Figura 13. Flujograma metodológico

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

Procesamiento de datos

Creación de Geodatabase

Análisis espacial

- 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.

- 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.)

- 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 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

AÑO POZO WID X Y PROFUNDIDAD (ft)

PROF. VERTICAL

2015 CASTILLA NORTE 189 CN_189 922350 1051619.8 9023 7858.72 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 X Y PROFUNDIDAD (ft)

PROF. VERTICAL

2018 CASTILLA NORTE 354 CN_354 920679.21 1048794.84 8593 7261.22 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

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 Y X Espesor Espesor Acum. Manifestación de Aceite C1/C2 Wh Bh Ch

CN_189 922252.9 1050754.17 175 67 2.3 72.4 0.75 6.3 CN_201 921650.16 1050799.94 150 29 13.4 20.8 6.37 2.3 CN_238 920621.94 1048808.85 135 41 4.3 51.1 1.58 2.5 CN_240 920346.9 1049046.63 144 41 4.9 52 1.43 3.4 CN_253 921365.51 1049570.76 178 59 27.7 18 7.65 3.4 CN_255 921232.59 1049174.71 137 59 3.8 63.8 0.89 4.3 CN_264 921545.03 1049219.6 168 29 4.2 60.4 1 3.4 CN_423 922172.3 1051927.5 197 80 2.5 66.4 0.92 2.4 CN_460 922832.47 1051988.02 264 49 2.5 73.6 0.63 2.4 CN_200ST 922531.67 1051376.87 225 38 4.1 57.7 1.18 3.2 CN_256 921616.7 1049419.16 188 43 4.1 62.6 0.91 3.6 CN_459 921047.04 1050084.49 158 78 3.3 60.5 1.08 2.2 CN_462 920804.89 1048468.7 167 53 4.5 59.3 1.02 3.4 CN_426 922495.92 1050274.46 162 71 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 57 5.1 58.2 1.11 2.1 CN_217 921581.19 1051845.78 279 123 2.4 78 0.49 2 CN_425 921928.4 1049233.55 155 87 4.9 63.3 0.82 3.9 CN_432 921026.12 1050206.85 143 22 1.7 74.7 0.68 3.4 CN_234 921808.5 1050912.63 187 97 3.2 67.1 0.81 2.1 CN_235 922347.21 1050963.73 195 87 2.2 73.4 0.66 2.6 CN_237 921711.47 1052129.57 200 85 2.2 74.4 0.62 2.4 CN_306 921540.27 1048238.16 210 85 4.6 63.4 0.88 5 CN_307 921373.99 1048402.58 218 77 5.3 50.9 1.49 5.9 CN_317 921147.04 1048433.31 182 42 3.7 69.9 0.65 4.3 CN_320 920763.85 1050101.76 240 68 4 62.1 0.96 2.7 CN_325 921366.61 1046966.3 273 77 3.7 52.6 1.54 3 CN_326 921511.26 1047370.96 273 136 6 54.9 1.19 4.8 CN_328ST 922411.15 1048414.87 245 95 6 57.5 1.22 4.4 CN_330 922186.98 1049697.83 205 45 4.2 52.8 1.84 2.4 CN_333 921242.05 1049697.13 199 52 4.8 60 1.12 3.3 CN_338 920924.06 1049500.15 228 56 4.7 55.6 1.18 3.1 CN_352ST 920159.02 1048214.28 217 83 5 55.6 1.18 3.3 CN_354 920959.18 1048203.4 192 56 4.5 64.4 0.79 3.7 CN_358 920610.4 1050239.41 182 27 2.7 60.1 1.25 3.4 CN_302 920643.28 1047992.02 189 53 5.3 51.3 1.41 4.3 CN_327 921885.42 1047387.51 208 51 5.6 44.8 1.93 3.3 CN_329 922400.3 1049274.17 185 40 7.5 59.2 0.93 4.4 CN_334 920858.99 1049126.4 177 43 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 Interpretación

< 65 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 < 2 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 >0 S (autocorrelación espacial positiva) Cluster <0.05 <0 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.

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

3.6.3 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.