimiento matemático fue igual al de la primera fase y se obtuvieron resultados acordes a lo esperado (Figura 4.9) con una crosscorrelación de 75,28% y un error de 17,64 pies/useg.
51 Figura 51 Figura 4.8. Ventana de HR de entrenamiento, en azul los registros usados para las estimaciones (Gamma Ray, resistividad y densidad), y en rojo los pozos objetivo (sónico).
52 Figura 52 Figura 4.9. Gráfico cruzado del sónico estimado y sónico original a través de una red neuronal con transformada multiatributo como parámetro de entrada (a) y validación del pozo LSE5546 al aplicar este método (b)
71 Se presenta la tabla mostrada anteriormente (Tabla 3.1), modificada, para ejemplificar los registros sintéticos obtenidos en este estudio, los cuales fueron aportes a las curvas de densidad y sónico, con miras a desarrollar mejores amarres sísmica pozo y la generación de una inversión acústica (Tabla 4.6). 11 Tabla 11 Tabla 4.6. Tabla con registros disponibles en cada pozo, registros originales (x) y registros sintéticos (o) WELL_NAME
ESTE
NORTE
PT (‘)
GR
LLD
SONLSE0001
247528,4971 1142777,787
867
x
x
SONLSE0002
245429,2335 1143301,968
989
x
x
SONLSE0003
242368,6355 1142803,785
1105
x
SONLSE0004
246124,0944 1142660,962
989
SONLSE0010
243549,3757 1142732,474
SONLSE0011
250725,2036
SONLSE0012
SP
RHOB
NPHI
DT
o
o
x
o
o
x
x
o
o
x
x
x
o
o
1100
x
x
880
x
x
249903,9254 1141360,386
960
x
x
SONLSE0013
251150,4194 1141559,094
761
x
x
x
o
o
SONLSE0014
250128,018
1142413,73
773
x
x
x
o
o
SONLSE0015
248697,8762 1143442,654
781
x
x
x
x
SONLSE0016
247534,5943 1143471,94
741
x
x
x
o
1142062,6
x x
x
o x
o o
x
x
o
o o
SONLSE0019
246330,19
1142897,65
1133
x
x
x
x
x
o
SONLSE0020
248730
1142769,9
835
x
x
x
x
SONLSE0021
244723,5
1142103,5
1182
x
x
x
x
LSE3833
249510,72
1139761,88
969
x
x
x
o
o
LSE4279
242846,58
1141539,63
1050
x
x
x
x
o
LSE4432
251110,05
1139749,75
787
x
x
x
o
o
LSE4499
249713,53
1140337
928
x
x
x
x
o
LSE4883
249006,87
1142500,55
811
x
x
o
o
LSE5546
246925,38
1142172,54
1160
x
x
x
x
x
LSE5796
245797,3
1141872,28
988
x
x
x
x
LSE6105
246500,9
1141069,67
1028
x
x
x
o
o
LSJ4083
239909,4
1140521,29
1447
x
x
x
x
o
LSJ6145
246786,34
1141512,75
1629
x
x
x
o
o
o x
x
o
o
72
4.4 Amarre sísmica pozo Se calculó la resolución sísmica, siguiendo la metodología señalada previamente. Se extrajo la velocidad interválica del registro sónico en las ventanas de tiempo correspondientes a la formación. de interés (Figura 4.10). Las frecuencias dominantes se extraen de mapas de frecuencia instantánea en los topes de interés, a través de histogramas (Figura 4.11). Se elige calcular la frecuencia dominante a partir de la frecuencia instantánea, pues de esta responde tanto a efectos de propagación de la onda, como a características de depositación
53 Figura 53 Figura 4.10. Gráfico del registro sónico del pozo LSE5546 (azul), y velocidades a lo largo de los paquetes formacionales (rojo)
54 Figura 4.11. Histograma del atributo frecuencia instantánea sobre el Tope Mb. Lagunillas Inferior
73 La Tabla 4.7 muestra la frecuencia dominante, la velocidad promedio y el valor de resolución calculado para los intervalos de interés. Estas premisas ayudaron a la interpretación sísmica, aunque la mayoría de los intervalos son resueltos a lo largo del área del interés (nivel Mioceno); al norte del campo existen entonaciones debido a un acuñamiento de los estratos, el cual presenta anomalías de amplitud que pueden ser explicadas con los resultados de la resolución sísmica vertical. Este acuñamiento se observa a través la sísmica 3D del presente estudio, y es reportada a través de la sísmica 2D (Intevep, 2002)
12 Tabla 4.7. Valores de resolución sísmica vertical para los topes de interés Velocidad promedio
Frecuencia
Resolución sísmica
(Pies/seg)
dominante (Hz)
(Pies)
Fm. Ojeda
4500
60
17
Mb. Lagunillas Inferior
5650
48
29
Discordancia Eoceno
5800
45
38
Miembro o Fm.
El amarre sísmica-pozo fue realizado en 10 pozos del área de interés, los cuales son: LSJ4083, SONLSE03, SONLSE10, SONLSE21, SONLSE02, LSE5546, LSJ6145, SONLSE20, SONLSE11 y LSE4432 (Figura N°3.11). Es importante acotar que sólo el pozo LSE5546 poseía registro sónico, por lo cual, para el resto de los amarres, se usaron los registros sintéticos calculados mediante redes neuronales. Las ondículas para la convolución con la serie de reflectividad fueron extraídas de la sísmica a lo largo de todo el pozo. Los resultados del amarre sísmica-pozo del pozo LSE4083 se muestran en la Figura 4.12. El resto de los amarres en los otros pozos se realizaron de manera análoga, obteniendo buenos resultados, tal como muestra el pozo LSJ4083, que carece de sónico, pero calculando con un sintético de DT el amarre, se obtienen buenos resultados, con una crosscorrelación de más de 80% en todos los pozos.
74
55 Figura 4.12. Amarre sísmica-pozo del pozo LSJ4435
4.5 Interpretación sísmica De estudios previos (Intevep, 2002), se tiene conocimiento, en general, del modelo estructural del área de interés, el cual fue corroborado y delimitado con detalle. En el presente estudio como resultado final de la interpretación sísmica se obtuvieron tres superficies de interés creadas a partir del mallado de interpretación (Figura 4.13). Como se observa en la Figura 4.14 estas corresponden a un monoclinal que buza hacia el suroeste con 4 grados aproximadamente; por ende, las capas se engrosan y profundizan hacia el sur, y hacia el noreste se adelgazan, así como se truncan y erosionan al llegar a la superficie. Las fallas tienen por génesis el levantamiento andino durante el Mioceno (Intevep, 2002), son normales y de bajo salto, todas a nivel de Mioceno pudiesen algunas algunas tener una profundidad mayor y ser parte también de la tectónica del Eoceno, pero deben ser correlacionadas con posteriores estudios, que resuelvan los estratos más allá del Eoceno. Es importante acotar que las ocho fallas interpretadas en este estudio (Figura 4.15) son de carácter regional, presentando todas un comportamiento normal. Aunque se encontraron muchas otras fallas, estas eran de saltos menospreciables para las trampas, las cuales eran principalmente estratigráficas. Todas las fallas presentar una dirección NO.
75
56 Figura 56 Figura 4.13. Modelo sísmico-estructural del área
57 Figura 4.14. Modelo geológico ideal del campo
58Figura 58 Figura 4.15. Mapa estructural mostrando las fallas interpretadas, su comportamiento y los bloques que delimitan.
76 Como se mencionó en el capítulo anterior (Tabla 3.2), el tope del Mb. Lagunillas Inferior fue interpretado como un máximo de amplitud debido a que presentaba un contraste de impedancias positivas, propuesto desde la bibliografía (Intevep, 2002), ratificado con los datos de pozos y finalmente interpretado en la sísmica. Siguiendo con la caracterización, se generaron mapas de topes (Figura 4.17) donde se ejemplifica lo indicado anteriormente, es decir el buzamiento suroeste de la estructura y el afloramiento en el noreste del área de interés, observado en campañas de geología de superficie. Gran parte de los pozos productores se encuentran en profundidades de 600 pies o mayores; estudios geoquímicos han encontrado agua meteórica en pozos donde el yacimiento se encuentra más somero a lo indicado anteriormente (Intevep, 2002). Esta premisa es de gran importancia a la hora de elegir localizaciones, y el tener delimitado arealmente el tope de interés, hace posible tomarlo en cuenta cuando se estudien las zonas de avanzada. Se realizó a través de las superficies interpretadas (Tope y Base del Mb. Lagunillas Inferior) un mapa isocórico, en tiempo, expresando su espesor (Figura 4.16). Al caracterizar las zonas de mayor espesor a través de la interpretación sísmica, la prospección aumenta su confiabilidad de éxito; estas zonas con mayor espesor, delimitadas por líneas intermitentes negras, representan las áreas con mayor espacio de acomodación, y por ende con más acumulación de hidrocarburos. Nótese, que no solo tener un espesor mayor infiere acumulación de hidrocarburos, por lo que posteriores análisis, tales como atributos e inversión fueron fu eron realizados al área.
59Figura 59 Figura 4.16. Mapas isocórico del Mb. Lagunillas Inferior en tiempo.
77
60 Figura 60 Figura 4.17. Mapas del tope de Mb. Lagunillas Inferior, a partir de la interpretación sísmica (a), a partir de topes interpretados en pozo (b) A partir de líneas sísmicas, la estratigrafía era relativamente sencilla, pues aunque el área se encontraba muy fallada, al ser de bajo salto, la estructura del monoclinal no se veía afectada en gran manera (Parte C, Figura 4.18). A nivel local varias anomalías fueron detectadas, las cuales llamaban la atención, pues se presentaban al nivel de interés (Mb. Lagunillas Inferior). Tales anomalías las se puede representar como: -
Canal, el cual se observa como un punto brillante, en una zona que posee la mayor
producción acumulada anual (Parte A, Figura 4.18). Esta facies constituye uno de los medios continentales de mayor importancia estratigráfica, puesto que en ellos se han acumulado gran cantidad de sedimentos, es decir, un espesor de arena apreciable capaz de almacenar hidrocarburos.
78 -
Progradaciones, Estos clinoformes (Parte B, Figura 4.18) ejemplifican a la línea de costa migrando hacia la cuenca, proceso denominado regresión. Estos clinoformes pueden ser de interés prospectivo debido al posible entrampamiento lateral que proporciona la estructura. Se evaluó la posibilidad de que fuesen canales truncados, pero al evaluar cortes longitudinales y transversales de la estructura, así como el posicionamiento en la cuenca, se llegó a la conclusión de que eran progradaciones.
-
Engrosamiento del Mb. Lagunillas Inferior, Se observa a medida que se acerca a la cuenca, el aumento del espesor del estrato, lo cual lógicamente se infiere debido al mayor espacio de acomodación que existe hacia el sur de la cuenca (Parte C, Figura 4.18).
61 Figura 4.18 Anomalías sísmicas simples, encontradas en la sísmica. Canal (A), progradaciones (B) y engrosamiento del Mb. Lagunillas Inferior(C)
79 Adicionalmente se interpretó el tope del Mb. Ojeda como un máximo de amplitud debido a que se trataba de un contraste de impedancias positivo. La discordancia del Eoceno fue interpretada en los registros de pozo, debido a los saltos de porosidad abruptos que presentaba, del Mioceno al Eoceno, como se aprecia en la Figura 4.9, a los 900ms; de allí, a través de las curvas tiempo profundidad, fue interpretada la discordancia como un máximo de amplitud (contraste positivo de de impedancias). La discordancia del Eoceno se conoce regionalmente como una discordancia angular (González, 1980), pero en este estudio se observó que, localmente, se comporta como una incordancia. Es importante acotar que muy pocos pozos alcanzan observar la discordancia y su delimitación en el campo aporta mucho al modelo estructural y secuencial del área. Los mapas de topes restantes se presentan en el apéndice. Por estudios anteriores, la Formación La Rosa se interpreta inicialmente como una unidad transgresiva (arenas de Santa Bárbara), la cual es prospectiva (Intevep, 2002). En líneas 2D de otros estudios se pudo observar onlaps, que indican que podrían existir estas arenas costeras separadas en forma diacrónica, lo que favorecería trampas estratigráficas dentro de la secuencia (Intevep, 2002); pero en los datos no se pudieron apreciar. Considerando sólo la interpretación estructural a partir de la sísmica, se podría decir que, en principio, la parte basal del Miembro Lagunillas Inferior de la Formación Lagunillas constituye el mejor reservorio del área.
4.6 Atributos sísmicos Para la caracterización, siguiendo el esquema presentado en el capítulo anterior, se aplican estimaciones matemáticas con el fin de extraer rasgos geológicos importantes de la sísmica de interés. Los atributos presentados en esta sección corresponden todos al tope del Mb. Lagunillas Inferior, arenas prospectivas. Se comienza, como se expuso en la metodología, con atributos convencionales en la herramienta Petrel tales como: frecuencia instantánea, amplitud RMS, intensidad de reflexión, envolvente y varianza. Para cada atributo se procede a exponer y resaltar rasgos estructurales importantes:
4.6.1 Frecuencia instantánea Representa la frecuencia instantánea que posee cada punto de la sísmica, a lo largo del tope. Este atributo puede ser utilizado para obtener rasgos estructurales, pero en el presente estudio sirvió para el análisis de resolución sísmica, dando un estimado de la frecuencia con más alta ocurrencia que fue de 45 Hz (Figura 4.19).
80
62 Figura 4.19. Atributo sísmico de Frecuencia Instantánea sobre el tope del Mb. Lagunillas Inferior
4.6.2 Amplitud RMS En el área sur central se presentan enmarcadas en líneas punteadas blancas (Figura 4.20) anomalías de amplitud positiva, asociadas a cambios estratigráficos. En el área suroeste del mapa se observan anomalías de amplitud positivas, pero de menor contraste, menor amplitud. En esta primera imagen se empieza a observar el cuerpo cue rpo geológico que se pretende caracterizar. cara cterizar.
63 Figura 63 Figura 4.20. Atributo sísmico de Amplitud RMS sobre el tope del Mb. Lagunillas Inferior
81
4.6.3 Intensidad de Reflexión Análogamente, el mapa de fuerza de reflexión del Mb. Lagunillas Inferior (Figura 4.21) presenta una respuesta similar a la amplitud RMS. Esta tendencia resulta esperada, ya que este atributo también responde a cambios de amplitud.
64 Figura 64 Figura 4.21. Atributo sísmico de Intensidad de Reflexión sobre el tope del Mb. Lagunillas Inferior
4.6.4 Envolvente, Este atributo utiliza valores de la traza real e imaginaria, independiente de la fase, y muestra contrastes muy similares similares a los los atributos RMS e Intensidad de Reflexión. Este atributo (Figura 4.22) presenta cambios aun cuando la anomalía involucre varias reflexiones; por ende, que el resultado sea similar hace inferir una fase constante y la continuidad del evento a lo largo del tope Mb. Lagunillas Inferior.
65 Figura 65 Figura 4.22. Atributo sísmico de Envolvente sobre el tope del Mb. Lagunillas Inferior
82 4.6.5 Varianza,
Este atributo que expresa similitud entre trazas aledañas, puede indicar límites estructurales, fallas geológicas. En la parte A de la Figura 4.23 se muestra el mapa del atributo, sin interpretar, obtenido para el tope del Mb. Lagunillas Inferior. El color blanco indica una señal coherente entre trazas y el rojo y el negro una señal no coherente; en la parte B de la Figura 4.23 se muestra la interpretación de fallas asociadas, que se correlaciona perfectamente con las observadas en la interpretación sísmica.
66 Figura 66 Figura 4.23. Atributo sísmico de Varianza sobre el tope del Mb. Lagunillas Inferior. Original (A) e interpretado (B) Una vez obtenidos los atributos sísmicos clásicos con la herramienta Petrel, siguiendo con la metodología procedemos a generar los atributos clásicos y espectrales con la herramienta OpendTect. Estos atributos, al igual que en la fase anterior, son calculados en el tope del Mb. Lagunillas Inferior. A continuación se muestran atributos básicos tales como señal/ruido y energía, atributos estructurales tales como buzamiento y azimut y similaridad, así como atributos espectrales RGB con transformada ondícula continua (CWT) y transformada de Fourier rápida (FFT). Para cada atributo procedemos a exponer y resaltar rasgos estructurales importantes:
83
4.6.6 Señal/Ruido, Este atributo medido en dB, calcula la proporción existente entre la potencia de la señal que se transmite y la potencia del ruido que la corrompe. Como se observa en la Figura 4.24 las zonas con mayor relación señal/ruido son aquellas donde se observaban anomalías en los atributos; sin embargo, de esto no se puede concluir que los resultados en los atributos calculados anteriormente arrojan premisas incorrectas, pues es en estos lugares donde el campo posee la mayor cantidad de pozos; dicho de otra manera, al adquirir, éste fue el lugar más tortuoso para grabar pues era el que poseía mayores obstáculos, lo cual disminuyó la cobertura. Los resultados anteriores son de plena confiabilidad, pues están respaldados con datos de producción; por ende se busca delimitar de una mejor manera los geocuerpos en estas áreas, ya probadas de ser de interés prospectivo.
67
Figura 4.24. Atributo sísmico de Señal/Ruido sobre el tope del Mb. Lagunillas Inferior
4.6.7 Energía Como fue mostrado en el caso anterior, los resultados de este atributo dependiente de la amplitud se concatenan con los previos calculados. La energía es muchas veces indicador directo de presencia de hidrocarburos (Manual de OpendTect 5, 2015). En la Figura 4.25, se observa el atributo de energía sobre el tope del Mb. Lagunillas inferior y las zonas prospectivas. En este atributo se utilizó la técnica de seguimiento por buzamiento y azimut, encontrando anomalías más detalladas y confiables.
84
68 Figura 4.25. Atributo sísmico de Energía sobre el tope del Mb. Lagunillas Inferior.
4.6.8 Similaridad Al igual que la varianza, este atributo mide similaridad entre trazas aledañas pero, a diferencia del primero, en el cálculo del algoritmo de similaridad se toma en cuenta el buzamiento y azimuth de los estratos con el cubo de steering previamente calculado. Se muestran los resultados obtenidos con y sin el aporte de buzamiento y azimut (Figura 4.27). Se puede observar en la figura 4.27A que el atributo con aporte del cubo de buzamientos, es capaz de resolver mejor las fallas regionales, las cuales interpretadas en la sísmica son resueltas en su totalidad. En la Figura 4.27B, no se usa y se aprecia la menor resolución del atributo a simple vista. Dicho esto, se pueden resaltar las fallas regionales (Figura 4.26) utilizando el atributo de similaridad s imilaridad con el cubo de buzamientos como parámetro de entrada, los resultados concuerdan con las interpretadas en la sísmica, pudiendo discriminar las fallas regionales en su totalidad.
69 Figura 69 Figura 4.26. Atributo sísmico de Similaridad sobre el tope del Mb. Lagunillas Inferior usando cubo de buzamientos, con fallas interpretadas (amarillo)
85
70 Figura 70 Figura 4.27. Atributo sísmico de Similaridad sobre el tope del Mb. Lagunillas Inferior. Con cubo de buzamientos (A) y sin cubo de buzamientos (B)
4.6.9 Atributos espectrales La descomposición espectral supone una gran ventaja con respecto a otros atributos debido a que permite observar amplitudes relacionadas a frecuencias específicas que, en la mayoría de los atributos, serían opacadas por la frecuencia dominante (Salazar, 2009). Además, es una técnica muy importante para identificar cuerpos estratigráficos y discontinuidades estructurales. Diversos autores han obtenido buenos resultados utilizando dicha técnica como indicador directo de hidrocarburos y para estimación de espesores (Castagna et al., 2003). A continuación se muestra al resultado de obtener atributos espectrales RGB con transformada ondícula continua (CWT) y transformada de Fourier rápida (FFT); es importante acotar que, para cada procedimiento, se generaron numerosos mapas RGB, variando la frecuencia cada 5Hz, entre 5Hz y 125Hz. Para cada procedimiento se presenta la combinación que mejores resultados mostró y se procede a exponer, así como a resaltar rasgos importantes en los resultados.
86
4.6.9.a Descomposición espectral RGB, mediante la trasformada de ondícula continua (CWT), con la ondícula Mexican Hat En la Figura 4.25 se muestra el mejor resultado obtenido mezclando las frecuencias de 40Hz (Rojo), 60Hz (Verde) y 80Hz (Azul). Los resultados más confiables parecieran estar en la parte centro sur y centro sureste del área de interés, donde se puede identificar ciertas estructuras en formas de canal, que se relacionan con los resultados de anomalías de amplitud encontradas en atributos anteriores. En la Figura 4.28 se muestran los resultados sin y con interpretación de los cuerpos sedimentarios.
71 Figura 4.28. Atributo espectrales sobre el tope del Mb. Lagunillas Inferior. RGB de 40-6080Hz usando el método de CWT con una ondícula Mexican Hat.
4.6.9.b Descomposición espectral RGB, mediante la trasformada de ondícula continua (CWT), con la ondícula Morlet En la Figura 4.26 se muestra el mejor resultado obtenido mezclando las frecuencias de 40Hz (Rojo), 50Hz (Verde) y 60Hz (Azul). Análogamente al caso anterior, los resultados más confiables se encuentran en el centro sur y centro sureste del área de interés. En este caso, los
87 canales perdieron un poco su contraste, pero se siguen más a lo largo del área; en la Figura 4.29 se muestra la interpretación en la cual los posibles cuerpos sedimentarios identificados son similares al anterior método y se ubica en las anomalías de amplitud encontradas con los atributos convencionales.
72 Figura 4.29. Atributo espectrales sobre el tope del Mb. Lagunillas Inferior. RGB de 40-50-60 usando el método CWT con una ondícula Morlet.
4.6.9.c Descomposición espectral RGB, mediante la trasformada de Fourier rápida (FFT) (FFT) Para el cálculo de la FFT es importante la selección de la ventana temporal (Manual de OpendTect 5, 2015). Si se desea obtener una resolución mayor en el eje del tiempo, debe considerarse una ventana de poca longitud, como lo que se aprecia para la ventana de 60 ms (Figura 4.30). Por el contrario, si se escoge una ventana con mayores dimensiones, como en el caso de la ventana de 100 ms (Figura 4.30), se logra mejorar la resolución en el eje de las frecuencias, pero como consecuencia, empieza a perderse resolución en el eje temporal. La ventana más adecuada para realizar el estudio de descomposición espectral debe oscilar entre 45 y 65ms, donde la imagen resuelve mejor, resultado obtenido mediante las pruebas
88 realizadas obteniendo espectros tiempo – frecuencias con diferentes ventanas de muestreo, probando cada 5ms; en la Figura 4.30 4. 30 se muestra un ejemplo del cambio de resolución r esolución presentado a lo largo de diferentes ventanas de muestreo. No existe solución definitiva y no se puede mejorar simultáneamente la resolución en ambos ejes (temporal y de frecuencias); esto es conocido como el principio de incertidumbre de Heisenberg.
73 Figura 73 Figura 4.30. Espectros Tiempo – Frecuencias obtenidos mediante FFT a diferentes ventanas de muestreo. En la Figura 4.31 se muestra el mejor resultado obtenido con el método de descomposición espectral RGB de la transformada de Fourier rápida, utilizando una ventana de análisis de 55ms, mezclando las frecuencias de 30Hz (Rojo), 40Hz (Verde) y 50Hz (Azul). Con este método en el centro sur y centro sureste del área de interés se presentaron ciertos rasgos muy vagos de estructuras, que sólo se delimitan por experiencia previa. En la Figura 4.28 se muestra la interpretación a grosso modo de las estructuras que se aprecian; este método fue el que arrojó resultados menos eficaces, atribuidos al difícil criterio de la resolución tiempo/frecuencia. De igual forma la descomposición espectral RGB también se realizó mediante CWT y FFT para la base del Mb. Lagunillas Inferior y la discordancia del Eoceno; estos dos últimos horizontes no mostraron resultados prospectivos y se descartaron del presente estudio. En cuanto a distintos métodos de caracterización mediante descomposición espectral, se determinó que en el tope del Mb. Lagunillas Inferior, para el método CWT se logra apreciar estructuras sedimentarias a frecuencias de 55Hz aproximadamente, con un color azul verdoso en
89 ambas ondículas utilizadas (Figura 4.28 y 4.29); se reitera la presencia de una estructura prospectiva en la misma zona que los atributos sísmicos presentan anomalías asociadas a presencia de hidrocarburos (Energía y Amplitud RMS). A través de FFT no se logra delinear de buena información estructural y estratigráfica (Figura 4.31).
74 Figura 74 Figura 4.31. Atributo espectrales sobre el tope del Mb. Lagunillas Inferior. RGB de 30-4050Hz usando el método de FFT en una ventana de tiempo de 55mseg.
4.7 Inversión acústica En este caso, como análisis principal es necesario comparar los registros de impedancia con las secciones del cubo de impedancia obtenido como control de calidad para los resultados obtenidos. Al observar la Figura 4.32, se nota una correlación bastante buena entre la sección de IA modelada con la inversión y el registro de IA proveniente de medidas en pozo, dado que los principales picos o valles en los valores de impedancia en los pozos se ven reflejados en la sección. Sin embargo, es importante acotar que el algoritmo por rapidez de cómputo se aplica, principalmente, entre el tope top e y la base del Mb. Lagunillas Inferior, obteniendo que los resultados obtenidos fuera de estos límites sean pocos confiables. Del pozo de control LSE5546 se puede destacar que el evento asociado al contraste de impedancias entre el Mb. Ojeda y el Mb. Lagunillas Inferior está bien delimitado (alto contraste de IA a 200ms) y, sabiendo que en esta
90 sección efectivamente se presentan arenas petrolíferas, se procede a seguir este contraste en pro de caracterizar la ubicación de la arena en todo el campo. Otra manera de interpretarlo es caracterizando la presencia del Mb. Ojeda, que es el sello por excelencia en el área; en este estudio se limitó a caracterizar la presencia de arenas en el Mb. Lagunillas Inferior.
75 Figura 75 Figura 4.32. Pozo LSE5546 con registros GR, LLD y IA, sección sísmica extraída en el punto, así como del cubo de IA modelado Otro ejemplo de control fue la sección de pozos de la Figura 4.33, que muestra la evolución del cubo de impedancia acústica a lo largo de la sección de interés. Esta sección constituida comprende los pozos LSE6105, LSE5546, SON19 y SON16. Los dos primeros (LSE6105 y LSE5546) son productores y poseen un buen desarrollo de la arena prospectiva, mientras que (SON19 y SON16) no presentan continuidad de la arena, esto, observando los registros de pozo, así como también los reportes realizados por los petrofísicos. En el primero el contraste de impedancias es apreciable y se delimita, y en los dos últimos el cubo sísmico no presenta anomalías en la interfaz. De aquí se concluye la efectividad del cubo de IA en discriminar la existencia o no de arenas, y da pie a extrapolar la interpretación de la arena prospectiva a lo largo de toda el área.
91
76 Figura 76 Figura 4.33. Sección de pozos LSE6105, LSE5546, SON19 y SON16. Se despliegan los registros GR, LLD y IA para cada pozo, la sección sísmica extraída en la ubicación de los mismos, así como del cubo de IA modelado, y ubicación de la sección
92 Como otro medio de control se extrajeron secciones del cubo de impedancias a lo largo del inline 1073 y crossline 753; ambas secciones pasan por el pozo LSE5546 (Figura 4.34). Graficando el registro de IA obtenido de los datos de pozo, la sísmica y el cubo de IA modelado; se observa la correlación, específicamente en el tope del Mb Lagunillas Inferior, donde se delimita muy bien este cambio formacional. Es importante volver a la premisa de que el algoritmo expresa mayor correlación en los niveles restringidos del análisis (tope y base del Mb. Lagunillas Inferior), por lo que fuera de este rango los resultados no son confiables.
77 Figura 77 Figura 4.34. Inline 1073 del cubo de IA con registro de IA del pozo LSE5546 (Izquierda). Crossline 753 del cubo de IA con registro IA del pozo LSE5546 Siguiendo con el análisis y caracterización de las arenas, el pico de alto contraste de IA (amarillo), a los 200ms donde se ubica el tope del Mb. Lagunillas Inferior, se siguieron a lo largo de toda el área de interés (Figura 4.35). Obteniendo como resultado, una delimitación de las arenas prospectivas a lo largo del tope del Mb. Lagunillas Inferior. Estos resultados corroboran y complementan a las caracterizaciones mediante atributos y descomposición espectral realizadas en etapas anteriores. En esta sección se observa de una mejor manera la continuidad las arenas, tanto en la horizontal (expresado en mapas del tope, Figura 4.35) como en la vertical observando las líneas del cubo de IA (Figura 4.34). Esto llevó a interpretar en 3D los geocuerpos y caracterizar de una mejor manera la presencia de las arenas prospectivas del Mb. Lagunillas Inferior. El seguimiento 3D se hizo ya sabiendo cuál era el contraste de IA característico de las mismas, y se incorporaron conocimientos adquiridos en las caracterizaciones de las etapas anteriores (Figura 4.36).
93
78 Figura 78 Figura 4.35. Mapa de IA correspondiente al tope del Mb. Lagunillas Inferior, extraído del cubo de IA
79 Figura 79 Figura 4.36. Ventana 3D con pozos con registros de IA, sísmica 3D, cubo de IA y los geocuerpos (arenas petrolíferas del Mb. Lagunillas Inferior)
4.8 Mapas de isopropiedades a través de petrofísica Con el fin de relacionar los modelos obtenidos con petrofísica, se procede a interpretar los resultados obtenidos de la porosidad por densidad y la resistividad. En la Figura 4.37 se observa las porosidades obtenidas para el Mb. Lagunillas Inferior, en las que se muestran porosidades de
94 32% en promedio, para la zona sur central y sureste; para la zona norte central se observa un incremento de la porosidad en 37%, y finalmente la zona oeste presenta porosidades de 25%. Las mejores porosidades se encuentran en la zona sur central y sureste, pues las altas porosidades encontradas al centro norte del campo puedes están asociadas a filtraciones de agua meteórica en la formación, que se observó por el análisis petrofísico completo al pozo.
80 Figura 80 Figura 4.37. Mapa de isopropiedad: Porosidad a través del registro de densidad Si bien la porosidad es un parámetro crucial para evaluar los yacimientos, los primeros registros median la resistividad de las formaciones. Introducidas en la década de 1920, las herramientas de resistividad ayudaban a identificar las rocas yacimiento. La resistividad alta es una característica de la presencia de hidrocarburos y la resistividad baja es indicativa de presencia de agua. No obstante, los analistas de registros no podían diferenciar las rocas que contenían hidrocarburos de las que carecían de porosidad porque ambas exhiben alta resistividad. En el caso del área de interés, en general, se presenta una buena porosidad, por lo tanto las altas resistividades no se asociaran a rocas altamente compactadas. En la Figura 4.38 se presenta que las resistividades más altas, se encuentran en la zona sur central y sureste, al igual que mejores porosidades.
95
81 Figura 81 Figura 4.38. Mapa de isopropiedad: Resistividad
4.9 Mapas de calidad de arena y producción Como último análisis se procedió a generar modelos que dieran respaldo a los resultados obtenidos. Debido a que nos encontramos dentro de los linderos de un campo de producción (norte de Tía Juana) se procedió a relacionar data de producción con los resultados obtenidos de la caracterización. Se generó un mapa de producción acumulada anual (Figura 4.39), para descartar diferencia de edades en los pozos. Los ciclos de vapor o cualquier método de recuperación fueron sacados de la ecuación debido a los pocos datos que se tenían de estos, al igual que los pozos que nunca produjeron debido a problemas mecánicos. Se puede observar en la Figura 4.39 que las tendencias de mejor producción concuerdan con los resultados obtenidos en las anomalías de atributos sísmicos e IA, corroborándose de esta manera las zonas prospectivas de las arenas del yacimiento Mb. Lagunillas Inferior.
96
82 Figura 4.39. Mapa de producción acumulada anual usando pozos en el área de interés. También se generaron mapas de calidad de arena (Figura 4.40) a partir de la evaluación de cada uno de los registros de pozo. Se evaluó la presencia de la arena usando los registros GR, resistividad, porosidad neutrónica y densidad, así como el SP en búsqueda de posibles pozos con agua. Los resultados varían del uno al cero, siendo uno una buena calidad de arena y cero una mala calidad. El mapa presenta calidades de arena en toda la parte sur del área de interés y un deterioro constante a medida que nos acercamos al norte, noreste.
83 Figura 83 Figura 4.40. Mapa de calidad de arena, con datos extraídos de pozo
97
4.10 Modelo final A la hora de integrar los resultados, mientras más modelos caractericen el área de interés, mayor certeza tendrá el estudio. Los cálculos geofísicos acarrean gran incertidumbre, pues son cálculos son indirectos en su mayoría; en el presente estudio se buscó disminuir ese error, al relacionar estos modelos, con datos directos. A continuación se expondrá, los resultados obtenidos en las diferentes etapas y su convergencia, su validez a través de datos de producción, y un modelo final integrando los conocimientos de todas las premisas anteriores. En la Figura 4.41 se observa 4 modelos derivados de la sísmica, tales son: atributo de energía, espesor de las arenas, inversión acústica y descomposición espectral RGB (40-50-60Hz). Como se explicó en etapas anteriores, y se muestra en la Figura 4.41, las anomalías prospectivas encontradas convergen en las mismas áreas, tales son: centro sur y sureste, y otras de menor tamaño al suroeste del área de estudio. Resultados bastante alentadores, pues hay una convergencia en las zonas prospectivas obtenidas, bajo las diferentes metodologías de prospección. La estructura sedimentaria sedimentar ia al centro sur y suroeste, sur oeste, modelada en la descomposición espectral RGB, con frecuencias de 40-50-60Hz (Parte D, Figura 4.41), muestra a través de la interpretación sísmica los mejores espesores del Mb, con 90ms (Parte B, Figura 4.41); dicha área presenta anomalía de energía (Parte A, Figura 4.41), la cual está asociada a presencia de hidrocarburos. Con la inversión acústica se logró delimitar la estructura más eficazmente, pudiendo seguir a detalle, a través de la impedancia acústica (Parte C, Figura 4.41), las arenas prospectivas del Mb. Lagunillas Inferior. Una vez obtenido una caracterización sísmica, se procede a validar los resultados con datos duros, tales son: datos de producción y registros de pozo. En la Figura 4.42, para el Mb. Lagunillas Inferior, se presentan: Mapas de producción acumulada anual (Mbls), resistividad, porosidad y calidad de arena. Como se expuso en el análisis anterior, se busca reiterar la prospectividad de las anomalías encontradas en el área centro sur y sureste. Efectivamente, los picos de producción acumulada anual (Parte A, Figura 4.42) se encuentran en el centro sur con 26Mbls y sureste, con 40Mbls: estas áreas presentan las mayores resistividades del área (Parte B, Figura 4.42), para centro sur con 900 ohm.m y sureste con promedio de 400ohm.m. Las porosidades (Parte C, Figura Figu ra 4.42) son prospectivas prosp ectivas en ambas localizaciones, centro sur y sureste, con un promedio de 32%; al norte del campo observamos las porosidades mayores, pero están asociadas a infiltraciones de agua meteórica. Como último análisis, se revisó en general, la
98 calidad de la arena (Parte D, Figura 4.42), se observa la presencia de arenas limpias en todo el sur del área y sin filtración de agua meteórica.
Figura 4.41. Mapas de: Atributo Energía (A), Espesor de arenas (B), Inversión acústica (C) y Descomposición espectral RGB con CWT (D)
Figura 4.42. Mapas de: Producción acumulada anual (A), Resistividad (B), Porosidad (C) y Calidad de Arena (D)
99 Como paso final e integrando todos los resultados obtenidos en la caracterización, se elabora un mapa de las arenas petrolíferas del Mb. Lagunilla Inferior (Figura 4.43). Este se presenta en una escala de profundidad en tiempo, estando el yacimiento del centro sur y sureste a una profundidad de 200ms, aproximadamente, apr oximadamente, y el yacimiento suroeste a una profundidad de 450ms. También se presentan bajo la modalidad de tipo de riesgo, es decir, cualquier yacimiento verde involucra un riesgo geológico bajo, debido a que se interpretaron anomalías prospectivas en la caracterización geofísica y hay producción probada en localizaciones cercanas; aquellos enmarcados en roja son propuestas con un riesgo mayor, debido a que sólo se respaldan por las anomalías presentadas en la caracterización geofísica, tanto en los atributos como la inversión. Este resultado final involucra la integración de conocimientos en diversas áreas y presenta un modelo bastante acertado del yacimiento, respaldado por los resultados geofísicos y reales de pozo. En la Figura 4.43 se encuentran los pozos poz os actuales en el área de interés, en miras de nuevas localizaciones de avanzada, se recomienda la zona prospectiva ubicada al sureste del área.
84 Figura 84 Figura 4.43. Mapa de zonas prospectivas y pozos actuales, las áreas verdes indican bajo riesgo geológico y el rojo un riesgo geológico moderado.
100
CONCLUSIONES Y RECOMENDACIONES RECOMENDACIONES Se realizó una caracterización geofísica utilizando sísmica y datos de pozo a nivel Mioceno del yacimiento perteneciente a las arenas petrolíferas del Mb. Lagunillas Inferior en los Campos Tía Juana, Cabimas Sur y Cabimas Este. El estudio permite concluir:
La interpretación sísmica, en tiempo, del Mioceno, mostró la presencia de un gran monoclinal fallado que buza 4 grados hacia el suroeste y que se acuña al noreste del área de estudio, con un afloramiento fuera de la zona de estudio en dirección noreste, en el campo Cabimas Este. Se interpretaron 7 fallas regionales a lo largo de toda el área, con comportamiento normal. Se afianza el modelo sísmico-estructural del área de estudio (Norte del Campo Tía Juana)
Se generaron registros sintéticos de densidad y sónicos para todos los pozos que carecían en el área, con métodos no lineales, tales como las redes neuronales. Estos sintéticos sirven de base para la inversión acústica y análisis petrofísico, con la cual se obtuvieron resultados positivos.
Los mapas de atributos convencionales mostraron anomalías características prospectivas que permiten delimitar de forma preliminar las arenas petrolíferas.
Los mapas de descomposición espectral RGB generados mostraron y corroboraron la presencia de cuerpos sedimentarios en el centro sur y sureste del área de estudio. es tudio.
A través de una inversión acústica se delimitó, tanto areal como volumétricamente, las arenas petrolíferas caracterizadas en el estudio. Se obtuvieron geocuerpos en 3D que serán data para localizaciones de avanzada y modelado de pozos direccionales.
La información petrofísica y de producción corroboraron las premisas expuestas en el trabajo y dan seguridad de la eficacia de la caracterización geofísica del presente estudio.
Se obtuvieron mapas integrados de arenas petrolíferas para el Mb. Lagunillas Inferior, caracterizados por riesgo geológico, que pueden ser útiles para futuras localizaciones de pozos de avanzada. Se estableció que las mejores zonas se ubican al centro sur y sureste s ureste del área de estudio, y zonas secundarias con mayor riesgo geológico al suroeste.
101 Para futuras investigaciones en el área, se recomienda trabajar y tomar en cuenta los siguientes puntos:
Incrementar el set de datos geofísicos en el área, específicamente de curvas tiempo/profundidad para crear y tener un modelo más robusto de velocidades
Realizar estudios de AVO e inversión elástica con los datos pre-apilados, con el fin de seguir caracterizando las arenas prospectivas del Mb. Lagunillas Inferior
Mejorar el cálculo volumétrico de las reservas, utilizando los resultados del presente estudio.
102
REFERENCIAS Audemard, F. (1991) “Tectonic of Western Venezuela”. Ph.D. Thesis. Rice University, Texas, USA. 245. Audemard, F., Romero,G., Rendón, H., Cano V. (2005). “Quaternary fault kinematics and stress tensors along the southern Caribbean from fault-slip data and focal mechanism solutions”. EarthScience Reviews 69, pp.181-233. Arenas, S. (2010) “Análisis de descomposición espectral e integración de atributos sísmicos para la identificación de posibles cuerpos gasíferos. Área de Roblote, Fase II. Edo. Anzoátegui”. Tesis de grado, Universidad Simón Bolívar, Venezuela. Bacon, M. (2003) “3-D Seismic Interpretation”. Cambridge. Bianco, E. (2015) “Geophysical tutorial: well-tie calculus”. The Leading Edge. Buxton, R., Davison, R. (2000) “An interpreter´s guide to understanding and working with seismic-derived acoustic impedance data”. The Leading Edge, pp 242-256. Castagna, J. y Sun, S. (2006) “Comparison of Spectral Decomposition Methods”. First Break. Volumen 24. Pp. 75-79. Chopra, S. y Marfurt, K. (2007) “Seismic Attributes for Prospect Identification and Reservoir Characterization”. SEG Geophysical Development, 45-70. Código geológico de Venezuela. (1998). Obtenido de Léxico Estratigráfico de Venezuela III: http://www.pdv.com/lexico/lexicoh.htm Contreras, D. (2008) “Defining the northeastern boundary of the supergiant Maracaibo foreland basin, Venezuela” PhD Thesis, University of Texas, USA. USA . Frazer Barclay, A. B. (2008). “Inversión sísmica: Lectura entre líneas”. Oilfield Review, Schlumberger González de Juana et al. (1980). “Geología de Venezuela y sus cuencas petrolíferas”. Caracas: Ediciones Foninves . 1031 Págs. González, R. (2015) “Caracterización sísmica integrando análisis de atributos e inversión sísmica en la Fm. Las Piedras”. Tesis de grado, Universidad Simón Bolívar, Venezuela. Hampson, D., Schuelke, J. y Quirein, J. (2001) “Use of multiattribute transforms to predict log properties from seismic data”. Geophysics, VOL 66, p.220-236 Hall, M. Y Trouillot, E. (2004) “Predicting stratigraphy with spectral decomposition”. Landmark Graphics. CSEG National Convention. Calgary, Canada
103 Hamlyn, W. (2014) “Thin beds, tuning and AVO”. The Leading Edge Izarra, C., Jácome, M., Schmitz, M. y Mora, P. (2005). “Analyzing gravity anomalies over the Caribbean and northern Venezuela tectonic plate boundary”. 6th International Symposium on Andean Geodynamics (ISAG 2005, Barcelona), Extended Abstracts: 394-396 Intevep (2002) “Evaluación Integrada del Yacimiento Lagunillas Inf., Campo Tía Juana Este”. Los Teques. 477 Págs. Kouro, S. y Musalem, R. (2002) “Tutorial Introductorio a la Teoría de Wavelet”. Universidad Técnica Federico Santa María de Chile. Disponible en: http://www.elo.utfsm.cl. en: http://www.elo.utfsm.cl. Liu, J., and K. J. Marfurt (2007) “Instantaneous spectral attributes to detect channels: Geophysics, 72, no. 2, P23–P31 Linares, L. (2012) “Caracterización mediante atributos sísmicos y registros de pozo de las arenas de los Mbo. Jobo y Morichal de la zona este del Campo Temblador”. Tesis de grado, Universidad Central, Venezuela. Parnaud, F., Gou, Y., Pascual, J-C, Capello, M.A., Truskowski, I, and Passalacqua, H. (1995) “Stratigraphic Synthesis of Western Venezuela”. AAPG Memoir 62, Petroleum basins of South America, Tankard, A.J., Suarez, S., Welsink, H.J. editors. 681-698. Partika, G., Gridley, J. Y Lopez, J. (1999) “Interpretational applications of spectral decomposition in reservoir characterization”. The Leading Edge. Pp. 353- 360. Regueiro, J. (2007). Sísmica para ingenieros y geólogos, el método sísmico de reflexión. Inédito. 78 Págs Ruiz, F. (2012) “Estudio de transformadas multi-atributo para la predicción de propiedades petrofísicas. Campo Oritupano”. Tesis de grado, Universidad Simón Bolívar, Venezuela. Rider, M. (1996). “The Geological Interpretation of Well Logs”. Second Edition. Gulf Publishing Company, Houston TX., U.S.A. Sheriff, R. E. (2002) “Encyclopedic Dictionary of Applied Geophysics”. Society of Exploration Geophysicists. Sinha, S., Routh, P., Anno, P. & Castagna, J. (2005) “Spectral decomposition of seismic data with continuous-wavelet transform”. Geophysics. Pag. 19-25. Schlumberger. (2013). “Petrel Geophysics course”. Petrel 2013. Schlumberger. Taner, T. (2000). “Attributes Revisited. Rock Solid Images”. Consulta realizada 20 de Agosto 2009 a través de www.rocksolidimages.com/. Rock Solid Images. Houston, Texas. Todorov, T. (2005). “Neural Networks: Theory and practice”. Hampson-Russell Software Services. 10 Págs.
104 Talukdar, S., and F. Marcano, (1994) “Petroleum systems of the Maracaibo Basin, Venezuela”, in L. Magoon and W. Dow, eds., The Petroleum System - From Source to Trap: AAPG Memoir 60, p. 463-481 Torrado, L. (2014) “Case History Application of seismic attributes and spectral decomposition for reservoir characterization of a complex fluvial system: Case study of the Carbonera Formation, Llanos foreland basin, Colombia”. Geophysics. Pág 221-230 Veeken, P., and Priezzhe, L. (2009) “Nonlinear multitrace genetic inversion applied on seismic data across the Shtokman field, offshore northern Russia”. Geophysics
