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

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.

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

Espesor Espesor Accum WH Kriging IDW Kriging IDW Kriging IDW

Count 39 39 39 39 39 39 Mean -0.28272 0.63846 0.25388 8.50735 -0.22586 0.14945 RMS 35.31586 34.77166 28.00159 31.77126 11.68870 12.85456

BH CH C1/C2 Kriging IDW Kriging IDW Kriging IDW

Count 39 39 39 39 39 39 Mean 0.06630 0.05950 0.00921 0.05324 0.19839 0.18813 RMS 1.40136 1.58767 0.95613 0.95385 4.26288 4.67692

Espesor Accum WH BH Kriging IDW Kriging IDW Kriging IDW

Count 37 37 37 37 37 37 Mean 0.13359 0.52518 -0.01762 0.89735 -0.00713 -0.04026 RMS 27.46852 29.28980 6.89216 6.79153 0.33329 0.33449

CH C1/C2 Kriging IDW Kriging IDW

Count 37 37 39 39 Mean 0.03383 0.07351 0.19839 0.18813 RMS 0.93993 0.99470 4.26288 4.67692

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.