105221 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Análisis de relaciones cromatográficas como herramienta de caracterización del horizonte productor en campo Castilla, Colombia. Chromatographic ratio analysis as a characterization tool of the production horizon in Castilla field, Colombia. by/por

Iván Maldonado Casadiego 11825868 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Leonardo Zurita Arthos PhD

Bogotá - Colombia, Marzo 10 de 2021

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Bogotá - Colombia, Marzo 10 de 2021

DEDICATORIA A Yanet y Alejo, mi familia, el motor de todo.

A Noel, mi padre, un ejemplo de ser humano y sabiduría.

AGRADECIMIENTOS Un agradecimiento a UNIGIS y en especial a Jorge Rubiano por su guía y comentarios durante la elaboración del presente trabajo.

RESUMEN Durante la perforación de un pozo de petróleo, el control geológico de las formaciones perforadas y la evaluación inicial de su potencial productor se hace a partir del análisis de relaciones cromatográficas de hidrocarburos. Esta evaluación es responsabilidad de la compañía de mudlogging contratada para estas labores. Las relaciones cromatográficas comunes son humedad, balance y carácter que se interpretan junto con la caracterización geológica y la fluorescencia de las muestras para determinar de manera cualitativa si el yacimiento es o no productivo y si corresponde con aceite o gas. Esta comparación se realiza de manera vertical en cada pozo que se perfora para delimitar los intervalos de interés o el horizonte productor del yacimiento en el pozo perforado. El objetivo del presente estudio es determinar el comportamiento espacial de las relaciones cromatográficas dentro del horizonte productor para tratar de dar respuesta a la pregunta de investigación: ¿Cómo pueden usarse los datos de cromatografía de gases, registrados en pozos perforados, con herramientas SIG para contribuir en la evaluación y caracterización de un horizonte productor de petróleo?. Inicialmente se realiza el inventario de pozos disponibles y la revisión de los reportes de mudlogging para recolectar la información base: coordenadas, profundidad vertical del tope y de la base, datos de cromatografía y se calculan las relaciones de gases (humedad, balance, carácter, C1/C2) a partir de los datos adquiridos. La información recopilada se consolida en una geodatabase con la información relevante de cada pozo. El análisis espacial de los datos de relaciones cromatográficas se hace de acuerdo a los pasos metodológicos expuestos por Anselin (2006) para analizar un fenómeno espacial: exploración espacial, análisis de autocorrelación e interpolación. Se realizan las pruebas de autocorrelación espacial usando el índice I de Moran y el estadístico C de Geary, y finalmente se crean las superficies de interpolación para cada relación con el método IDW y Kriging ordinario. A partir de los resultados de la investigación se identificó el comportamiento de las relaciones cromatográficas dentro del horizonte productor y la posible variación de la densidad potencial de petróleo en el área de estudio. La formación productora presenta mayores espesores de acumulación potencial en los sectores NO y NE, mientras que los análisis de las relaciones cromatográficas muestran un patrón este-oeste en la calidad del hidrocarburo. El potencial de petróleo más pesado y de menor densidad se encontraría en la zona oriental del área y varía en densidad hacia el oeste. Palabras clave: Mudlogging, Humedad, Balance, Carácter, Interpolación

ABSTRACT During the drilling of an oil well, the geological control of the perforated formations and the initial evaluation of their producing potential is based on the analysis of chromatographic hydrocarbon gas ratios. This evaluation is the responsibility of the contracted mudlogging company. Common chromatographic ratios wetness, balance, and character are interpreted along with the geological characterization and fluorescence on samples as qualitative indicators of productive horizons and the type of fluid (oil or gas). This analysis is performed vertically on each well to determine the intervals of interest or the producing horizon of the reservoir in the drilled well. The objective of this study is to determine the spatial behavior of the chromatographic ratios within the producing horizon to try to answer the research question: How can the gas chromatographic data, recorded in drilled wells, be used with GIS tools to contribute to the evaluation and characterization of an oil-producing horizon? The first step of the investigation consists in the inventory of available wells and the review of the mudlogging reports to collect the base information: coordinates, the vertical depth of formation top and base, chromatographic gas data and gas ratio calculations (wetness, balance, character, C1/C2) from the gas data. A geodatabase is built with all the relevant information on each well. The spatial analysis of the gas ratio data is done according to the methodological steps explained by Anselin (2006) to analyze a spatial phenomenon: spatial exploration, autocorrelation analysis, and interpolation. Spatial autocorrelation tests are performed using Moran’s index I and Geary’s statistic C, and finally, interpolation surfaces are created for each ratio with the IDW ordinary and Kriging methods. Based on the results of the research, the behavior of chromatographic ratios within the producing horizon, and the possible variation in potential oil density in the study area were identified. The oil-bearing formation has greater thickness for potential accumulation in the NO and NE sectors, while chromatographic ratio analysis shows an east-west trend in hydrocarbon quality. The heavier, lower-density potential oil would be found in the eastern part of the area and varies in density to the west. Key words: Mudlogging, Wetness, Balance, Character, Interpolation

TABLA DE CONTENIDO 1.

INTRODUCCIÓN _____________________________________________ 13 1.1

ANTECEDENTES ................................................................................ 13

1.2

OBJETIVOS Y PREGUNTA DE INVESTIGACIÒN....................... 14

1.2.1 1.2.2 1.2.3

Objetivo General_________________________________________ 14 Objetivos Específicos _____________________________________ 14 Pregunta de investigación __________________________________ 15

1.3

HIPÓTESIS............................................................................................ 15

1.4

JUSTIFICACIÓN.................................................................................. 15

1.5

ALCANCE ............................................................................................. 16

REVISIÓN DE LITERATURA __________________________________ 17 2.1

MARCO TEÓRICO .............................................................................. 17

2.1.1 Perforación de pozos de petróleo ____________________________ 17 2.1.1.1 Taladro de perforación __________________________________ 18 2.1.1.2 Mudlogging __________________________________________ 20 2.1.1.2.1 Monitoreo de operaciones ...................................................... 21 2.1.1.2.2 Monitoreo de gas .................................................................... 23 2.1.1.2.3 Evaluación de formaciones .................................................... 24 2.2

MARCO METODOLÓGICO .............................................................. 28

2.2.1 Análisis espacial _________________________________________ 29 2.2.1.1 Proceso de análisis espacial ______________________________ 30 2.2.1.2 Estadística espacial ____________________________________ 32 2.2.1.2.1 Análisis Exploratorio de Datos (ESDA) ................................ 32 2.2.1.2.2 Patrones de Puntos ................................................................. 33 2.2.1.2.3 Autocorrelación Espacial ....................................................... 33 2.2.1.2.4 Análisis de patrones espaciales .............................................. 34 2.2.1.2.5 Interpolación .......................................................................... 36 3.

METODOLOGÍA _____________________________________________ 39 3.1 3.1.1 3.1.2

ÁREA DE ESTUDIO ............................................................................ 39 Localización Geográfica ___________________________________ 39 Delimitación ____________________________________________ 41

3.2

PROCEDIMIENTO METODOLÓGICO .......................................... 43

3.3

RECOPILACIÓN DE LOS DATOS ................................................... 45

3.4

PROCESAMIENTO DE DATOS ........................................................ 46

3.4.1 3.4.2 3.5

CREACIÓN DE LA GEODATABASE............................................... 49

3.6

ANÁLISIS ESPACIAL ......................................................................... 49

3.6.1 3.6.2 3.6.3 4.

Control de calidad ________________________________________ 46 Reproceso y cálculo de variables ____________________________ 47

Análisis exploratorio de datos ______________________________ 49 Autocorrelación espacial __________________________________ 50 Interpolación ____________________________________________ 51

RESULTADOS Y DISCUSIÓN __________________________________ 52 4.1 4.1.1 4.1.2 4.1.3 4.2

RESULTADOS ...................................................................................... 52 Análisis Exploratorio _____________________________________ 52 Autocorrelación _________________________________________ 60 Interpolación ____________________________________________ 61 DISCUSIÓN DE LOS RESULTADOS ............................................... 73

4.2.1 Análisis de datos y relaciones teóricas ________________________ 74 4.2.1.1 Espesores ____________________________________________ 74 4.2.1.2 Relaciones de gases ____________________________________ 75 4.2.1.2.1 Relación C1/C2. ..................................................................... 75 4.2.1.2.2 Relación Wh ........................................................................... 75 4.2.1.2.3 Relación Bh ............................................................................ 76 4.2.1.2.4 Relación Ch. ........................................................................... 76 4.2.2 Autocorrelación espacial __________________________________ 77 4.2.3 Interpolación ____________________________________________ 77 4.2.3.1 Espesor acumulado de petróleo ___________________________ 78 4.2.3.2 Relación C1/C2 _______________________________________ 78 4.2.3.3 Relación Wh _________________________________________ 78 4.2.3.4 Relación Bh __________________________________________ 79 4.2.3.5 Relación Ch __________________________________________ 79 5.

CONCLUSIONES Y RECOMENDACIONES ______________________ 81 5.1

CONCLUSIONES ................................................................................. 81

5.2

RECOMENDACIONES ....................................................................... 82

BIBLIOGRAFÍA ______________________________________________ 84

GLOSARIO Bh: relación cromatográfica de Balance BOP: Blow Out Preventers (Sistema de preventoras en un pozo) C: Estadístico C de Geary C1/C2: relación cromatográfica entre metano y etano. Ch: relación cromatográfica de Carácter ESDA: Exploratory Spatial Data Analysis GQR: Gas Quality Ratio (Calidad de las lecturas de gas) GC: Gas Chromatography (Cromatografía de gases) I: Índice de Moran IDW: Inverse Distance Weighted (distancia inversa) K: Estadístico K de Ripley LAS: Log Ascii Standard RMS: Root-Mean-Square ROP: Rate Of Penetration (tasa de penetración) RPM: Revoluciones Por Minuto SIG: Sistema de Información Geográfica SPE: Society of Petroleum Engineers (Sociedad de Ingenieros de Petróleos) SPP: Stand Pipe Pressure (presión en el sistema de circulación) Wh: relación cromatográfica de Humedad WOB: Weight On Bit (peso ejercido sobre la broca)

LISTA DE FIGURAS Figura 1. Esquema general de un taladro de perforación. _______________________ 19 Figura 2. Registro gráfico de parámetros de perforación. _______________________ 19 Figura 3. Registro de parámetros de perforación en tiempo. _____________________ 22 Figura 4. Registro de parámetros de perforación en profundidad. ________________ 22 Figura 5. Interpretación litológica basada en parámetros. ______________________ 23 Figura 6. Registro de relaciones de gases. ___________________________________ 25 Figura 7. Gasratio plot __________________________________________________ 27 Figura 8. Herramientas técnicas. __________________________________________ 31 Figura 9. Autocorrelación, (a) positiva, (b) negativa y (c) No autocorrelación. ______ 33 Figura 10. Mapa de ubicación área de estudio. ________________________________ 41 Figura 11. Columna estratigráfica generalizada llanos Orientales. ________________ 42 Figura 12. Mapa de ubicación topes K1 Inferior. _______________________________ 43 Figura 13. Flujograma metodológico ________________________________________ 44 Figura 14. Análisis exploratorio variable Espesor. _____________________________ 52 Figura 15. Análisis exploratorio variable espesor acumulado de petróleo. ___________ 53 Figura 16. Análisis exploratorio variable C1/C2._______________________________ 54 Figura 17. Análisis exploratorio variable Wh. _________________________________ 54 Figura 18. análisis exploratorio variable Bh. __________________________________ 55 Figura 19. Análisis exploratorio variable Ch. _________________________________ 55 Figura 20. Análisis exploratorio variable espesor acumulado de petróleo sin CN_201 y CN_253. ______________________________________________________ 57 Figura 21. Análisis exploratorio variable C1/C2 sin CN_201, CN_253. _____________ 57 Figura 22. Análisis exploratorio variable Wh sin CN_201, CN_253. _______________ 58 Figura 23. Análisis exploratorio variable Bh sin CN_201, CN_253. ________________ 58 Figura 24. Análisis exploratorio variable Ch sin CN_201, CN_253 ________________ 59 Figura 25. IDW y Kriging. Espesor de la formación K1. _________________________ 62 Figura 26. IDW y Kriging. Espesor acumulado de petróleo formación K1.___________ 63 Figura 27. IDW y Kriging. Relación Wh formación K1. __________________________ 64 Figura 28. IDW y Kriging. Relación Bh formación K1. __________________________ 65 Figura 29. IDW y Kriging. Relación Ch formación K1. __________________________ 66 Figura 30. IDW y Kriging. Relación C1/C2 formación K1. _______________________ 67

Figura 31. IDW y Kriging. Espesor acumulado de petróleo formación K1 sin CN_201 y CN_253. ______________________________________________________ 68 Figura 32. IDW y Kriging. Relación Wh formación K1 sin CN_201 y CN_253. _______ 69 Figura 33. IDW y Kriging. Relación Bh formación K1 sin CN_201 y CN_253. ________ 70 Figura 34. IDW y Kriging. Relación Ch formación K1 sin CN_201 y CN_253. _______ 71 Figura 35. IDW y Kriging. Relación C1/C2 formación K1 sin CN_201 y CN_253._____ 72

LISTA DE TABLAS Tabla 1. Valores numéricos de Wh y su asociación al tipo de fluido. _______________ 26 Tabla 2. Valores numéricos de Wh, Bh y su relación de acuerdo con el al tipo de fluido interpretado. ____________________________________________________ 26 Tabla 3. Lista de pozos Castilla ____________________________________________ 45 Tabla 4. Tabla resumen de relaciones de gas y espesor acumulado con manifestaciones de petróleo _____________________________________________________ 48 Tabla 5. Relación C1/C2 y tipo de hidrocarburo. ______________________________ 49 Tabla 6. Autocorrelación de acuerdo con el índice de Moran y nivel de significancia _ 50 Tabla 7. Autocorrelación de acuerdo con el estadístico C de Geary. _______________ 51 Tabla 8. Resumen estadístico de las variables analizadas. _______________________ 56 Tabla 9. Resumen estadístico de las variables analizadas sin CN_201 y CN_253. ____ 59 Tabla 10. Resultados cálculo índice de Morin formación K1 Inferior _______________ 60 Tabla 11. Resultados cálculo índice de Morin en R formación K1 Inferior sin CN_201 y CN_253. _______________________________________________________ 60 Tabla 12. Resultados cálculo estadístico C de Geary en R formación K1 Inferior. _____ 61 Tabla 13. Resultados cálculo estadístico C de Geary en R formación K1 Inferior sin CN_201 y CN_253 _______________________________________________ 61 Tabla 14. RMS para cada método de interpolación de las variables. ________________ 73 Tabla 15. RMS para cada método de interpolación de las variables sin CN_201 y CN_253. ____________________________________________________________ 73

1. INTRODUCCIÓN 1.1 ANTECEDENTES La detección de gas y los análisis de cromatografía gaseosa como herramienta de apoyo en la perforación de pozos de petróleo se encuentra documentado desde hace mucho tiempo, desde los primeros trabajos de Pixler (1946), sobre las prácticas de mudlogging como contribución a la identificación del tipo de fluido en las formaciones perforadas en pozos de petróleo y años después a través del mismo Pixler (1969), quien presentó un artículo ante la SPE (Society of Petroleum Engineers) en donde explicaba como las relaciones de metano y los componentes de hidrocarburos más pesados registrados en la cromatografía gaseosa permiten determinar el tipo de fluido presente y si el intervalo perforado tenía un potencial productor de hidrocarburo.

En la actualidad, la técnica descrita por Pixler es conocida como Relaciones de Pixler y es ampliamente aceptado que las relaciones cromatográficas permiten, además de la determinación de topes de formaciones, la identificación del tipo de fluido en el reservorio, la identificación de la gravedad del petróleo, la permeabilidad del reservorio y la presencia de agua de formación. Sobre esta base, muchos autores basan sus trabajos de investigación para determinar el potencial productor de una formación o determinar el tipo de fluido en el yacimiento (Kandel, Quagliaroli, Segalini, y Barraud, 2001; McKinney et al., 2007; Zouhir alhdad y Adi Susilo, 2012; Nacif Marai, Talal Al-Adwani, Sunil K. Singh, y Heyam Ammar, 2013; Dashti et al., 2015; de Oliveira e Melo, 2016; Samir Hashimov, 2016; Pierson, 2017); incluso, compañías de Mudlogging destinan una sección de análisis de gases en sus manuales de entrenamiento (Baker Hughes INTEQ, 1996; Hawker, 1999). Basado en el trabajo de Pixler, otros autores (Haworth, Sellens, y Whittaker, 1985) determinaron tres valores calculados a partir de la relación de los componentes de hidrocarburos comúnmente registrados en perforación denominados Humedad (Wh), Balance (Bh) y Carácter (Ch). Haciendo uso de la humedad, balance y carácter (Wh, Bh, Ch) es posible determinar las mismas zonas que los gráficos de Pixler, pero estos valores pueden ser representados de manera continua junto con los parámetros de perforación para evaluar su comportamiento en profundidad como un tren continuo. Esta técnica se aplica en cada pozo y se representa como un registro gráfico que se denomina Gasratio (Hawker, 1999).

A pesar de que se encuentra literatura que documenta el uso de las relaciones cromatográficas en pozo como se indicó en párrafos anteriores, no hay evidencia de su uso específico en la caracterización de un reservorio de manera espacial. Por lo general, después de perforado un pozo, se corren registros geofísicos especializados que determinan propiedades petrofísicas de las rocas atravesadas y que contribuyen en la construcción del modelo del yacimiento ( Valenzuela, 2011; Carmona Torres y Fernández Sánchez, 2014; Cerón López, 2017; Carrera, Ibarra, y Molina, 2018), sin embargo, no se tiene en cuenta la información inicial adquirida durante la perforación por parte de la empresa de mudlogging.

En este sentido, el presente trabajo, mediante el uso de SIG, pretende explorar el uso de los datos de relaciones cromatográficas obtenidos por parte de la empresa de mudlogging durante la perforación, más allá de su contexto individual por pozo, para entender si su distribución espacial puede contribuir a la caracterización del yacimiento en toda su extensión.

1.2 OBJETIVOS Y PREGUNTA DE INVESTIGACIÒN 1.2.1

Objetivo General

Determinar si las relaciones cromatográficas exhiben un comportamiento espacial dentro del horizonte productor de los pozos de petróleo de Campo Castilla (Colombia), Unidad K1, que pueda contribuir a su caracterización. 1.2.2

Objetivos Específicos •

Determinar las características representativas del horizonte productor a partir de los datos primarios de perforación y cromatografía de la compañía de mudlogging.

•

Analizar y comparar la distribución espacial de las relaciones cromatográficas (humedad, balance, carácter) dentro del horizonte productor en toda la extensión del yacimiento.

•

Delimitar el yacimiento a partir de los valores de las relaciones cromatográficas

•

Generar nueva información que permita evaluar el yacimiento.

1.2.3

Pregunta de investigación

¿Cómo pueden usarse los datos de cromatografía de gases, registrados en pozos perforados, con herramientas SIG para contribuir en la evaluación y caracterización de un horizonte productor de petróleo?

1.3 HIPÓTESIS Las lecturas de cromatografía obtenidas durante la perforación de un pozo de petróleo pueden contribuir al modelamiento del horizonte productor de petróleo en toda la extensión del reservorio usando herramientas SIG.

1.4 JUSTIFICACIÓN Los análisis de gases de cromatografía desde su aparición en la industria de la perforación han sido utilizados como una "herramienta" para la definición de topes de formación y la interpretación del tipo de fluido en el yacimiento, contactos aceite-agua y si la zona tiene potencial de hidrocarburos (amarrado a la interpretación geológica). Los análisis de gases se aplican al pozo perforado y se entregan resultados como un resumen de hallazgos y de evaluación de las formaciones o intervalos productores de cada pozo en particular. La información resultante no se analiza dentro de un contexto espacial, sino que se almacena como información independiente por cada pozo perforado. Los datos de perforación de pozos que las compañías de mudlogging mantienen y entregan como parte de su producto al finalizar cada pozo puede ser reprocesada para generar nueva información de análisis con el apoyo de herramientas SIG, buscando determinar el comportamiento espacial de las zonas de petróleo dentro de un campo y evaluar el yacimiento dentro del contexto geológico. De esta manera, los datos que se generan en una perforación pueden ser integrados en una base de datos por campo, para hacer la misma evaluación que se hace en un pozo, pero esta vez analizando la distribución espacial en el yacimiento. Estos datos pueden generar valor adicional al cliente y además ampliar el portafolio del servicio que la compañía de mudlogging ofrece.

1.5 ALCANCE El estudio propuesto pretende determinar si las relaciones cromatográficas exhiben un comportamiento espacial dentro del horizonte productor de petróleo de Campo Castilla, Unidad K1, utilizando herramientas SIG sobre los datos recolectados durante los años 2015 a 2018, en los cuales la compañía Petricore prestó los servicios de mudlogging.

Para el campo Castilla, Petricore cuenta con información de 39 pozos ubicados al NE del municipio de Castilla La Nueva y que abarcan un área de 16 km2.

Los resultados obtenidos de este trabajo servirán como herramienta para ayudar a los geólogos de yacimientos en la evaluación espacial del horizonte productor de petróleo, además de agregarle valor a la información primaria adquirida durante la perforación de los pozos por parte de las compañías de mudlogging.

2. REVISIÓN DE LITERATURA 2.1 MARCO TEÓRICO La perforación de un pozo es una parte del ciclo de producción del petróleo, que inicia con los diferentes métodos de prospección sísmica y geológica y continúa con la definición de sitios potenciales de perforación, que es la única manera de saber si realmente existe crudo en el yacimiento. La perforación de un pozo puede considerarse como la toma directa de datos que son de utilidad para la caracterización del yacimiento de petróleo y para el diseño de su explotación.

Un pozo de petróleo es fuente de información de diferentes tipos, entre los cuales, la información de la empresa que realiza el control geológico es la que podría considerarse como primaria. La revisión bibliográfica del presente documento se concentra en los conceptos básicos para comprender el proceso de perforación, las labores de mudlogging y el análisis espacial.

Dentro de los servicios de mudlogging se encuentra el análisis de formación que permite hacer una evaluación del potencial productor de petróleo de un pozo. Para realizar la evaluación se cuenta con datos de gases de hidrocarburos registrados durante la perforación, así como de la caracterización geológica de las muestras de roca provenientes del pozo.

Los datos recopilados por la compañía de mudlogging pueden considerarse como puntuales de las formaciones perforadas, que además de tener un valor numérico de diferentes propiedades, tienen una ubicación en el espacio, lo que permite ser tratados como objetos geográficos y como tal, ser evaluados dentro de un contexto de SIG con las herramientas de análisis para un fenómeno espacial.

2.1.1

Perforación de pozos de petróleo

En los inicios de la industria, los pozos se perforaban donde se encontraban manifestaciones de petróleo en superficie con la esperanza de encontrar el yacimiento en el subsuelo y poder explotarlo (Cardy, 2015). La perforación consiste en ubicar un taladro de

perforación en superficie y avanzar a través del subsuelo para llegar al reservorio o yacimiento.

2.1.1.1 Taladro de perforación Un taladro de perforación moderno, de manera general, consiste de cinco componentes principales (Hawker y Vogt, 2001) (figura 1).

Sarta de perforación: La sarta de perforación corresponde al conjunto de tubería y broca. La tubería transmite peso y giro sobre la broca, permite avanzar en profundidad y transportar el lodo de perforación para ayudar a la broca a romper la formación.

Sistema de levantamiento: Permite mover verticalmente la sarta. Consiste en un bloque (bloque viajero) que se mueve por un sistema de poleas y que sostiene el topdrive. El topdrive a su vez, imprime el giro a la sarta de perforación.

Sistema de circulación: Corresponde con el desplazamiento de lodo de perforación desde un conjunto de bombas por una línea de presión (standpipe), pasando a través de la tubería hasta la broca, para refrescarla y ayudar en el trabajo de perforación. El lodo después de salir por la broca recoge y transporta los cortes de perforación (ripios) a superficie y pasan por un sistema de mallas (zarandas) donde son recolectados por los geólogos para su análisis e interpretación.

Sistema de preventoras (BOP): Conjunto de válvulas que se colocan en superficie y por el que pasa la tubería de perforación antes de entrar al hueco, su función es controlar cualquier inestabilidad del pozo que pueda producir un reventón “un flujo de fluidos de formación que no puede ser controlado en superficie” (Hawker, 2001, p.10).

Sistema de energía: Conjunto de generadores que proveen la energía eléctrica a todo el taladro.

Figura 1. Esquema general de un taladro de perforación.

Como la perforación es una operación controlada, los sistemas arriba descritos traen instalado un sistema de instrumentación de manera que puedan ser monitoreados desde una consola de control, en donde se puede observar de manera gráfica y numérica su comportamiento, dichos valores son referidos como parámetros de perforación (de Oliveira e Melo, 2016) (figura 2).

Figura 2. Registro gráfico de parámetros de perforación. Tomado de (Rincón, s.f.).

En los manuales de entrenamiento de las compañías de mudlogging se pueden encontrar la descripción de cada parámetro y su interpretación, así como su importancia en la perforación. A continuación, se describen algunos de mayor relevancia (Hawker y Vogt, 2001).

ROP: Rata de penetración, corresponde con la velocidad de avance de la broca cuando está cortando formación. Representa la velocidad de desplazamiento del sistema de elevación. Su unidad de medida es ft/hr o m/min. Sus variaciones se relacionan de manera directa con los cambios en el tipo litológico. RPM: Revoluciones por minuto del sistema de rotación. TORQUE: Medida del torque (en lb.ft) experimentado por la sarta de perforación cuando está rotando. SPP: presión del sistema de circulación (se mide en Psi) HOOKLOAD: medida del peso de la sarta de perforación (en Klb o toneladas) WOB: Peso sobre la broca, es una medida indirecta que se establece por diferencia del peso de la sarta antes de tocar fondo y cuando está en fondo (en Klb o toneladas).

La complejidad del proceso de perforación exige el control de las operaciones a través del monitoreo y el procesamiento de todos los datos disponibles, tanto geológicos como de perforación. Para lograr estos objetivos, durante la perforación, cada taladro está dotado de unidades de registro (mudlogging) que permiten, a través de sensores apropiados y la actividad de personal especializado, adquisición, procesamiento e interpretación de una amplia gama de información de interés tanto para el geólogo como para el ingeniero de perforación (Serintel Srl, s.f.).

2.1.1.2 Mudlogging Históricamente, la perforación se apoyó en la geología para identificar las diferentes formaciones geológicas a medida que se perforaba y poder determinar su potencial productor, este desarrollo abrió paso a lo que se conoce hoy como mudlogging. Un geólogo de mudlogging o geólogo de registro recoge los cortes de roca que salen a medida que se perfora, los lava y tamiza para eliminar el lodo de perforación y cortes de

tamaños anormales que pueden ser fragmentos desprendidos de la pared del hueco y no cortes frescos. Las muestras lavadas y preparadas se examinan bajo el microscopio para ser clasificadas litológicamente y, además, son también examinadas bajo luz ultravioleta en busca de manifestaciones de petróleo, análisis conocido como fluorescencia (Cardy, 2015).

Con el paso del tiempo y el avance en las tecnologías de perforación la actividad de mudlogging se fue haciendo más compleja, y pasó de solo describir y caracterizar las muestras de zanja al análisis de formaciones, monitoreo de gas y parámetros de perforación.

Hoy día, el servicio de mudlogging es un servicio contratado durante las actividades de perforación de un pozo de petróleo para el monitoreo de las operaciones, monitoreo de gases, y el análisis de las muestras de zanja provenientes del fondo, realizar su interpretación litológica y hacer la evaluación de hidrocarburos (Cardy, 2015; de Oliveira e Melo, 2016).

2.1.1.2.1

Monitoreo de operaciones

La compañía de mudlogging realiza la instrumentación y monitoreo de los parámetros de perforación del taladro, incluyendo también las lecturas de gases detectados durante la perforación. Todos los parámetros se almacenan normalmente cada 10 – 15 segundos para la escala de tiempo y cada 1 pie o 1 metro para la escala de profundidad en una base de datos, de manera que puede ser consultada en cualquier momento. Los valores almacenados se integran con la descripción de la muestra recuperada: porcentaje y tipo de roca y presencia de hidrocarburos. La compañía de mudlogging resume toda la información generada en registros gráficos (Figuras 3 y 4).

Figura 3. Registro de parámetros de perforación en tiempo. Tomado de Maldonado (2010)

Figura 4. Registro de parámetros de perforación en profundidad. Tomado de Maldonado (2010)

El geólogo interpreta la geología que se atraviesa a medida que se perfora a partir de los ripios de perforación analizados bajo el microscopio y la variación de los parámetros de perforación (Hawker y Vogt, 2001). Por ejemplo, cambios en el tren de ROP y de torque pueden interpretarse como cambios de litología (Figura 5).

Figura 5. Interpretación litológica basada en parámetros. Imágenes de Hawker y Vogt (2001).

Dentro del monitoreo de las operaciones se incluye la seguridad, ya que el geólogo de registro está en capacidad de detectar cualquier desviación de la normalidad que pueda ocasionar una circunstancia fuera de control (reventón) o la presencia de gases tóxicos o venenosos (Cardy, 2015).

2.1.1.2.2

Monitoreo de gas

Dentro de la instrumentación de mudlogging se cuenta con equipos para detección de gas de hidrocarburos durante la perforación. El gas registrado en superficie se incorpora al lodo de perforación y proviene de los espacios porosos de los ripios de la roca que está siendo perforada (Cardy, 2015). Desde el punto de vista de la seguridad, cambios en el comportamiento del gas pueden indicar situaciones de descontrol (reventón) y desde el punto de vista de evaluación, cambios en el comportamiento, composición y volumen pueden indicar cambios de formación o zonas de interés para la geología (Hawker, 1999).

En perforación, la detección de gas está enfocada en detección de gases venenosos (H2S), mezclas explosivas y cromatografía gaseosa, esta última usada como herramienta

en la evaluación geológica (Hawker, 1999). La cromatografía de gases, GC, es una técnica de separación de gases y mezclas de vapor en componentes identificables que pueden ser cuantificados de manera exacta ( Guiochon, y Guillemin, 1990), en el caso de perforación de petróleo y gas, los componentes principales son metano (CH4), etano (C2H6), propano (C3H8), butano (C4H10) y pentano (C5H12), normalmente indicados solo por la molécula de carbono como C1, C2, C3, C4, y C5. De la misma manera que los parámetros de perforación, cambios en el tren de gases indican cambios en el carácter litológico de la formación perforada o el reflejo de alguna de sus propiedades, como porosidad y permeabilidad.

Toda la información adquirida de parámetros de perforación y gases, junto con las descripciones geológicas se resume en registros gráficos para la evaluación de la formación y su potencial productor (Pixler, 1961). Además, permite la identificación de formaciones, intervalos productores en el pozo y la determinación de puntos para corazonamiento (Erzinger, Wiersberg, y Zimmer, 2006). El corazonamiento es la “operación de perforación en donde se recupera un cilindro de roca, núcleo o corazón, de una zona potencialmente productora para realizar ensayos de laboratorio” (Hawker y Vogt, 2001, p.66). El corazonamiento, a diferencia de los ripios de roca, es una porción intacta de la roca en subsuelo que suministra información directa de las propiedades de la roca y sus fluidos contenidos (Hawker y Vogt, 2001).

2.1.1.2.3

Evaluación de formaciones

Se entiende por evaluación de formaciones el análisis conjunto de la cromatografía de gases, la caracterización litológica, y el análisis cualitativo de la presencia de hidrocarburos en la muestra de zanja para determinar zonas con potencial productor de petróleo o gas en un pozo (Pixler, 1969).

De manera general, el geólogo a partir de la identificación visual de los muestras de roca provenientes del pozo determina zonas de interés para hidrocarburos, sobre dicho intervalo realiza el análisis de relaciones de Pixler y construye una curva de humedad, Balance y Carácter para determinar el tipo de fluido presente y posibles zonas de contacto

agua-aceite, aceite-gas, así como también identificar zonas para realizar pruebas de producción o inducir fracturamiento (Hawker, 1999) (figura 6).

Figura 6. Registro de relaciones de gases. Tomado de Maldonado (2010).

Las relaciones de gases (Wh, Bh, Ch) se calculan con las fórmulas introducidas por Haworth et al. en 1985, y que se presentan a continuación.

Relación de Humedad Los valores de la relación de humedad son directamente proporcionales a la densidad del hidrocarburo.

𝑊ℎ =

(𝐶2 + 𝐶3 + 𝐶4 + 𝐶5) 𝑥100 (𝐶1 + 𝐶2 + 𝐶3 + 𝐶4 + 𝐶5)

Donde Wh: relación de humedad

C1 a C5: Componente de hidrocarburo desde Metano a Pentano detectado en la cromatografía

La siguiente tabla muestra la interpretación de los valores numéricos

Tabla 1. Valores numéricos de Wh y su asociación al tipo de fluido.

Valor de Wh

Tipo de hidrocarburo

< 0.5

Gas seco, no productivo

0.5 – 17.5

Gas productivo

17.5 – 40.0

Aceite (la gravedad API disminuye con el aumento de Wh).

40 <

Aceite residual

Relación de Balance La relación de Balance es la comparación entre la fracción de componentes livianos (C1, C2) y la fracción de componentes pesados (C3, C4, C5) de la muestra de hidrocarburos analizado. Su interpretación se hace de manera conjunta con el Wh, y de manera gráfica.

𝐵ℎ =

(𝐶1 + 𝐶2) (𝐶3 + 𝐶4 + 𝐶5)

Donde Bh: relación de balance C1 a C5: Componente de hidrocarburo desde Metano a Pentano detectado en la cromatografía

La siguiente tabla muestra la interpretación de los valores numéricos y en la figura 7 la interpretación de Wh y Bh respecto al tipo de hidrocarburo.

Tabla 2. Valores numéricos de Wh, Bh y su relación de acuerdo con el al tipo de fluido interpretado.

Fluido y Potencial productor

> 100

Gas seco, no productivo.

< 0.5

< 100

Gas seco, ligero. Posible potencial productor.

0.5 – 17.5

Wh < Bh < 100

Gas productivo

Fluido y Potencial productor

0.5 – 17.5

< Wh

Aceite de alta gravedad, o gas húmedo o condensado. Potencial productor.

17.5 – 40.0

< Wh

Aceite productivo con potencial productor. La gravedad especifica disminuye a medida que las curvas se separan.

17.5 – 40.0

<< Wh

Aceite de baja gravedad con un potencial productor bajo

> 40.0

Aceite de muy baja gravedad o residual.

Figura 7. Gasratio plot (Hawker, 1999)

Relación de Carácter La relación de Carácter es la comparación entre los componentes de la fracción pesada y permite establecer si el fluido es un aceite de alta gravedad o es un gas muy húmedo.

𝐶ℎ =

(𝐶4 + 𝐶5) (𝐶3)

Donde Ch: relación de carácter C3 a C5: Componente de hidrocarburo desde Propano a Pentano detectado en la cromatografía

Control de Calidad A pesar de que la cromatografía es un método cuantitativo, los datos adquiridos durante la perforación pueden ser afectados por gran variedad de factores, entre ellos el diámetro del hueco perforado y las propiedades del lodo de perforación (Dashti et al., 2015). La validez de los datos se determina con la relación de calidad del gas (GQR). Si el GQR está en el rango de 0.8-1.2 los datos se consideran adecuados para el análisis (Dashti et al., 2015). A continuación, se presenta la fórmula del GQR.

𝐺𝑄𝑅 =

𝑇𝐺 (𝐶1 + 2 ∗ 𝐶2 + 3 ∗ 𝐶3 + 4 ∗ (𝑖𝐶4 + 𝑛𝐶4) + 5 ∗ (𝑖𝐶5 + 𝑛𝐶5))

2.2 MARCO METODOLÓGICO Pierson (2017) presentó un trabajo en donde introduce un algoritmo que reemplaza el criterio cualitativo de la tabla 2 anterior y asigna valores discretos para establecer el tipo de fluido del reservorio el cual define como el ID del fluido. En el artículo publicado por Pierson se muestra un mapa con la distribución del valor calculado, pero no ofrece ninguna explicación adicional, sin embargo, el enfoque de generar un identificador (ID) por el tipo de fluido resultante de la comparación Wh, Bh y Ch es útil porque resume en un valor cada caso posible de tipo de fluido y que puede manipularse de manera más eficiente que un valor continuo. De esta manera, los datos recopilados pueden seguir esta metodología de clasificación, y además de los valores continuos de cromatografía, es posible asignar un valor discreto como una categoría posible: (1) Gas seco, no productivo; (2) Gas seco, ligero. Posible potencial productor.; (3) Gas productivo; (4) Aceite de alta gravedad, o gas húmedo o condensado. Potencial productor.; (5) Aceite productivo con potencial productor.; (6) Aceite de baja gravedad con un potencial productor bajo y (7) Aceite de muy baja gravedad o residual.

Así, es posible crear una tabla de información que contenga los datos por pozo de la litología de la formación, su espesor, los datos de gases, las relaciones cromatográficas (como dato continuo, calculado y como dato discreto categorizado) y que además pueden ser representados sobre un mapa.

2.2.1

Análisis espacial

Un concepto bastante amplio y clarificador sobre análisis espacial lo presenta (Ojeda Toche y Tovar Plata, 2016):

El análisis espacial es el estudio y exploración razonada que establece las características, dinámica y comportamiento de diversos procesos en un espacio determinado; definiendo los elementos que lo conforman y la manera como éstos se relacionan, con la finalidad de poder transformar los datos en información que sirva de apoyo para la formulación de propuestas y alternativas, encaminadas a favorecer el entorno espacial estudiado proporcionando una explicación objetiva de la dinámica espacial, basándose en los datos cuantitativos y cualitativos (p.1). De acuerdo con Longley, Goodchild, Maguire, y Rhind (2005), “el análisis espacial involucra todas las transformaciones, manipulaciones y métodos que pueden ser aplicados a datos geográficos para agregarles valor, brindar soporte o revelar patrones o anomalías que no son obvias” (p.316). La aplicación de las técnicas espaciales permite entonces evidenciar la distribución de un fenómeno y estimar o predecir su comportamiento.

Buzai (2010) menciona que cuando se trabaja con SIG, Se aplican diversos métodos orientados hacia cinco conceptos: localización, distribución espacial, asociación y evolución espacial. Según Buzai, el concepto de análisis espacial depende del enfoque:

Cuando se lo enfoca desde un punto de vista temático, el Análisis Espacial constituye una serie de técnicas matemáticas y estadísticas aplicadas a los datos distribuidos sobre el espacio. Cuando se lo enfoca desde la tecnología de los Sistemas de Información Geográfica se considera su núcleo (sinónimo de su subsistema de tratamiento) ya que es el que posibilita trabajar con las relaciones

espaciales de las entidades contenidas en cada capa temática de la base de datos (p.163).

Para Anselin (2006), el análisis espacial consiste de tres componentes: Análisis Exploratorio de Datos (ESDA) que tiene que ver con la “búsqueda” de patrones, Visualización que involucra los diferentes métodos de representación de la información y el Modelamiento Espacial que resume las técnicas para explicar y predecir dichos patrones. Según Madrid Soto y Ortiz López (2005) “el análisis espacial, se centra en el estudio, de manera separada, de los componentes del espacio, definiendo sus elementos constitutivos y la manera como se comportan bajo ciertas condiciones” (p.17).

Así pues, el análisis espacial involucra el contexto geográfico y busca revelar patrones y entender las interrelaciones de los elementos espaciales para generar información que permita interpretar dichas relaciones, para lo cual se vale de distintas herramientas y técnicas de visualización y análisis.

2.2.1.1 Proceso de análisis espacial Diferentes autores bosquejan la estructura que debe seguir el investigador para obtener resultados de valor a través del análisis espacial teniendo en cuenta las consideraciones antes mencionadas.

Para Madrid Soto y Ortiz López (2005), el proceso de análisis se apoya de lo que ellos denominan herramientas técnicas (figura 8), que permiten lograr el objetivo de encontrar las respuestas a los fenómenos analizados. Una herramienta técnica es cualquier instrumento cualitativo, cuantitativo o su mezcla, que incluye procedimientos que le permiten lograr al investigador entender y explicar el fenómeno observado. Lo importante es que indiferente del cúmulo y tipo de procedimientos, es elección del investigador su selección y su aplicación para lograr su cometido.

Figura 8. Herramientas técnicas. Tomado de Madrid Soto y Ortiz López (2005).

Técnicas Cualitativas: hacen referencia a entrevistas, encuestas, etc. Son de tipo subjetivo y están enfocadas a conocer la experiencia de la gente. Técnicas Cuantitativas: hace referencia al tratamiento estadístico de los datos geográficos. Representaciones Gráficas: representación gráfica de los fenómenos como una abstracción de la realidad física. SIG: visto como herramienta que combina las técnicas cuantitativas y las representaciones gráficas.

De manera general, la mayoría de los datos que se procesan y analizan hoy en día y que tienen la componente espacial son susceptibles a recibir un tratamiento cuantitativo. Mazo (2016) habla de los procesos de análisis espacial como un “conjunto de procedimientos encadenados cuyo objetivo es elegir un método inferencial que considere la actual relación del fenómeno” (Mazo, 2016, párrafo 1). Los procedimientos abarcan métodos de análisis exploratorio y generación de mapas.

Realmente no existe una clasificación de los tipos de análisis espacial o un manual de procedimiento, ya que como lo menciona Olaya (2014): “La búsqueda de una respuesta a una pregunta formulada sobre un dato espacial puede abordarse de distintas maneras, y establecer una clasificación de éstas o de las formas de proceder en el análisis de datos espaciales es complejo” (p.233). Olaya agrupa los procedimientos en familias: Consulta espacial, Análisis Topológico, Medición, Combinación, Transformaciones, Análisis de Superficies, Estadística descriptiva, Inferencia, Toma de decisiones, y Modelización. Esta clasificación es función de la naturaleza y complejidad del dato geográfico y la intención del análisis del fenómeno. Además, estas categorías no tienen límites definidos, sino que se traslapan y combinan a través de un SIG.

Como se puede apreciar, el proceso de análisis espacial depende del dato geográfico y del enfoque del investigador en el momento de asumir un camino de análisis, sin embargo, el uso de herramientas cuantitativas a través de la estadística es de gran apoyo para entender el comportamiento del fenómeno en la medida en que la información es más compleja. En resumen, el proceso de análisis espacial se centra en la naturaleza de los datos del fenómeno geográfico, su captura y tratamiento, el uso de técnicas estadísticas, su representación e interpretación y modelamiento.

2.2.1.2 Estadística espacial De acuerdo con las ideas de Unwin (1996) y Olaya (2014), la estadística puede ser aplicada a datos espaciales, partiendo del principio de que los fenómenos observados pueden considerarse como resultado de procesos estocásticos y por consiguiente es posible determinar la presencia de patrones para su interpretación. De esta manera los conceptos y formulaciones de la estadística se aplican al análisis espacial incluyendo el componente geográfico (Geoestadística).

2.2.1.2.1

Análisis Exploratorio de Datos (ESDA)

Cuando se manejan grandes volúmenes de datos se hace difícil para el investigador revisar la información y filtrarla de manera que pueda solo tomar los datos que son relevantes y que tienen significancia para el estudio del fenómeno (O’Kelly, 1993). El análisis exploratorio de datos tiene que ver con el reconocimiento y descripción de los

datos y su representación para determinar si existen patrones significativos (O’Kelly, 1993; Unwin, 1996; Anselin, 2006; Olaya., 2014). Entendiendo patrón como la característica del ordenamiento de objetos en el espacio dado por el espaciamiento ente ellos (Unwin, 1996).

2.2.1.2.2

Patrones de Puntos

Las coordenadas de un conjunto de puntos no solo representan una información individual de cada uno de ellos, sino de igual modo para todo el conjunto a través de las relaciones entre ellas. La disposición de una serie de puntos en el espacio conforma lo que se conoce como un patrón de puntos, el cual puede aportar información muy valiosa acerca de las variables y procesos recogidos en dichos puntos (Olaya, 2014).

La distribución espacial de dicho patrón de puntos no es homogénea en la naturaleza y pueden presentar variaciones de un sector a otro (Buzai, 2010).

2.2.1.2.3

Autocorrelación Espacial

La autocorrelación es un fenómeno geográfico e indica la dependencia y asociación espacial del objeto geográfico (Murayama y Thapa, 2011). Cuando se analiza el fenómeno espacial es importante entender cómo se distribuye, la autocorrelación entonces puede verse como la medida de una variable que indica su concentración o dispersión. Cuando no existe ningún tipo de autocorrelación espacial, se tiene que los datos recogidos en una serie de puntos son independientes entre sí y no se afectan mutuamente (Olaya, 2014).

Si los objetos representados en el espacio muestran patrones homogéneos se dice que tienen autocorrelación espacial positiva, cuando son heterogéneos se considera autocorrelación espacial negativa (Murayama y Thapa, 2011). La figura 9 muestra un ejemplo de los patrones de distribución de un conjunto de datos.

Figura 9. Autocorrelación, (a) positiva, (b) negativa y (c) No autocorrelación. Tomado de Olaya (2014).

En la autocorrelación también se habla de estacionaridad y no estacionaridad (Cabrera Barona, 2016a). Cuando dentro de los datos de análisis existe una tendencia, los valores no oscilan entre un límite, sino que experimentan un cambio marcado por una tendencia se dice que son Estacionarios (Cabrera Barona, 2016a). Cuando los datos son estacionarios, sus varianzas son iguales y no dependen de la posición de éstos en el área de estudio, lo que significa que no hay tendencia espacial.

2.2.1.2.4

Análisis de patrones espaciales

Entre las medidas para evaluar la autocorrelación espacial se cuenta con el índice de Moran’s I, Estadístico C de Geary, y estadístico K de Ripley (Cabrera Barona, 2016a). Las interpretaciones de las medidas calculadas dependen de los valores de significancia.

Índice de Moran (I):

Donde n: número de observaciones o unidades espaciales x: valor de la observación x: valor de todas las medidas de las n unidades w: variable de peso, función de la distancia que describe el vecindario de las unidades espaciales.

Moran compara el valor de la variable en una ubicación con su valor en otras ubicaciones, por lo que usa su valor medio.

Un valor positivo del índice I de Moran indica autocorrelación espacial positiva (con valores positivos más altos indicando mayor autocorrelación espacial). Un valor negativo de I indica autocorrelación espacial negativa. Un valor del índice I de Moran cercano a 0 indica falta de dependencia espacial.

Estadístico C de Geary

Donde n: número de observaciones o unidades espaciales xi: valor de una observación en la ubicación i xj: valor de una observación en la ubicación j wij: variable de peso

Geary mide las desviaciones en las observaciones como desviaciones en las intensidades de cada ubicación de la observación con respecto a otra observación en otra locación (Cabrera Barona, 2016a).

Valores de C de Geary mayores que 0 y menores que 1, indican autocorrelación espacial positiva y formación de agrupaciones. Valores de muy cercanos a 1 indicarían condiciones semejantes a la aleatoriedad (con un valor de 1 indicando falta de dependencia espacial). Valores de C de Geary mayores que 1, indican autocorrelación espacial negativa y dispersión.

Estadístico K de Ripley

Donde h: radio-buffer A: es el tamaño del área de investigación n: número de observaciones dij: distancia entre observaciones en i y j Ih: indicador si dij está dentro de h wij: factor de peso

K determina si los valores de las observaciones se encuentran significativamente dispersos o formando agrupaciones considerando un rango de distancias. Puede ser considerado como un índice de no aleatoriedad para valores en diferentes escalas: un índice que evalúa la aleatoriedad de un patrón de puntos u observaciones tomando en cuenta un conjunto de distancias, desde la más pequeña, hasta la más grande dentro de un límite específico.

2.2.1.2.5

Interpolación

Debido a que muchas veces se cuenta con la información de los fenómenos observados de manera puntual, los análisis geográficos recurren a la interpolación.

La interpolación pertenece al análisis numérico dentro de las matemáticas y consiste en obtener puntos de valores partiendo de un conjunto finito de datos o puntos conocidos (Gutiérrez Robles, Olmos Gómez, Casillas González, y Flores Godoy, 2010). La interpolación es ampliamente aplicada en ciencias e ingeniería precisamente por su carácter de “predecir” información donde no es posible disponer de datos, ya sea por tiempo, por costo o por la imposibilidad de realizar mediciones. Longley et al. (2005) afirman que a menudo se debe confiar en los métodos de interpolación espacial para adivinar las condiciones que existen en lugares donde no se puede hacer observaciones. Según Fazal (2008), la interpolación es un proceso de suposiciones inteligentes que buscan determinar un valor dentro de un área donde no es posible hacer mediciones. Los métodos de interpolación parten de la primera ley de la geografía o principio de Tobbler que establece: “todas las cosas están relacionadas entre sí, pero los elementos más próximos en el espacio tienen una relación mayor que los distantes” (Longley et al., 2005, p.65).

Las mediciones de un fenómeno pueden estar en ubicaciones dispersas, ya sea por el diseño del muestreo, por los escases de datos o la imposibilidad de su adquisición. Los métodos de interpolación se dividen en métodos determinísticos y de estadísticas geográficas (Hernández García, 2017). Los métodos determinísticos de interpolación asignan valores a las ubicaciones basándose en los valores circundantes, estos incluyen IDW (ponderación de distancia inversa), Vecino natural, Tendencia y Spline (Hernández García, 2017). Los métodos de estadísticas geográficas se basan en modelos estadísticos que incluyen autocorrelación (la relación estadística entre los puntos medidos). El método de Kriging es un método de interpolación de estadísticas geográficas (Hernández García, 2017).

Interpolación IDW Es un método determinístico que determina los valores de puntos desconocidos a partir de una combinación lineal de puntos cercanos (Wu y Hung, 2016).

Se basa en la suposición de que el valor en un punto desconocido se puede aproximar como promedio ponderado de valores en puntos dentro de cierta distancia. Los pesos son generalmente inversamente proporcionales a una potencia de distancia que generalmente es 2 (Mitas y Mitasova, s. f.)

Donde Zj: valor a estimar en la ubicación j Zi: valor conocido en la ubicación i dij: distancia entre el valor a estimar y los valores conocidos h: potencia de peso

Spline Splines o curvas adaptativas conforman una familia de métodos de interpolación. Pueden ser vistos como situando una superficie elástica sobre el área a interpolar, fijándola sobre los puntos conocidos usando una función matemática (Olaya, 2014; Wu y Hung, 2016).

Kriging Kriging es una técnica de interpolación geoestadística que trabaja con los siguientes supuestos: aleatoriedad de la función, estacionariedad y que la media de la función aleatoria es conocida y constante en toda el área de estudio. En Kriging Simple se asume que las medias locales poseen un valor similar al de la media de la población estadística (Cabrera Barona, 2016b).

En su expresión fundamental, el Kriging es semejante a un método basado en ponderación por distancia (Olaya, 2014), de la forma:

Donde i: peso de cada uno de los putos considerados

Sin embargo, Kriging se apoya de funciones de variografía para estimar un vector de pesos que, multiplicado por el vector de valores de los puntos de influencia, da el valor estimado (Olaya, 2014).

la variografía mide que tan parecidos son los puntos de una variable en el espacio a medida que se encuentran más alejados. La variografía se usa para describir la variabilidad espacial de un fenómeno a través del semivariograma (Cabrera Barona, 2016b).

El semivariograma es la representación de las varianzas de valores de puntos de una muestra (valores conocidos) en función de distintas distancias que separan dichos puntos. Con el semivariograma empírico se mide la estructura espacial de una variable (Cabrera Barona, 2016b).

Donde 𝛾∗(ℎ): semivarianza para todos los puntos dentro del espacio marcado por el intervalo de distancia h. H: intervalo de distancia. 𝑛(ℎ): número de pares de puntos [𝑍(𝑥), 𝑍(𝑥+ℎ)] separados por el intervalo h. 𝑍(𝑥): valor de la variable en una posición i. 𝑍(𝑥𝑖+ℎ): valor de la variable a una distancia h desde la posición i.

3. METODOLOGÍA

El presente capitulo describe la metodología seleccionada para el desarrollo de la investigación. Como se explicó en el capítulo del marco teórico, el análisis espacial busca revelar patrones y entender las interrelaciones de elementos espaciales para generar información que permita entender e interpretar un fenómeno, para lo cual se vale de distintas herramientas y técnicas de visualización y análisis.

En general, todos los autores coinciden en que el proceso de análisis espacial depende del enfoque del investigador y se centra en la naturaleza de los datos del fenómeno geográfico, su captura y tratamiento, el uso de técnicas estadísticas, su representación e interpretación y modelamiento.

Para el presente estudio se centró el enfoque metodológico en determinar el comportamiento espacial de las relaciones cromatográficas, visualizar su distribución y analizar y comparar su comportamiento dentro del horizonte productor

En la primera sección se presenta el procedimiento metodológico, así como las etapas de desarrollo en el diagrama de flujo metodológico. Las secciones siguientes muestran la localización del área de estudio y la delimitación de acuerdo con los datos recolectados. En las secciones posteriores se muestra el tratamiento de los datos primarios, el cálculo de las relaciones de gases y la creación de las tablas de información. Finalmente, la última parte del capítulo trata sobre las etapas de análisis espacial: la exploración de los datos, pruebas de autocorrelación espacial (índice I de Moran y estadístico C de Geary) y superficies de interpolación con los métodos IDW y Kriging ordinario.

3.1 ÁREA DE ESTUDIO 3.1.1

Localización Geográfica

El área de estudio propuesto se encuentra localizada en los llanos Orientales de Colombia, en el departamento del Meta dentro de la jurisdicción del municipio de Castilla

la Nueva. La ciudad principal más cercana es Villavicencio, capital del Departamento, a 45 Km de recorrido por carretera nacional.

El departamento del Meta se encuentra en las estribaciones orientales de la cordillera oriental en lo que se conoce como el piedemonte llanero, consiste en una franja montañosa al occidente con alturas que alcanzan los 525 m.s.n.m. y una zona de planicies al oriente que predomina en casi todo el territorio, con una elevación alrededor de los 200 m.s.n.m.

La red hidrográfica corresponde con el sistema hídrico del río Orinoco que sirve de límite territorial entre Colombia y Venezuela, de esta manera, la zona es atravesada por cauces que vienen de la región montañosa y atraviesan la planicie para desembocar en el río Orinoco al oriente.

La mayor parte de la población se concentra en la zona de planicie donde se desarrollan las actividades económicas principales: producción agrícola, ganadera y la industria de los hidrocarburos. El meta es uno de los principales productores de arroz y ganado vacuno para el país.

El acceso a la zona se hace a través del sistema de carreteras nacionales desde diferentes partes del país o desde Villavicencio a donde se llega por vía aérea. La figura 10 muestra el mapa de ubicación del área.

Figura 10. Mapa de ubicación área de estudio.

3.1.2

Delimitación

La sección estratigráfica perforada en los pozos del campo está definida por la nomenclatura general establecida para la Cuenca de los Llanos orientales (Figura 11). La columna generalizada de la figura muestra la secuencia litoestratigráfica de la cuenca de

los llanos orientales en los departamentos del Meta y del Casanare y la nomenclatura de las formaciones. En el caso de Castilla Norte la campaña de perforación se realiza para incrementar la producción del campo en su objetivo primario que es la unidad K1 Inferior, la cual es la que se pretende evaluar en el presente trabajo.

Figura 11. Columna estratigráfica generalizada llanos Orientales. Tomado de Barrero, Pardo, Vargas y Martínez (2007).

Con los datos de los reportes finales se construyó una tabla información en Excel que contiene el tope de la formación y sus coordenadas. Estos datos se cargaron en ArcGis Pro como puntos para poder delimitar el área de evaluación (Figura 12).

Figura 12. Mapa de ubicación topes K1 Inferior.

3.2 PROCEDIMIENTO METODOLÓGICO Las empresas de mudlogging generan información geológica y de análisis a partir de las mediciones de gas, relaciones cromatográficas y la presencia de petróleo en las muestras recuperadas lo que permite establecer zonas de hidrocarburos con cierto potencial en un pozo de petróleo y gas. Esta información es almacenada en base de datos y en formatos ascii que se entregan al final de cada pozo.

Con la presente metodología se pretende llevar a cabo la transformación de dicha información primaria, dentro de un contexto SIG, y evaluar su utilidad para caracterizar espacialmente un horizonte productor. Para ello se debe seleccionar un conjunto de pozos en un yacimiento, sus coordenadas, el espesor de la formación productora, los intervalos con manifestaciones de petróleo y su evaluación de acuerdo con los gráficos de Pixler (metodología introducida por Pixler en 1969), y los datos de cromatografía para con ellas calcular las relaciones de gases según la formulación de Haworth et al. (1985).

Como se pretende evaluar el comportamiento espacial de las variables de relaciones de gases para determinar si existe un patrón espacial, se debe ejecutar un análisis exploratorio de datos (O’Kelly, 1993; Unwin, 1996; Anselin, 2006; Olaya., 2014) para entender el fenómeno. Al final del proceso, se construyen mapas de interpolación de las variables involucradas para determinar si el fenómeno bajo observación sigue un comportamiento espacial, en este caso, la zona de hidrocarburos del horizonte productor en el yacimiento. La figura 13 muestra el diagrama del proceso.

Recopilación de Datos

Delimitación del área de estudio

- Levantamiento e Inventario de pozos disponibles - Revisión de reportes finales y captura de datos (información digital en formato Ascii). - Registro de coordenadas, profundidad del tope de la formación, espesor.

- Representación de los pozos como puntos sobre un mapa - Delimitación del polígono que contenga los pozos. - Selección del software requerido.

Procesamiento de datos

- Control de calidad a los datos GQR - Reproceso de los datos de acuerdo con las manifestaciones de hidrocarburos en los reportes y los gráficos de Pixler - Creación tablas de gases y cálculo de relaciones (fórmulas de Haworth et al.)

Creación de Geodatabase

- Clasificación de los datos recopilados y calculados. - Construcción de base de datos (tablas de Excel y archivos de texto separados por tabuladores) - Construcción de la base de datos de pozos en ArcGIS

Análisis espacial

- Análisis exploratorio y autocorrelación - Generar superficies de interpolación (IDW, Kriging) por cada parámetro

Análisis de resultados

- Validación de los resultados - Comparación de los resultados obtenidos en cada método - Evaluación de los resultados de los diferentes métodos de interpolación.

Conclusiones Figura 13. Flujograma metodológico

3.3 RECOPILACIÓN DE LOS DATOS El estudio propuesto se basa en el uso de la información disponible de mudlogging de la empresa Petricore como única fuente de datos. Petricore prestó el servicio de control geológico durante la campaña de perforación de la empresa Colombiana de Petróleos entre el año 2015 y el año 2018 en 39 pozos en el campo Castilla (Tabla 3. Lista de pozos).

Tabla 3. Lista de pozos Castilla

2015

CASTILLA NORTE 189

CN_189

922350

1051619.8

PROFUNDIDAD (ft) 9023

2016

CASTILLA NORTE 201

CN_201

921586.322

1051318.49

10000

7316.42

2016

CASTILLA NORTE 238

CN_238

921113.72

1049006.16

8390

7109.3

2016

CASTILLA NORTE 240

CN_240

921121.21

1049013.77

8802

7525.53

2016

CASTILLA NORTE 253

CN_253

921128.71

1049020.38

8579

7675.4

2016

CASTILLA NORTE 255

CN_255

921136.21

1049027

8002

7593.7

2016

CASTILLA NORTE 264

CN_264

921156.59

1049007.68

8359

7688.43

2015

CASTILLA NORTE 423

CN_423

922349

1051629.8

8900

8233.3

2016

CASTILLA NORTE 460

CN_460

922348.24

1051639.75

8710

8055.54

2015

CASTILLA NORTE 200ST

CN_200ST

921576.61

1050316.12

9330

7711.77

2016

CASTILLA NORTE 256

CN_256

921163.84

1049013.3

8630

7354.8

2016

CASTILLA NORTE 459

CN_459

921143.43

1049032.63

8892

7246.7

2016

CASTILLA NORTE 462

CN_462

921105.95

1048999.53

8320

7538.68

2017

CASTILLA NORTE 426

CN_426

921966.53

1049531.74

9000

7945.3

2016

CASTILLA NORTE 209

CN_209

921676.33

1051123.23

8504

7974.47

2017

CASTILLA NORTE 215

CN_215

921686.11

1051125.3

8230

7610.32

2017

CASTILLA NORTE 217

CN_217

921695.88

1051127.42

9209

8220.29

2017

CASTILLA NORTE 425

CN_425

921972.18

1049523.49

8200

7772.37

2017

CASTILLA NORTE 432

CN_432

921564.41

1050472.92

8525

7726.15

2017

CASTILLA NORTE 234

CN_234

921715.44

1051131.62

8152

7857.51

2017

CASTILLA NORTE 235

CN_235

921725.22

1051133.72

8700

7989.5

2017

CASTILLA NORTE 237

CN_237

921744.77

1051137.92

9800

8371.19

2018

CASTILLA NORTE 306

CN_306

921112.54

1048176.86

8368

7394.35

2018

CASTILLA NORTE 307

CN_307

921116.19

1048186.2

8380

7348.25

2018

CASTILLA NORTE 317

CN_317

921116.84

1048195.51

8072

7312.48

2018

CASTILLA NORTE 320

CN_320

919890

1050713.83

8684

7265.91

2018

CASTILLA NORTE 325

CN_325

921188.44

1047733.03

8978

7391.39

2018

CASTILLA NORTE 326

CN_326

921192.93

1047741.94

8450

7452.76

2018

CASTILLA NORTE 328ST

CN_328ST

921901

1048802.69

8715

7619.39

2018

CASTILLA NORTE 330

CN_330

921894.73

1048821.54

9060

7863.78

2018

CASTILLA NORTE 333

CN_333

921094.68

1048989.56

8589

7718.42

2018

CASTILLA NORTE 338

CN_338

921079.67

1048096.34

8570

7653.25

2018

CASTILLA NORTE 352ST

CN_352ST

920105.65

1048147.88

8038

7171.78

AÑO

POZO

WID

PROF. VERTICAL 7858.72

2018

CASTILLA NORTE 354

CN_354

920679.21

1048794.84

PROFUNDIDAD (ft) 8593

2018

CASTILLA NORTE 358

CN_358

920372.15

1050140.86

7960

7683.42

2018

CASTILLA NORTE 302

CN_302

921108.88

1048167.55

7980

7241.12

2018

CASTILLA NORTE 327

CN_327

921197.46

1047750.88

9030

7519.39

2018

CASTILLA NORTE 329

CN_329

921898.07

1048812.11

8456

7594.5

2018

CASTILLA NORTE 334

CN_334

921087.16

1048982.95

8040

7253.92

AÑO

POZO

WID

PROF. VERTICAL 7261.22

La información disponible consultada consta de los reportes finales en donde se encuentra concentrado las generalidades de cada pozo, la información de ingeniería y la información de geología; esta última incluye la sección estratigráfica perforada, los topes de formaciones encontradas con su espesor y el registro de manifestaciones de aceite y de gases. Además de los reportes, la empresa tiene un respaldo en la forma de archivo LAS (Log Ascii Standard) que contiene la información numérica de cada pozo y que incluye el registro de gases de cromatografía.

3.4 PROCESAMIENTO DE DATOS 3.4.1

Control de calidad

Todos los datos de cromatografía se obtuvieron con el mismo método de registro y el mismo modelo de cromatógrafo de alta velocidad, MicroGC Varían CP490 marca Agilent, calibrado en base de operaciones y con chequeos periódicos durante la perforación utilizando botella de gas patrón certificado. Los registros de calibración y pruebas se mantienen con la documentación de cada pozo y se anexan como soportes en la información final entregada al cliente.

En ninguno de los pozos se cuenta con datos de Gas total para hacer el control de calidad GQR mencionado por Dashti et al. (2015), esto se debe a que actualmente las empresas operadoras no están exigiendo instalar este detector ya que se interesan solo en el cromatógrafo y desconocen su aplicación como herramienta de control de calidad de las lecturas de cromatografía.

Se debe mencionar que el control de calidad de Dashti no está enfocado en el dato numérico visto como una respuesta de un detector electrónico, sino en la calidad del dato como valor representativo de un intervalo geológico para efectos de interpretación y análisis. Dicha práctica no es común en las operaciones de perforación y la única herramienta de validación es el gas patrón.

3.4.2

Reproceso y cálculo de variables

Parte de la rutina del geólogo de mudlogging consiste en la definición de intervalos de gases en donde el tren normal aumenta y al que puede estar asociado presencia de petróleo en las muestras (manchamiento). Esta información de gases y de manchamiento de petróleo se reporta en forma de tablas para identificar el potencial de hidrocarburos de la formación. Para el caso del presente trabajo, la unidad K1 Inferior está compuesta predominantemente de arenas con algunas intercalaciones de arcillas y limolitas y no todo el intervalo perforado presenta contenidos de petróleo, por lo cual no todo el espesor se considera como productor.

De acuerdo con lo anterior, la información de los pozos se revisó para establecer las zonas con manifestaciones de petróleo reportadas y asociar los intervalos de gases significativos a los intervalos de manchamiento. Los datos numéricos de los archivos LAS se cargaron en Excel para calcular los gráficos de pixler (metodología de Pixler, 1969) y definir los intervalos dentro de K1 Inferior. Posteriormente estos intervalos se usaron para calcular las relaciones de gas (Haworth et al., 1985) y se generó una nueva tabla de información que incluye los datos calculados de las relaciones de gas y el espesor acumulado dentro de K1 que presenta manifestaciones de gas y aceite (Tabla 4).

Tabla 4. Tabla resumen de relaciones de gas y espesor acumulado con manifestaciones de petróleo WID

Espesor

CN_189

922252.9

1050754.17

175

Espesor Acum. Manifestación de Aceite 67

CN_201

921650.16

1050799.94

150

CN_238

920621.94

1048808.85

135

CN_240

920346.9

1049046.63

CN_253

921365.51

CN_255

C1/C2

2.3

72.4

0.75

6.3

13.4

20.8

6.37

2.3

4.3

51.1

1.58

2.5

144

4.9

1.43

3.4

1049570.76

178

27.7

7.65

3.4

921232.59

1049174.71

137

3.8

63.8

0.89

4.3

CN_264

921545.03

1049219.6

168

4.2

60.4

3.4

CN_423

922172.3

1051927.5

197

2.5

66.4

0.92

2.4

CN_460

922832.47

1051988.02

264

2.5

73.6

0.63

2.4

CN_200ST

922531.67

1051376.87

225

4.1

57.7

1.18

3.2

CN_256

921616.7

1049419.16

188

4.1

62.6

0.91

3.6

CN_459

921047.04

1050084.49

158

3.3

60.5

1.08

2.2

CN_462

920804.89

1048468.7

167

4.5

59.3

1.02

3.4

CN_426

922495.92

1050274.46

162

3.8

57.5

1.26

2.8

CN_209

921989.3

1051168.46

244

139

2.3

62.2

1.26

1.9

CN_215

921350.82

1051297.43

178

5.1

58.2

1.11

2.1

CN_217

921581.19

1051845.78

279

123

2.4

0.49

CN_425

921928.4

1049233.55

155

4.9

63.3

0.82

3.9

CN_432

921026.12

1050206.85

143

1.7

74.7

0.68

3.4

CN_234

921808.5

1050912.63

187

3.2

67.1

0.81

2.1

CN_235

922347.21

1050963.73

195

2.2

73.4

0.66

2.6

CN_237

921711.47

1052129.57

200

2.2

74.4

0.62

2.4

CN_306

921540.27

1048238.16

210

4.6

63.4

0.88

CN_307

921373.99

1048402.58

218

5.3

50.9

1.49

5.9

CN_317

921147.04

1048433.31

182

3.7

69.9

0.65

4.3

CN_320

920763.85

1050101.76

240

62.1

0.96

2.7

CN_325

921366.61

1046966.3

273

3.7

52.6

1.54

CN_326

921511.26

1047370.96

273

136

54.9

1.19

4.8

CN_328ST

922411.15

1048414.87

245

57.5

1.22

4.4

CN_330

922186.98

1049697.83

205

4.2

52.8

1.84

2.4

CN_333

921242.05

1049697.13

199

4.8

1.12

3.3

CN_338

920924.06

1049500.15

228

4.7

55.6

1.18

3.1

CN_352ST

920159.02

1048214.28

217

55.6

1.18

3.3

CN_354

920959.18

1048203.4

192

4.5

64.4

0.79

3.7

CN_358

920610.4

1050239.41

182

2.7

60.1

1.25

3.4

CN_302

920643.28

1047992.02

189

5.3

51.3

1.41

4.3

CN_327

921885.42

1047387.51

208

5.6

44.8

1.93

3.3

CN_329

922400.3

1049274.17

185

7.5

59.2

0.93

4.4

CN_334

920858.99

1049126.4

177

4.4

51.7

1.5

2.6

En los datos de resumen se incluye la relación C1/C2 que, de acuerdo con Pixler (1969) y Haworth et al. (1985), determinan el tipo de fluido, además de que este valor es el punto de partida de los análisis de Pixler.

Los valores de referencia para el tipo de hidrocarburo según el valor de C1/C2 se describen en la siguiente tabla (tabla 5).

Tabla 5. Relación C1/C2 y tipo de hidrocarburo. C1/C2 < 65

Interpretación Gas liviano, No-productivo

20 – 65

Gas

15 – 20

Gas condensado

8 – 15

Aceite de alta gravedad, API > 35

4–8

Aceite de gravedad media, API 15 – 35

2–4

Aceite de baja gravedad, API 10 – 15

Aceite residual, aceite pesado, No-productivo

3.5 CREACIÓN DE LA GEODATABASE Por cada pozo se construyó un archivo de Excel con el análisis de gráficos de Pixler que permitieron delimitar los intervalos con presencia de hidrocarburos a considerar en el análisis final. Todos los datos consultados y reprocesados se concentraron en Excel en donde el mismo libro contiene las tablas de información como hojas de cálculo: lista de pozos; tabla de topes y espesores; y tabla resumen de relaciones de gas con el espesor acumulado que presenta manifestaciones de petróleo (espesor acumulado de petróleo). Las hojas de Excel se exportaron como archivos de texto separado por tabuladores.

En ArcGis Pro se creó una geodatabase del proyecto en donde se cargó la información generada en los archivos de texto.

3.6 ANÁLISIS ESPACIAL 3.6.1

Análisis exploratorio de datos

Con el análisis exploratorio de datos se busca resumir y observar el comportamiento y naturaleza de los datos para tomar decisiones sobre su manejo en la

siguiente etapa. Como se mencionó antes, el investigador debe revisar la información y filtrarla de manera que pueda solo tomar los datos que son relevantes y que tienen significancia para el estudio del fenómeno (O’Kelly, 1993).

El análisis exploratorio de datos corresponde con el análisis preliminar de las variables usando análisis estadístico descriptivo. Para el caso del presente estudio se consideraron como variables de trabajo: el espesor de la formación, el espesor acumulado con presencia de aceite, y las relaciones: C1/C2, Wh, Bh y Ch.

Los archivos de texto generados, con los datos de resumen de los pozos, se cargaron en el software R y se realizó el análisis exploratorio de cada variable para obtener el resumen estadístico y evaluar su comportamiento como primer paso en el análisis de la información (Olaya., 2014). Se obtuvo el tipo de distribución de cada variable teniendo en cuenta que en una distribución normal la media y la mediana deben tener valores parecidos y el coeficiente de asimetría cercano a 0. En R se generó el resumen estadístico y los gráficos de histograma, diagrama de caja, densidad y QQ-plot para evaluar el patrón de distribución.

3.6.2

Autocorrelación espacial

Para identificar la presencia de patrones o clusters se hace uso del análisis de autocorrelación espacial sobre el conjunto de datos a través de las llamadas medidas globales de autocorrelación, siendo las más comunes el I y el estadístico C de Geary.

El I mide la autocorrelación basado en la ubicación de los valores para evaluar si la variable de los datos está agrupada, dispersa o su distribución es aleatoria. El I se interpretó (junto con el nivel de significancia) de acuerdo con la siguiente tabla. Tabla 6. Autocorrelación de acuerdo con el índice de Moran y nivel de significancia p

Moran I

Autocorrelación

Distribución

>0.05

N (No existe autocorrelación espacial)

Aleatoria

<0.05

S (autocorrelación espacial positiva)

Cluster

<0.05

S (autocorrelación espacial negativa)

Dispersa

Para obtener del índice de Moran en cada una de las variables se utilizó la matriz de pesos en función de la distancia inversa entre puntos y se utilizó el programa R para su cálculo.

Mientras que Moran I mide las desviaciones de las observaciones desde la media, el estadístico C de Geary por su lado, mide las desviaciones en las intensidades de cada ubicación con respecto a otra observación. Para su cálculo se apoyó en el programa R y se utilizó el mismo conjunto de datos que para el cálculo del índice de Moran. El índice C de Geary se interpretó de acuerdo con la siguiente tabla. Tabla 7. Autocorrelación de acuerdo con el estadístico C de Geary.

3.6.3

Geary C

Autocorrelación

Distribución

0>C>1

S (autocorrelación positiva)

Cluster

cercano o igual a 1

N (No existe autocorrelación)

Aleatoria

C>1

S (autocorrelación negativa)

Dispersa

Interpolación

Finalmente, se crearon en ArcGis Pro los mapas de interpolación de cada una de las variables utilizando los métodos Kriging ordinario y IDW. Adicionalmente, se generó el reporte de validación cruzada para cada uno de los métodos de interpolación de donde se puede obtener el RMS (Root-Mean-Square). Este valor calcula la diferencia existente entre el valor real de la variable y el valor obtenido en la interpolación, y es posible así determinar cuál de los dos métodos obtuvo menos error, es decir cual se ajusta más a la variable en observación.

4. RESULTADOS Y DISCUSIÓN El presente capítulo se divide en dos secciones, la primera presenta los resultados de aplicar las etapas de análisis espacial (Análisis exploratorio, autocorrelación espacial e interpolación) sobre el conjunto de datos de pozos disponibles para la formación K1 Inferior.

La segunda parte se hace una discusión de los resultados obtenidos en cada uno de los pasos metodológicos del análisis espacial.

4.1 RESULTADOS En esta sección se presentan los resultados del análisis exploratorio de datos, así como el cálculo del índice de Moran (I) y el estadístico C de Geary para establecer si existe autocorrelación espacial. Finalmente se construyen las superficies de interpolación de cada una de las variables utilizando los métodos Kriging ordinario y IDW.

4.1.1

Análisis Exploratorio

A continuación, se presentan los resultados del análisis exploratorio de cada una de las variables resultantes (Figuras 14 a 19) y el cuadro resumen (tabla 8) de los valores estadísticos encontrados después de procesar los datos en R.

Figura 14. Análisis exploratorio variable Espesor.

El espesor de la unidad K1 muestra un valor cercano entre la media y la mediana y un coeficiente de asimetría bajo, ligeramente a la derecha. El histograma, la curva de densidad y el diagrama de caja revelan esa misma observación mientras que el diagrama QQ plot muestra la tendencia de normalidad con algunos puntos alejándose del tren de normalidad en el rango de los valores altos.

Figura 15. Análisis exploratorio variable espesor acumulado de petróleo.

La variable de espesor acumulado de petróleo (figura 15) es similar al espesor (figura 14), con valores no muy diferentes entre la mediana, sin embargo, los valores de asimetría (0.871) son mayores mostrando un sesgo hacia la derecha que se observa en el diagrama de caja en el último cuartil. El histograma muestra la desviación en valores aislados en el rango superior y el gráfico QQ plot exhibe tres puntos alejándose de la línea de normalidad. La curva de densidad muestra una forma similar a la curva normal con algo de asimetría a la derecha.

Figura 16. Análisis exploratorio variable C1/C2.

La relación C1/C2 (figura 16) se comporta similar al espesor acumulado de petróleo, con un patrón más alejado de la normalidad. La media y la mediana se alejan y algunos valores en el rango superior están bastante separados, el coeficiente de asimetría es bastante alto (4.182) hacia la derecha, que se hace evidente en el histograma, el diagrama de caja y el gráfico QQ-plot. La gráfica de densidad se comporta similar al histograma.

Figura 17. Análisis exploratorio variable Wh.

La relación Wh (figura 17) exhibe el mismo comportamiento de la relación C1/C2, pero hacia la región de los valores bajos. Su distribución se aleja de la normalidad a pesar de tener valores entre media y mediana no muy diferentes, presenta una asimetría (-1.471)

alta hacia la izquierda. Se observan un par de puntos en los gráficos que se alejan hacia rangos extremos bajos.

Figura 18. análisis exploratorio variable Bh.

La relación Bh (figura 18) presenta valores entre la media y la mediana cercanos con un coeficiente de asimetría alto (3.608) hacia la derecha. Los gráficos de histograma, densidad, diagrama de caja y QQ-plot exhiben el mismo comportamiento alejándose de la normalidad debido a los dos valores en la región superior.

Figura 19. Análisis exploratorio variable Ch.

Finalmente, la relación Ch (figura 19) aunque presenta valores bastante cercanos entre media y mediana, su coeficiente de asimetría es relativamente alto (0.901) hacia la derecha. La observación de los gráficos muestra la existencia de dos valores que se alejan hacia la región superior.

Tabla 8. Resumen estadístico de las variables analizadas. Resultado

Espesor

Tamaño

Espesor accum 39

Mínimo

135

Media Mediana

c1c2

1.7

0.49

1.9

196.205

64.615

4.908

58.826

1.389

3.331

189

4.2

1.11

3.3

Max.

279

139

27.7

7.65

6.3

Rango

144

117

7.16

4.4

I.Q.R.

1.8

11.6

0.59

1.5

Desv. Std.

38.443

28.152

4.224

12.107

1.374

1.043

Curtosis

-0.544

0.359

19.199

3.369

12.517

0.431

Coef Asimetria

0.494

0.871

4.182

-1.471

3.608

0.901

SW p-val

0.141

0.016

0.011

La tabla 8 muestra el resumen de cada una de las variables analizadas. Todas con excepción de la variable espesor, muestran un valor del coeficiente p menor a 0.05, lo que indica que los datos no siguen una distribución normal.

Los valores alejados que se observan en las variables corresponden a los pozos CN_201 y CN_253. Amón Uribe (2010) menciona técnicas para identificar observaciones candidatas para sustitución o eliminación debido a que representan anomalías o valores atípicos que pueden conducir a interpretaciones erradas o distorsión de los estimadores estadísticos. Las herramientas o técnicas pueden ser estadísticas o simplemente el investigador procede con la eliminación manual. Para el caso del presente trabajo, estos valores son aislados y antes de hacer alguna transformación para normalizar la distribución del conjunto de datos, se creó un subconjunto nuevo eliminando dichos valores para realizar nuevamente el proceso de análisis descriptivo. Las figuras 20 a 24 muestran el resultado del procesamiento en R y la tabla 9 presenta el resumen estadístico.

Figura 20. Análisis exploratorio variable espesor acumulado de petróleo sin CN_201 y CN_253.

El comportamiento de los datos para la variable espesor acumulado de petróleo (figura 20) no cambió mucho respecto a su distribución con todos los pozos (figura 15).

Figura 21. Análisis exploratorio variable C1/C2 sin CN_201, CN_253.

Para la variable C1/C2 (figura 21) los valores de la media y la mediana están mucho más cercanos y el coeficiente de asimetría es bajo cercano a 0 (0.173). Las gráficas muestran un comportamiento más cercano a la normalidad.

Figura 22. Análisis exploratorio variable Wh sin CN_201, CN_253.

La variable Wh igual que la variable C1/C2 muestra un cambio a valores mucho más cercanos entre la media y la mediana con un menor valor de asimetría. Las gráficas histograma, diagrama de caja, densidad y QQ-plot se ajustan más al comportamiento de una distribución normal.

Figura 23. Análisis exploratorio variable Bh sin CN_201, CN_253.

La variable Bh (figura 23) muestra una diferencia entre los valores de media y mediana muy pequeña con un coeficiente de simetría bajo. Las gráficas de histograma, diagrama de caja, densidad y QQ-plot muestran un patrón como de una distribución normal.

Figura 24. Análisis exploratorio variable Ch sin CN_201, CN_253

La variable Ch (figura 24), al igual que la variable espesor acumulado de petróleo, no cambia mucho respecto a su distribución con los pozos incluidos. Los valores de media y mediana siguen siendo bastante cercanos y el coeficiente de asimetría es alto (0.865).

Tabla 9. Resumen estadístico de las variables analizadas sin CN_201 y CN_253.

Tamaño

Espesor accum 37

Mínimo

1.7

44.8

0.49

1.9

Media

65.73

4.062

60.957

1.085

3.357

Mediana

4.2

60.1

1.08

3.3

Max.

139

7.5

1.93

6.3

Rango

117

5.8

33.2

1.44

4.4

I.Q.R.

1.95

10.15

0.445

1.65

Desv. Std.

28.27

1.29

7.974

0.345

1.057

Curtosis

0.271

-0.266

-0.651

-0.394

0.312

Coef Asimetría

0.846

0.173

0.332

0.468

0.865

SW p-val

0.02

0.33

0.293

0.406

0.019

Resultado

c1c2

La tabla 9 muestra el resumen para cada variable analizada. Los valores de comparación entre mediana y media, así como el coeficiente de simetría disminuyen hacia los valores de referencia esperados para una distribución normal. El coeficiente p presenta valores mayores a 0.05 indicando que los datos siguen una distribución normal. Para el caso del espesor de petróleo y Ch los valores de p continúan estando por debajo de 0.05.

4.1.2

Autocorrelación

El cálculo del índice de Moran (I) y su interpretación para el conjunto de datos total y para el subconjunto de datos excluyendo los pozos CN_201 y CN_253 se presenta en las tablas 10 y 11.

Tabla 10. Resultados cálculo índice de Morin formación K1 Inferior Variable

I esperado

I observado

Autocorr.

Distribución

Espesor

-0.02631579

0.05202733

0.00866369

Cluster

Espesor accum petróleo

-0.02631579

0.0159488

0.1511113

Aleatorio

C1/C2

-0.02631579

-0.022157

0.8280084

Aleatorio

-0.02631579

-0.000808

0.3631495

Aleatorio

-0.02631579

-0.046362

0.3900442

Aleatorio

-0.02631579

0.1033273

1.04E-05

Cluster

Los resultados del índice de Moran (tabla 10) para todas las relaciones de gas, con excepción de Ch, indica que no hay correlación espacial y el patrón es aleatorio ya que el índice de significancia p es mayor a 0.05. Para el caso del espesor de la formación y el Ch, p es menor a 0.05 pero el índice es positivo y cercano a cero, lo que indica una autocorrelación espacial débil.

Tabla 11. Resultados cálculo índice de Morin en R formación K1 Inferior sin CN_201 y CN_253 Variable

I esperado

I observado

Autocorr.

Distribución

Espesor accum petróleo

-0. 02777778

0.0391312

0.0303645

Cluster

C1/C2

-0.02777778

0.1779905

4.07E-11

Cluster

-0.02777778

0.127735

7.10E-07

Cluster

-0.02777778

0.04398709

0.02158238

Cluster

-0.02777778

0.0924584

9.87E-05

Cluster

Para el subconjunto de datos sin los pozos CN_201 y CN_253, los resultados del índice de Moran (tabla 11) muestran un valor de p menor a 0.05 con un índice positivo y cercano a cero, lo que indica una autocorrelación espacial débil.

El estadístico C de Geary y su interpretación se muestra en las tablas 12 y 13 para todo el conjunto de datos y para el subconjunto de datos sin incluir los pozos CN_201 y CN_253.

Tabla 12. Resultados cálculo estadístico C de Geary en R formación K1 Inferior. Variable

Geary C

Autocorr.

Distribución

Espesor

0.49150525

Cluster

Espesor accum petróleo

0.9533711

Aleatorio

C1/C2

0.9884538

Aleatorio

1.03609781

Aleatorio

1.23044864

Disperso

0.82106629

Cluster

De acuerdo con el estadístico C de Geary (tabla 12), no se observa autocorrelación espacial y se considera aleatoriedad ya que los valores de C son muy cercanos a 1. El valor de Bh es mayor que 1 por lo que se interpreta como autocorrelación negativa y se interpreta como un patrón disperso. El espesor de la formación y el Ch son menores a 1, presentan autocorrelación positiva y formación de clusters.

Tabla 13. Resultados cálculo estadístico C de Geary en R formación K1 Inferior sin CN_201 y CN_253 Variable

Geary C

Autocorr.

Distribución

Espesor accum petróleo

0.9290171

Cluster

C1/C2

0.46994442

Cluster

0.65174991

Cluster

0.78583402

Cluster

0.84156473

Cluster

Para los datos de los pozos excluyendo CN_201 y CN_253, el estadístico C de Geary (tabla 13) es menor a 1 en todos los casos, lo que significa una autocorrelación positiva y formación de clusters.

4.1.3

Interpolación

Mediante las interpolaciones realizadas a cada una de las variables definidas se pretende analizar su variación dentro del área de estudio, para evidenciar si contribuyen a evaluar el comportamiento del hidrocarburo en el horizonte productor.

Las figuras 25 a 35 muestran los dos métodos de interpolación para cada una de las variables Espesor de la formación, espesor acumulado de aceite, C1/C2, Wh, Bh y Ch de

todos los pozos consultados (figuras 25 a 30) y para el subconjunto de datos excluyendo los pozos CN_201 y CN_253 (figuras 31 a 35).

Figura 25. IDW y Kriging. Espesor de la formación K1.

La figura 25 muestra los dos métodos IDW y Kriging, ambos son congruentes con la distribución del espesor en el área, en un tren NNE, con una variación del espesor en aumento desde el centro hacia afuera.

Figura 26. IDW y Kriging. Espesor acumulado de petróleo formación K1.

La figura 26 muestra un comportamiento similar que el espesor de la formación para el espesor acumulado de petróleo. Congruencia en los dos métodos para estimar el patrón de distribución, evidenciando una menor acumulación en el centro del área y mayores espesores hacia los bordes.

Figura 27. IDW y Kriging. Relación Wh formación K1.

La figura 27 muestra el resultado de la interpolación de la variable Wh, los valores de Wh no muestran un tren específico, pero si muestran una concentración de valores altos en la zona oriental del área y valores bajos en el sector oeste. el valor de Wh varia inversamente proporcional a la densidad del petróleo, de manera que la zona oriental podría corresponder con un hidrocarburo más pesado a residual.

Figura 28. IDW y Kriging. Relación Bh formación K1.

La figura 28 muestra el resultado de la interpolación de la variable Bh. Bh se comporta de manera inversa al Wh, sin embargo, ni IDW ni Kriging revelan una distribución específica. Se observan algunas zonas de variación a hidrocarburos “pesados” (de menor densidad) en el externo oriental y en parches en la zona centro-oeste.

Figura 29. IDW y Kriging. Relación Ch formación K1.

La figura 29 muestra el resultado de la interpolación de la variable Ch. IDW y Kriging son congruentes en exhibir un patrón NE en la variación de Ch desde valores bajos al oriente hacia valores altos al oeste.

Figura 30. IDW y Kriging. Relación C1/C2 formación K1.

La figura 30 muestra el resultado de la interpolación de la variable C1/C2. IDW y Kriging muestran una distribución espacial similar (aunque inversa) a la variable Wh, con una concentración de valores bajos en la zona oriental del área y valores altos en el sector oeste. De acuerdo con esto, la zona oriental podría corresponder con un hidrocarburo más pesado a residual que la zona oeste.

Figura 31. IDW y Kriging. Espesor acumulado de petróleo formación K1 sin CN_201 y CN_253.

La figura 31 muestra un comportamiento similar al de la figura 26 para el espesor acumulado de petróleo, existe congruencia en los dos métodos de interpolación para estimar el comportamiento del horizonte productor, con un adelgazamiento en el centro del área y mayores espesores hacia los bordes.

Figura 32. IDW y Kriging. Relación Wh formación K1 sin CN_201 y CN_253.

La figura 32 muestra el resultado de la interpolación de la variable Wh. Los valores de Wh muestran un tren NNE de variación desde zonas de valores altos en el oriente hacia valores bajos al oeste. La zona oriental podría corresponder con un hidrocarburo más pesado a residual.

Figura 33. IDW y Kriging. Relación Bh formación K1 sin CN_201 y CN_253.

La figura 33 muestra el resultado de la interpolación de la variable Bh. En los mapas de IDW y de Kriging se observa un tren NNE similar al de Wh de la figura 32; desde zonas de valores bajos en el oriente hacia valores altos al oeste que corresponderían con un hidrocarburo más pesado a residual desde el oriente. Sin embargo, se observa una zona de variación a hidrocarburos más pesados en la zona centro-oeste con la misma tendencia NNE.

Figura 34. IDW y Kriging. Relación Ch formación K1 sin CN_201 y CN_253.

La figura 34 muestra el mismo patrón observado en la figura 29 para Ch, IDW y Kriging congruentes en exhibir un patrón NE en la variación de Ch desde valores bajos al oriente hacia valores altos al oeste.

Figura 35. IDW y Kriging. Relación C1/C2 formación K1 sin CN_201 y CN_253.

La figura 35 muestra el resultado de la interpolación de la variable C1/C2. IDW y Kriging muestran una distribución espacial similar (aunque inversa) a la variable Wh de la figura 32. Los valores se distribuyen en un tren NNE, con valores bajos en la zona oriental del área y valores altos en el sector oeste. De acuerdo con esto, la zona oriental podría corresponder con un hidrocarburo más pesado a residual que la zona oeste.

Las tablas 14 y 15 muestran el resumen del reporte de validación cruzada de cada uno de los métodos de interpolación. En las tablas se resaltó el método con menor RMS que correspondería con el método que más se ajusta. Donde no se resalta ninguno de ellos es porque la diferencia es muy pequeña y cualquiera de los dos métodos es válido.

Tabla 14. RMS para cada método de interpolación de las variables.

Count Mean RMS

Espesor Kriging IDW 39 39 -0.28272 0.63846 35.31586 34.77166

Kriging 39 0.06630 1.40136

BH IDW 39 0.05950 1.58767

Espesor Accum Kriging IDW 39 39 0.25388 8.50735 28.00159 31.77126

Kriging 39 0.00921 0.95613

CH IDW 39 0.05324 0.95385

Kriging 39 -0.22586 11.68870

Kriging 39 0.19839 4.26288

WH IDW 39 0.14945 12.85456 C1/C2 IDW 39 0.18813 4.67692

Tabla 15. RMS para cada método de interpolación de las variables sin CN_201 y CN_253.

Count Mean RMS

Espesor Accum Kriging IDW 37 37 0.13359 0.52518 27.46852 29.28980

Kriging 37 0.03383 0.93993

CH IDW 37 0.07351 0.99470

Kriging 37 -0.01762 6.89216

WH IDW 37 0.89735 6.79153

Kriging 39 0.19839 4.26288

C1/C2 IDW 39 0.18813 4.67692

Kriging 37 -0.00713 0.33329

BH IDW 37 -0.04026 0.33449

4.2 DISCUSIÓN DE LOS RESULTADOS En esta aparte del documento se hace el análisis y discusión de los resultados obtenidos en la sección previa. Sobre los valores calculados de espesor con presencia de petróleo y relaciones de gases se realizó inicialmente el análisis exploratorio de datos para resumir y analizar el comportamiento de cada una de las variables. Posteriormente se hizo el análisis de autocorrelación con el índice de Moran (I) y el estadístico C de Geary para evaluar si las variables obedecían a algún patrón y había agrupación o dispersión o si su distribución era aleatoria. Finalmente se analizaron y compararon las superficies de interpolación resultantes con los métodos Kriging ordinario y IDW.

La zona de los llanos orientales donde se encuentran los pozos de Castilla produce petróleo de diferentes arenas, siendo las arenas de la formación K1 el objetivo principal. El grado API del crudo en K1 está entre 8 – 12°API lo que lo califica como un crudo pesado (Unión Temporal Prospección UPME, 2018).

Las teorías de Pixler (1969) y de Haworth et al. (1985) utilizan valores de referencia basados en las relaciones cromatográficas para hacer un estimado de la calidad potencial del petróleo en un yacimiento cuando se perfora un pozo.

4.2.1

Análisis de datos y relaciones teóricas

Los resultados del análisis exploratorio de las variables definidas permitieron obtener la siguiente información.

4.2.1.1 Espesores Los datos recolectados muestran que el espesor vertical de la formación K1 dentro de la zona de estudio varía entre 135 y 279 pies con un promedio de 196 pies. Respecto a sus variaciones, estas son inherentes al contexto geológico y estructural.

El espesor acumulado de petróleo se calculó como la sumatoria de los intervalos que presentan manchamiento de aceite en las muestras geológicas recolectadas y que, en las relaciones de gases y según la metodología de Pixler, exhiben un comportamiento uniforme que permite diferenciar zonas de petróleo. El espesor acumulado de petróleo indica entonces el potencial productor del espesor de la formación y sería el objetivo del análisis espacial para evaluar su comportamiento en la extensión del yacimiento. Para el caso del presente trabajo, los valores del espesor acumulado de petróleo varían entre 37 y 139 pies con un promedio de 66 pies.

El análisis del conjunto de datos muestra que el espesor vertical de la formación se presenta como una distribución normal mientras que el espesor acumulado de petróleo no sigue una distribución normal debido al valor del coeficiente p menor a 0.05. Esto no significa que se debe desechar la variable, pero debe tenerse en cuenta al momento de evaluar su comportamiento.

4.2.1.2 Relaciones de gases Las relaciones de gases se calcularon para el intervalo del espesor acumulado de petróleo de acuerdo con las fórmulas de Haworth et al. (1985) en donde los rangos de valores representan un tipo de hidrocarburo, desde gas no productivo hasta crudo pesado no productivo.

En el análisis del grupo de datos se encontraron dos valores aislados alejados de los límites y que se repetían en cada una de las variables, por lo cual se creó un subconjunto de datos sin dichos valores y obteniendo mejores resultados en los estadísticos. Los valores “anómalos” corresponden a los pozos CN_201 y CN_253, al quitar su peso en el conjunto de datos las estimaciones estadísticas muestran una distribución normal con cierta simetría, solamente la relación Ch en ambos casos obtuvo una puntuación menor a 0.05. Igual que con el espesor acumulado de petróleo, esto no significa que se debe desechar la variable, pero debe tenerse en cuenta al momento de evaluar su comportamiento.

4.2.1.2.1

Relación C1/C2.

El rango de variación de la relación C1/C2 en el conjunto de datos está entre 1.7 y 7.5 con un valor promedio de 4.0. De acuerdo con la tabla de interpretación (tabla 5) estos valores encontrados corresponden a los tres primeros intervalos de clasificación: 4 – 8 Aceite de gravedad media, API 15 – 35 2 – 4 Aceite de baja gravedad, API 10 – 15 <2

Aceite residual, aceite pesado, No-productivo

Los valores resultantes abarcan los valores esperados de clasificación del petróleo potencial de acuerdo con lo que se conoce de la zona de Castilla para la formación K1 (petróleo pesado, 8 – 12 °API).

4.2.1.2.2

Relación Wh

El rango de variación de la relación Wh está entre 45 y 78 con un valor promedio de 61. De acuerdo con la tabla de interpretación (tabla 1) todos los valores se encuentran en la zona de aceite residual (>40).

Como todo el conjunto de datos cae dentro de la misma clasificación, la relación Wh no puede ser usada como valor de interpretación del tipo de hidrocarburo dentro de una categoría, sino que debe ser vista como un indicador cualitativo de la variación en la densidad del crudo.

4.2.1.2.3

Relación Bh

El rango de variación de la relación Bh está entre 0.68 y 1.93 con un valor promedio de 1.09. Su interpretación de acuerdo con Haworth et al. se hace en conjunto con la relación Wh; sin embargo, como se evidenció anteriormente, Wh cae dentro de un intervalo único y no puede ser utilizado según la regla teórica.

Adicionalmente, no existe una clasificación que asocie el rango de valores observados en Bh (Bh << Wh) con el rango único en el que están los valores de Wh (Wh > 40). De la tabla 2 se puede inferir que Bh es inverso a Wh, y de esta manera evaluar su comportamiento dentro del rango de valores que representa asociándolo a la densidad del hidrocarburo.

4.2.1.2.4

Relación Ch.

La relación varía entre 2.23 y 6.3 con un valor promedio de 3.4. Ch se utiliza en los casos en que las relaciones Wh y Bh se encuentran cercanas al valor límite de 17.5 y no son claras en determinar el tipo de fluido (Hawker, 1999). La regla general es la siguiente:

(Ch) < 0.5

gas productivo húmedo o condensado.

(Ch) > 0.5

aceite productivo de alta gravedad.

Nuevamente, debido a los valores encontrados para Wh y Bh, la relación Ch no se puede aplicar como la determina la regla. Su interpretación queda abierta debido a que no se conoce su comportamiento de manera aislada.

4.2.2

Autocorrelación espacial

Antes de hacer la interpolación y para entender si las variables obedecen a algún patrón se realizó un análisis de autocorrelación utilizando el índice de Moran y el estadístico C de Geary. Ambos mostraron los mismos resultados (tablas 10 a 13) para el conjunto de datos con todos los pozos y para el subconjunto sin CN_201 y CN_253.

El conjunto de datos de todos los pozos no presenta autocorrelación espacial; mientras que en el subconjunto que no incluye CN_201 y CN_253, las variables muestran una autocorrelación positiva débil con formación de agrupaciones. Esto quiere decir que, si se observa algún patrón en las superficies de interpolación, esto puede ser debido al comportamiento de la variable en el espacio y puede caracterizar el fenómeno.

4.2.3

Interpolación

De acuerdo con los resultados de las etapas previas, la interpolación de las variables en el conjunto de datos completo no es confiable ya que no pasaron las pruebas del análisis exploratorio de datos ni se observa autocorrelación espacial. Al construir las superficies de interpolación para este conjunto de datos se observa que no conforman patrones claros concordantes entre uno y otro método.

Por lo anterior se consideran solo las interpolaciones del conjunto de datos sin los pozos CN_201 y CN_253 para el análisis final.

También se debe considerar cuál es el método que mejor representa a la variable, sin embargo, los resultados de la comparación del valor RMS muestra que cualquiera de los dos métodos es adecuado; solo en la relación C1/C2 y en el espesor acumulado de petróleo se presentó alguna diferencia favoreciendo a Kriging ordinario. A pesar de presentar una mejor puntuación (espesor acumulado: 27.46852 Kriging, 29.28980 IDW, C1/C2: 4.26288 Kriging, 4.67692 IDW), el patrón y variación espacial de las dos variables muestra el mismo comportamiento en ambos métodos.

Finalmente, se debe analizar las variables por separado. El espesor acumulado de petróleo determina el potencial productor ya que a mayor espesor aparente mayor volumen

de petróleo esperado. Las relaciones de gases por su parte deben ser revisadas de manera cualitativa, ya que no es posible aplicar las reglas de clasificación de acuerdo con Haworth et al. (evidenciado en el análisis de datos). Sin embargo, las relaciones si pueden aportar información acerca de la variación en la densidad del petróleo potencial y determinar zonas de mayor interés comercial.

4.2.3.1 Espesor acumulado de petróleo El espesor acumulado en la superficie de interpolación (figura 31) muestra un patrón semejante en Kriging como en IDW, con una resolución más uniforme en Kriging (valor de RMS menor y se ajusta más a la variable). La interpolación evidencia un patrón de adelgazamiento hacia la porción centro sur del área de estudio y parece ampliarse simétricamente en dirección NW y NE. La variación en espesor y su distribución puede ser el resultado de cambios faciales, es decir, variaciones en los ambientes de depositación de las arenas en un pasado geológico. Las zonas de mayor espesor y por consiguiente de más probabilidad de presentar mayores acumulaciones de petróleo se encuentran en la zona central hacia el NW y NE del área de investigación.

4.2.3.2 Relación C1/C2 La figura 35 muestra la interpolación para la variable C1/C2, ambos métodos muestran un patrón similar de variación de los valores, aumentado en dirección este-oeste desde 1.7 hasta 7.5, lo que equivaldría a acumulaciones de petróleo pesado que varía hacia petróleo de más liviano (de mayor gravedad API). Tomando en consideración el rango de valores conocidos de petróleo en la zona (8 – 12 API), se esperaría encontrar acumulaciones de petróleo de más baja densidad en la zona oriental del área y de mayor densidad en la zona oeste.

4.2.3.3 Relación Wh La relación de humedad presenta variaciones en sus valores igual que la relación C1/C2, variando en dirección este-oeste desde 78 hasta 45. En este caso, no se puede establecer una equivalencia directa con la densidad del petróleo potencial de acuerdo con los valores teóricos, sin embargo, si se puede afirmar que la densidad del petróleo potencial

varia de menor API a mayor API en el mismo sentido. Es decir, se esperaría encontrar acumulaciones de petróleo de más baja densidad API (petróleo más pesado) en la zona oriental y de mayor densidad en la zona oeste.

4.2.3.4 Relación Bh La relación de Bh exhibe un patrón de variación este-oeste y ligeramente hacia el norte, con valores que van desde 0.68 hasta 1.93. La relación de Bh es inversa a la de Wh, teniendo en cuenta las consideraciones descritas en el análisis de datos, lo que indicaría que la densidad de petróleo potencial en la zona varia de acumulaciones de mayor densidad hacia el oeste y menor densidad (crudo más pesado) hacia el oriente.

4.2.3.5 Relación Ch La relación Ch muestra un patrón de variación desde la esquina SE hacia la esquina NO en una dirección NO, desde 2.23 hasta 6.3. Aunque existe un patrón definido espacial, no es posible asociarlo al tipo de petróleo potencial ya que no cumple la regla de relaciones de gases y a que se desconoce su caracterización en función de la densidad. Esta variable debe ser desechada a falta de criterios que lo asocien con la evaluación de hidrocarburos.

En el presente estudio se realizaron las estimaciones de las relaciones de gases y los espesores, tanto de la formación, como del acumulado de manifestaciones de petróleo para establecer su comportamiento espacial y determinar si podrían ser utilizados como herramientas de análisis. De esta manera se pretendía dar respuesta a la pregunta de investigación ¿Cómo pueden usarse los datos de cromatografía de gases, registrados en pozos perforados, con herramientas SIG para contribuir en la evaluación y caracterización de un horizonte productor de petróleo?

La metodología desarrollada y los mapas de interpolación elaborados para cada variable muestran un patrón de distribución que permite determinar su variación espacial en el reservorio a partir de la información primaria de mudlogging.

Sin embargo, a pesar de que se evidenció que es posible utilizar los datos de cromatografía con herramientas SIG para caracterizar el horizonte productor de petróleo, existen algunas consideraciones que deben ser tenidas en cuenta para mejorar la técnica: •

Garantizar la calidad de los datos de cromatografía. Como se documentó en la investigación, no se contaba con los datos de gas total para hacer un control de calidad de los valores de gases registrados y solo se tomó en cuenta el uso de gas patrón para calibrar el equipo cromatografía como garantía de la integridad de los resultados del cromatógrafo.

•

En lo posible contar con datos adicionales, como calidad del petróleo de los pozos en producción, para relacionarlo a los valores de C1/C2, humedad, balance y carácter encontrados.

•

Los rangos de valores de las relaciones de gas no se ajustan a los valores teóricos de referencia, a pesar de seguir siendo válidos para establecer la variación en la calidad del hidrocarburo y de la misma manera, exhibir una distribución en el reservorio.

5. CONCLUSIONES Y RECOMENDACIONES El presente capítulo se divide en dos secciones, en la primera se presentan las conclusiones de los hallazgos de la investigación y en la segunda parte se hacen algunas recomendaciones.

5.1 CONCLUSIONES A partir de los resultados del presente trabajo fue posible identificar el comportamiento de las relaciones cromatográficas dentro del horizonte productor y asociarlas con la variación de la densidad potencial de petróleo en el área de estudio. La formación productora presenta mayores espesores de acumulación potencial en los sectores NO y NE, mientras que los análisis de las relaciones cromatográficas muestran un patrón este-oeste en la calidad del hidrocarburo. El potencial de petróleo más pesado y de menor densidad se encuentra en la zona oriental del área y varía en densidad hacia el oeste.

De acuerdo con lo anterior, es posible hacer uso de los datos de relaciones de gases obtenidos durante la perforación para caracterizar el reservorio y su comportamiento en términos de calidad del petróleo en toda la extensión del yacimiento. Esta información puede ser considerada como complementaria a los modelos geológicos petrofísicos que se construyen con información de registros eléctricos, sísmica y pruebas de laboratorio para estimar porosidad y permeabilidad. Toda la información en conjunto permite a los geólogos de yacimientos estimar las zonas de mayor interés en términos de acumulación y potencial productor de una formación. De esta manera se comprueba la hipótesis de investigación de que las lecturas de cromatografía obtenidas durante la perforación de un pozo de petróleo pueden contribuir al modelamiento del horizonte productor de petróleo en toda la extensión del reservorio usando herramientas SIG.

Aplicando los pasos metodológicos de análisis espacial: Análisis exploratorio, autocorrelación espacial e interpolación sobre los datos de cromatografía de los pozos perforados, se observó que las relaciones cromatográficas muestran un comportamiento espacial dentro del horizonte productor que permite caracterizar el yacimiento. En el caso del presente trabajo, para la formación K1 Inferior, se observa una variación espacial en la

calidad del hidrocarburo a partir de las relaciones cromatográficas, de occidente a oriente disminuyendo en densidad hacia el oriente (petróleo más pesado).

A pesar de que los valores de las relaciones de gases no se ajustan a los rangos del modelo teórico conocido de Pixler y Haworth, es posible utilizarlos de manera cualitativa para determinar su comportamiento y asociarlo con la calidad del hidrocarburo visual observado en muestras. De esta manera, los resultados obtenidos se pueden considerar como los rangos característicos del horizonte productor para el yacimiento.

Las relaciones de gases se usan de manera rutinaria basándose en los modelos originales, sin embargo, los resultados de esta investigación demostraron que los intervalos de calidad y tipo de hidrocarburo no correlacionan con la realidad. A pesar de ello, en el proceso de análisis se demostró que pueden ser analizados y comparados espacialmente para valorar la calidad del hidrocarburo en términos de densidad de petróleo. De todas las relaciones de gas, la relación de Ch a pesar de mostrar un patrón espacial no puede ser asociada con estimaciones de calidad de petróleo.

Debido a que existe una distribución espacial de las relaciones cromatográficas y su variación está asociada a la calidad del petróleo en el horizonte productor, es posible entonces delimitar el yacimiento de la formación K1 Inferior para establecer las zonas de mejor calidad de hidrocarburo basado en las relaciones cromatográficas.

Finalmente, se demuestra el uso de los datos de cromatografía más allá del contexto local en la definición de zonas potenciales en un mismo pozo, para llevarlos a un nivel espacial y determinar el comportamiento del horizonte productor y del potencial de petróleo en la extensión del yacimiento.

5.2 RECOMENDACIONES Aunque el objetivo del presente estudio se concentraba en los datos de mudlogging como fuente primaria para demostrar que es posible generar nueva información de valor, sería conveniente contar al menos con los datos de las pruebas de producción para validar los resultados finales contra valores exactos del tipo de petróleo presente en el yacimiento.

Repetir el estudio inicial partiendo de los valores conocidos de calidad del petróleo del campo, enfocado a la redefinición de las relaciones de gases para determinar nuevos intervalos y así estimar una nueva clasificación de Wh, Bh, Ch y C1/C2 que se ajuste a la realidad.

Repetir esta metodología en otros yacimientos para verificar la eficacia de sus resultados.

Implementar el uso del detector de gas total para usarlo como herramienta de control de calidad de los datos de cromatografía.

6. BIBLIOGRAFÍA

Amón Uribe, I. (2010). Guia metodológica para la selección de técnicas de depuración de datos [Tesis]. Universidad Nacional de Colombia. Anselin, L. (2006). How (Not) to Lie with Spatial Statistics. American Journal of Preventive Medicine, 30(2), S3-S6. https://doi.org/10.1016/j.amepre.2005.09.015 Baker Hughes INTEQ. (1996). Wellsite Geology, Reference Guide. (80825 Rev. B.). Baker Hughes INTEQ, Training and Development. Houston, United States of America. Barrero D., Pardo A., Vargas C., Martínez J., 2007. Colombian Sedimentary Basins. Nomenclature, Boundaries and Petroleum Geology, a New Proposal. Agencia Nacional de Hidrocarburos (ANH). Bogotá, Colombia. Buzai, G. D. (2010). Geografía y sistemas de información geográfica: Aspectos conceptuales y aplicaciones. En G.D. Buzai, Geografía y Sistemas de Información Geográfica. Aspectos conceptuales y aplicaciones. (pp. 163-195). Universidad Nacional de Luján - GESIG. Lujan, Argentina. Cabrera Barona, P. (2016a). Lección 3: Análisis de Patrones. En UNIGIS. Módulo 9. UNIGIS. Cabrera Barona, P. (2016b). Lección 5: Variografía e Interpolación. En UNIGIS. Módulo 9. UNIGIS. Cardy, N. (2015). Resolving Uncertainty: The Importance of Mud Logging. GEO ExPro : Geoscience y Technology Explained, Vol 12.(No. 15), pp 64-66. Carmona Torres D.G., y Fernández Sánchez V.I. (2014). Caracterización Integrada De Yacimientos Petroleros. Universidad Nacional Autónoma de México. Carrera, M., Ibarra, C., y Molina, A. (2018). Caracterización estática de yacimientos. Modelos geológicos. Escuela de Ingeniería y Ciencias Aplicadas, Universidad de Oriente, Venezuela. Cerón López, G. M. (2017). Modelamiento geoestadístico aplicado a la caracterización de yacimientos: Modelo basado en Celdas de Alta Resolución. Enfoque UTE, 8(4), 41. https://doi.org/10.29019/enfoqueute.v8n4.174 Dashti, J., Al-Mulla, K., Al-Kandari, E., Al-Ajmi, B., Rao, S., Al-Qattan, F., Al-Kandari, A., Al-Bedawi, Y., Al-Meshilah, T., Sabri, H., Al-Adwani, K., Estarabadi, J., Shoeibi, A., Ferroni, G., y Janbakhsh, M. (2015). Use of Mud Gas Chromatograph

for Reservoir Quality Prediction While Drilling—A Case Study. SPE Kuwait Oil and Gas Show and Conference. SPE Kuwait Oil and Gas Show and Conference, Mishref, Kuwait. https://doi.org/10.2118/175268-MS de Oliveira e Melo B.A. (2016). Formation fluid prediction through gas while drilling analysis. tesis de maestria Técnico Lisboa. Erzinger, J., Wiersberg, T., y Zimmer, M. (2006). Real-time mud gas logging and sampling during drilling. Geofluids, 0(0). https://doi.org/10.1111/j.1468-8123.2006.00152.x Fazal, S. (2008). Geographic Query and Analysis. En S. Fazal, GIS Basics (pp. 225-255). New Age International Publishers, Ltd. New Delhi, India. Guiochon, G., y Guillemin, C. L. (1990). Gas chromatography. Review of Scientific Instruments, 61(11), 3317-3339. https://doi.org/10.1063/1.1141631 Gutiérrez Robles, J. A., Olmos Gómez, M. Á., Casillas González, J. M., y Flores Godoy, J. J. (2010). Interpolación y ajuste de curvas. En J. A. Gutiérrez Robles, M. Á. Olmos Gómez, J. M. Casillas González, y J. J. Flores Godoy. Análisis numérico. (p.153). Ciudad de México, México. Hawker, D. (1999). Hydrocarbon Evaluation and Interpretation. Datalog Technology Ltd. Training Department. Calgary, Canada. Hawker, D. (2001). Well control and blowout prevention (p 10.). Datalog Technology Ltd. Training Department. Calgary, Canada. Hawker, D. y Vogt, K. (2001). Wellsite Procedures and Operations. Datalog Technology Ltd. Training Department. Calgary, Canada. Haworth, J. H., Sellens, M., y Whittaker, A. (1985). Interpretation of Hydrocarbon Shows Using Light (C1-C5) Hydrocarbon Gases from Mud-Log Data. APPG, 69(8), 13051310. Hernández García, M. A. (2017). Aplicación de SIG en la caracterización de las aguas de dos acuíferos de las comarcas de la Marina Alta-Safor. Universitat Politècnica de València. Escuela Politécnica Superior de Gandia - Escola Politècnica Superior de Gandia. Accedido el 14 de Agosto de 2019 en http://hdl.handle.net/10251/88840 Kandel, D., Quagliaroli, R., Segalini, G., y Barraud, B. (2001). Improved Integrated Reservoir Interpretation Using Gas While Drilling Data. SPE Reservoir Evaluation & Engineering, 4(06), 489-501. https://doi.org/10.2118/75307-PA Longley, P. A., Goodchild, M. F., Maguire, D. J., y Rhind, D. W. (2005). Geographical information systems and science (2nd ed). John Wiley & Sons Ltd. England.

Madrid Soto, A. G., y Ortiz López, L. M. (2005). Análisis y síntesis en cartografía: Algunos procedimientos. (1 Edición). Universidad Nacional de Colombia, Facultad de Ciencias Humanas. Bogotá, Colombia. Maldonado, I. (2010). Descripción de Mudlogging. [Presentación curso Entrenamiento]. Drilling Technology Colombia SAS (PETRICORE). Bogotá, Colombia. Mazo, N. de los Á. (2016). Técnicas y Métodos de Análisis Espacial. [Resumen de presentación]. Accedido el 3 de enero de 2020 en https://es.scribd.com/document/384697628/Tecnicas-y-Metodos-de-AnalisisEspacial-pdf McKinney, D. E., Flannery, M., Elshahawi, H., Stankiewicz, A., Clarke, E., Breviere, J., y Sharma, S. (2007). Advanced Mud Gas Logging in Combination with Wireline Formation Testing and Geochemical Fingerprinting for an Improved Understanding of Reservoir Architecture. SPE Annual Technical Conference and Exhibition. SPE Annual Technical Conference and Exhibition, Anaheim, California, U.S.A. https://doi.org/10.2118/109861-MS Mitas, L., y Mitasova, H. (s. f.). Spatial Interpolation. En P A Longley, M F Goodchild, D J Maguire, and D W Rhind. Geographical Information Systems: Principles, Techiniques, Managment and Applications. (pp. 481-492). Accedido el 15 de mayo de 2020 en https://www.geos.ed.ac.uk/~gisteac/gis_book_abridged/ Murayama, Y., y Thapa, R. B. (2011). Spatial Analysis: Evolution, Methods, and Applications. En Y. Murayama y R. B. Thapa (Eds.), Spatial Analysis and Modeling in Geographical Transformation Process (Vol. 100, pp. 1-26). Springer Netherlands. https://doi.org/10.1007/978-94-007-0671-2_1 Nacif Marai, A. A. G., Talal Al-Adwani, J. D., Sunil K. Singh, B. K., y Heyam Ammar, A. A.-N. (2013). Fluid Detection in Carbonate Reservoirs utilizing Gas Analysis-A Case Study. Online Journal for E&P Geoscientists, Article #41116. Ojeda Toche, L. y Tovar Plata, L. (2016). El análisis espacial como una herramienta para el estudio del transporte de carga urbano. Libro de Actas CIT2016. XII Congreso de Ingeniería del Transporte, 1-14. https://doi.org/10.4995/CIT2016.2016.4125 O’Kelly, M. (1993). Spatial Analysis and GIS. En S. Fotheringham, y P. Rogerson, Spatial Analysis and GIS (pp. 65-79). Taylor & Francis Ltd. Accedido el 13 de mayo de 2020 en https://www.researchgate.net/publication/263389755_Spatial_Analysis_and_GIS/ Olaya., V. (2014). Sistemas de Información Geográfica. Víctor Olaya. Accedido el 3 de enero de 2020 en https://volaya.github.io/libro-sig/

Pierson, R. M. (2017). The ELLA GRA Process—Concepts and Methods for the Prediction of Reservoir Hydrocarbon Type Using Ratios of Gas Chromatography C1-C5 Gases*. Online Journal for E&P Geoscientists, Article #42122. Pixler, B. O. (1946). Some Recent Developments in Mud-analysis Logging. Transactions of the AIME, 165(01), 268-280. https://doi.org/10.2118/946268-G Pixler, B.O. (1961). Mud Analysis Logging. Journal of Petroleum Technology, 13(04), 323-326. https://doi.org/10.2118/1630-G-PA Pixler, B.O. (1969). Formation Evaluation by Analysis of Hydrocarbon Ratios. Journal of Petroleum Technology, 21(06), 665-670. https://doi.org/10.2118/2254-PA Rincón, A. (s.f.). Mudlogging Básico [Presentación curso Entrenamiento]. Geoatlas S.A.S. Bogotá, Colombia. Samir Hashimov. (2016). Gas Ratio Analysis in Hovsan Oil Field. Journal of Geological Resource and Engineering, 4(1). https://doi.org/10.17265/2328-2193/2015.01.006 Serintel Srl. (s.f.). Drilling. Introduction to Oil & Gas Well Drilling. http://www.Oil-Gasportal.com/. Accedido el 8 de enero de 2020 en http://www.oil-gasportal.com/drilling/introduction-to-oilgas-well-drilling/ Unión Temporal Prospección UPME (2018). Evaluación de las cuencas y estructuración de escenarios de oferta de hidrocarburos convencionales y no convencionales (N.o 4). Unidad de Planeación Minero Energética UPME. Bogotá , Colombia. Accedido el 30 de julio de 2020 en http://bdigital.upme.gov.co/handle/001/1340 Unwin, D. J. (1996). GIS, spatial analysis and spatial statistics. Progress in Human Geography, 20(4), 540-551. https://doi.org/10.1177/030913259602000408 Valenzuela M., D. (2011). Aplicación de la Geoestadística a: Modelamiento de yacimientos petroleros [Trabajo investigación de Universidad]. Universidad Tecnológica de México. Accedido el 3 de enero de 2020 en https://es.slideshare.net/EduardoMera1/geoestadistica-aplicada-yacimiento-petroleo Wu, Y.-H. (Eva), y Hung, M.-C. (2016). Comparison of Spatial Interpolation Techniques Using Visualization and Quantitative Assessment. En M.-C. Hung (Ed.), Applications of Spatial Statistics. InTech. https://doi.org/10.5772/65996 Zouhir alhdad, y Adi Susilo. (2012). Formation Evaluation of well in order to find very perspective gas and oil in east of Kalimantan area by using mud logging service. International Refereed Journal of Engineering and Science (IRJES), Volume 1 (Issue 4), pp.01-07.

105221

Articles inside

Figura 30. IDW y Kriging. Relación C1/C2 formación K1

Figura 15. Análisis exploratorio variable espesor acumulado de petróleo

Figura 25. IDW y Kriging. Espesor de la formación K1

Figura 29. IDW y Kriging. Relación Ch formación K1

Figura 28. IDW y Kriging. Relación Bh formación K1

Figura 24. Análisis exploratorio variable Ch sin CN_201, CN_253

Figura 27. IDW y Kriging. Relación Wh formación K1

Figura 14. Análisis exploratorio variable Espesor

Figura 26. IDW y Kriging. Espesor acumulado de petróleo formación K1

Figura 10. Mapa de ubicación área de estudio

Figura 7. Gasratio plot

Figura 8. Herramientas técnicas

Figura 12. Mapa de ubicación topes K1 Inferior

Figura 5. Interpretación litológica basada en parámetros

Figura 11. Columna estratigráfica generalizada llanos Orientales

Figura 9. Autocorrelación, (a) positiva, (b) negativa y (c) No autocorrelación

Figura 13. Flujograma metodológico