ModelagemGeoestatisticaCampoNamoradoBaciaCampos CostaFT PDF

Felipe Timteo da Costa
Modelagem Geoestatstica do Campo de

Namorado na Bacia de Campos
Brasil
2013
Modelagem Geoestatstica do Campo de Namorado na

Bacia de Campos
Dissertao de Mestrado apresentada ao Programa de Ps-graduao em Geologia e Geofsica Marinha, LAGEMAR, da Universidade
Federal Fluminense, como parte dos requisitos necessrios a obteno do ttulo de Mestre em Geologia e Geofsica Marinha.
Universidade Federal Fluminense

Instituto de Geocincias/LAGEMAR
Programa de Ps Graduao
Orientador: Bruno Yann Nicolas Goutorbe

Coorientador: Adalberto da Silva
Brasil
2013
Modelagem Geoestatstica do Campo de Namorado na

Bacia de Campos
Dissertao de Mestrado apresentada ao Programa de Ps-graduao em Geologia e Geofsica Marinha, LAGEMAR, da Universidade
Federal Fluminense, como parte dos requisitos necessrios a obteno do ttulo de Mestre em Geologia e Geofsica Marinha.
Trabalho aprovado. Brasil, 8 de outubro de 2013:
Bruno Yann Nicolas Goutorbe

Orientador
Adalberto da Silva
Coorientador
Prof.Dr.Cleverson Guizan Silva

Depto . de Geologia - LAGEMAR-UFF
Dr. Marcos A. Gallotti Guimares

Geonunes
Prof.Dr. Alexandre Motta Borges

Depto . de Geologia - LAGEMAR-UFF
Brasil
2013
Agradecimentos
Primeiramente, gostaria de agradecer ao meu orientador Adalberto da Silva pelos
ensinamentos, conselhos e sugestes que possibilitaram a realizao desse trabalho.
Aos meus pais, Antnio Rodrigus e Maria da Penha, pelo apoio incondicional
nessa empreitada. E toda minha famlia.
Aos meus queridos amigos, por acreditarem sempre na minha capacidade e torcerem por mim a cada instante. Especialmente os amigos Daniel Franco, Felipe Gonalves,
Thiago Capone, Thiago Barros, Wagner Gomes e Vivian Andrade.
Aos colegas na Universade Federal Fluminense: Beatriz, Denis, Fbio, Israel, Jaqueline, Jonne, Manoela, Roberto, Victor e todos aqueles que me ajudaram com seus
conselhos, dicas e sugestes.
Aos professores do LAGEMAR pelos preciosos ensinamentos. E todos aqueles

que em algum momento contriburam para a finalizao desse trabalho.
E por fim, a minha eterna namorada Gabriela Zuquim, que esteve ao meu lado
sempre me apoiando.
Muito Obrigado.
Para examinar a verdade, necessrio,

uma vez na vida, colocar todas as coisas
em dvida o mximo possvel
(Ren Descartes)
Resumo
A abordagem geoestatstica permite a quantificao da variabilidade espacial diretamente
dos dados atravs do variograma, possibilitando assim a criao de modelos de reservatrio que simulem, com bastante realismo, a heterogeneidade do sistema. A modelagem
geoestatstica proposta nesse trabalho foi aplicada ao Campo de Namorado na Bacia de
Campos. O Campo de Namorado foi formado pela coalescncia de canais e lobos turbidticos situados no topo da Formao Maca. Foram utilizados os perfis de Raios Gama,
Densidade Bulk, Porosidade Neutrnica e o parmetro DRDN dos 37 poos do Campo
de Namorado para a anlise geoestatstica atravs do software SGeMS. Os modelos variogrficos adotados possuem comportamento isotrpico em relao ao plano horizontal
apresentando anisotropia com relao direo vertical. A krigagem ordinria no forneceu um modelo de reservatrio satisfatrio pois os resultados obtidos para todas as
propriedades possuem um comportamento em blocos, no capturando dessa forma a
heterogeneidade inerente ao sistema. A simulao sequencial gaussiana foi realizada para
o parmetro DRDN, que uma varivel contnua que permite a classificao das litofcies, e para a propriedade densidade bulk, utilizada para o clculo da porosidade efetiva
nas regies onde a fcie reservatrio foi classificada pela varivel DRDN. Foram geradas 10 realizaes para cada propriedade e produzidos seus respectivos mapas E-type. A
distribuio espacial das litofcies obtida com a simulao sequencial gaussiana forneceu
geometrias de reservatrio que so coerentes com os sistemas de deposio descritos na
literatura. Por fim, os resultados da validao cruzada mostram que os modelos criados a
partir da simulao sequencial gaussiana apresentam estabilidade, dessa forma representando bem a variabilidade dos dados e garantindo a heterogeneidade esperada do modelo.
Palavras-chaves: Modelagem de Reservatrios, Geoestatstica, Krigagem Ordinria, Simulao Sequencial Gaussiana, Campo de Namorado.
Abstract
The geostatistical methods have been applied increasingly to reservoir modeling as they
allow the estimative of the spatial (or temporal) uncertainty related to natural resources.
The geostatistical approach permits to obtain the spatial variability quantification directly
from actual data using the variogram thus providing means to build reservoir models that
simulate realistically the system heterogeneities. In this work, this approach is applied to
the Namorado Field sandstone reservoir formed by the coalescence of a channel-lobe turbidite system on the top of Maca Fm in Campos Basin, Brazil. Gamma ray, bulk density,
neutron porosity and DRDN well logging data from 37 wells have been analyzed under
the geostatistical suite SGeMS and the modeled variograms have an isotropic behavior in
the horizontal directions and an anisotropic behavior to the vertical. The resulting ordinary kriging models for these four variables are blocky and do not capture the inherent
heterogeneities of the turbidite system. A total of ten realizations for DRDN a continuous variable that allows a good lithofacies classification on this reservoir and for
bulk density used to calculate the reservoir porosity and restricted to the porous facies
derived from DRDN were made applying a gaussian sequential simulation algorithm
in order to generate their respective E-type maps. The resulting spatial lithofacies distribution is coherent with the geometries for Namorado Field turbidite system described
in the literature. In addition, the analysis of cross validation scores shows the stability
of the generated models and their ability to realistically represent the variability and
heterogeneity of the natural system.
Key-words: Reservoir Modeling, Geostatistics, Ordinary Kriging, Sequential Gaussian
Simulation, Namorado Field.
Lista de ilustraes
Figura 1 Localizao da Bacia de Campos com os 41 campos de explorao petrolfera. O campo de Namorado (em rosa) foi descoberto em 1975.
(BRUHN et al., 2003) . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 2 Carta Estratigrfica da Bacia de Campos. ( Modificado de Rangel e
Martins (1998) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Figura 3 Seo Esquemtica Geolgica da Bacia de Campos, representado as
principais formaes estratigrficas da bacia (retidado de Dias et al.
(1990 apud CRUZ, 2003)). . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 4 Modelo esquemtico propondo a evoluo paleogeogrfica para a rea
do Campo de Namorado. Sequncia 0: Sistema de lobos turbidticos
confinados. Sequncia 1: Progressivo preenchimento da calha deposicional ainda mantendo um carcter fortemente confinado. Sequncia
2: Presena de uma geometria de lobos progradacionais e fcies que
correspondem ao transbordamento ou preenchimento final da depresso. Sequncia 3: Sistema ainda com caractersticas de confinamento,
porm se distribuem mais lateralmente apresentando geometrias mais
espraiadas (retirado de Barboza (2005)). . . . . . . . . . . . . . . . . . 33
Figura 5 Funo distribuio de probabilidade (REMY; BOUCHER; WU, 2009). 36
Figura 6 As componentes de um variograma, o patamar adotado como a varincia da varivel em estudo, o alcance a distncia na qual o patamar
alcanado e o efeito pepita a variabilidade em curta escala. . . . . . 39
Figura 7 Localizao dos poos utilizados no Campo de Namorado. . . . . . . . 49
R
Figura 8 Conjunto de curvas geradas pelo STRATER
para o poo NA07. . . . 51
Figura 9 Distribuio das distncia e direes entre os poos, histograma em

roscea do nmero de poos por direo e resumo estatstico relacioR
nando a direo dos poos, criados no MatLab
. Note a concentrao
de poos na direo alinhados prximos a direo de 120o , que coincide
com a orientao do paleocanal interpretado por Barboza (2005). . . . 53
Figura 10 Esquema que representa a transformao dos poos direcionais para
verticais. As coordenadas da base foram assumidas como a posio do
poo vertical corrigido. . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 11 Matriz com os grficos de disperso entre as propriedades mais relevantes. Na diagonal esto os respectivos histogramas. . . . . . . . . . . 57
Figura 12 (a)Variograma Omnidirecional, (b)Variograma Horizontal e (c) Variograma Vertical da varivel GR. Os x em vermelho representam os
valores calculados para o variograma a partir dos dados e a linha contnua representa o modelo ajustado aos dados. . . . . . . . . . . . . . 59
Figura 13 (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Variograma Vertical da varivel RHOB. Os x em vermelho representam
os valores calculados para o variograma a partir dos dados e a linha
contnua representa o modelo ajustado aos dados. . . . . . . . . . . . . 60
Figura 14 (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Variograma Vertical da varivel NPHI. Os x em vermelho representam
Figura 15 (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Variograma Vertical da varivel DRDN. Os x em vermelho representam
Figura 16 Comparao entre os histogramas dos dados (a) e histogramas estimados por KO (b) da varivel DRDN . . . . . . . . . . . . . . . . . . . . 66
Figura 17 Grid de krigagem Ordinria para a varivel GR juntamente com o grid
da varincia do erro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Figura 18 Grid de krigagem Ordinria para a varivel RHOB juntamente com o
grid da varincia do erro. . . . . . . . . . . . . . . . . . . . . . . . . . 68
Figura 19 Grid de krigagem Ordinria para a varivel NPHI juntamente com o
Figura 20 Grid de krigagem Ordinria para a varivel DRDN juntamente com o
Figura 21 Variabilidade da varincia com o aumento do nmero de realizaes em
funo do nmero de realizaes geradas por SSG. . . . . . . . . . . . . 72
Figura 22 Comparao entre os histogramas dos dados (a) e (c) e histogramas
simulados por SSG (b) e (d) para as variveis DRDN (primeira linha)
e RHOB (segunda linha) . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Figura 23 Representao do empilhamento dos grids para a gerao do mapa Etype da varivel DRDN. Na figura esto representadas apenas uma das
sees horizontais de cada grid tridimensional. A determinao do valor
de cada clula do mapa E-type foi calculado atravs da mdia das 10
realizaes equiprovveis com as mesmas coordenadas espaciais. . . . . 74
Figura 24 Representao do empilhamento dos grids para a gerao do mapa Etype da varivel RHOB. Tambm foram utilizadas 10 realizaes equiprovveis para a gerao do mapa E-type. A varivel RHOB foi utilizada
para o clculo da porosidade efetiva. . . . . . . . . . . . . . . . . . .
Figura 25 Mapa E-type da varivel DRDN (primeira coluna) e mapa E-type para
a porosidade efetiva (segunda coluna).As sees horizontais (g) e (h)
correspondem a poro inferior do grid tridimensional. A distribuio
das litofcies dessas sees sugerem um sistema deposicional de canais
confinados alinhados direo N-S, na poro inferior da seo, e um
alinhamento na direo NW-SE, na poro superior da seo. Nas sees verticais (c), (d), (e) e (f) possvel observar os diversos eventos
turbiditcos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 26 Mapa E-type da varivel DRDN (primeira coluna) e mapa E-type para
a porosidade efetiva (segunda coluna). As sees horizontais (g) e (h)
correspondem a poro superior do grid tridimensional. possvel notar a mudana da direo preferencial dos canais em relao a figura
25. A distribuio das litofcies tornam-se mais espraiadas sugerindo a
evoluo do sistema deposicional. As sees verticais (c), (d), (e) e (f)
apresentam os diversos eventos turbiditcos. . . . . . . . . . . . . . .
Figura 27 Validao Cruzada entre os valores estimados/simulados para a varivel
DRDN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
RHOB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 75
. 76
. 77
. 79
. 80
Lista de tabelas
Tabela 1 Coordenadas dos poos com topo e base do Reservatrio Namorado . . 54
Tabela 2 Resumos estatiststicos para as variveis analisadas. . . . . . . . . . . . 55
Tabela 3 Coeficiente de correlao entre as propriedades. . . . . . . . . . . . . . 56
Lista de abreviaturas e siglas

VA
Varivel Aleatria
FA
Funo Aleatria
fda
Funo distribuio acumulada
fdp
Funo densidade de probabilidade
KO
Krigagem Ordinria
SSG
Simulao Sequencial Gaussiana
SGeMS
Stanford Geostatistical Modeling Software
Lista de smbolos
Funo Variograma
Alcance
vetor lag
Varincia.
F (z)
Funo distribuio acumulada
f (z)
Funo densidade de probabilidade
Realizao de uma varivel aleatria
Varivel Aletoria
Z(u)
Funo Aleatria
Varivel Estimada
Zs
Varivel Simulada
Mdia
C(h)
Covarincia entre duas variveis aleatrias separadas pelo vetor h
C(0)
Covarincia para o vetor separao h = 0. tambm a varincia de

uma varivel aleatria.
(h)
correlograma
exp
Exponencial
Sumrio
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 Geologia Regional . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1 Bacia de Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 O Campo de Namorado . . . . . . . . . . . . . . . . . . . . . . . .
2 Geoestatstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1 Variveis e Funes Aleatrias . . . . . . . . . . . . . . . . . . . . .
2.2 Variveis Regionalizadas . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Estacionaridade da funo aleatria . . . . . . . . . . . . . . . . . .
2.4 A hiptese intrnseca e o Variograma . . . . . . . . . . . . . . . . .
2.5 A relao entre o variograma e a covarincia . . . . . . . . . . . . .
2.6 Principais caractersticas do Variograma . . . . . . . . . . . . . . .
2.7 Krigagem Ordinria . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8 Simulao Sequencial Gaussiana . . . . . . . . . . . . . . . . . . . .
3 Materiais e Mtodos . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1 Base de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 SGeMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Anlise Estatstica dos dados . . . . . . . . . . . . . . . . . . . . .
3.4 Anlise Espacial dos dados - Variograma Experimental . . . . . . .
3.5 Perfis utilizados para a modelagem de reservatrio . . . . . . . . . .
4 Resultados e Discusses . . . . . . . . . . . . . . . . . . . . . . . . .
4.1 Krigagem Ordinria dos dados . . . . . . . . . . . . . . . . . . . . .
4.2 Simulao Sequencial Guassiana . . . . . . . . . . . . . . . . . . . .
4.3 Validao Cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . .
Consideraes finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
27
27
31
35
35
36
36
37
38
39
41
45
49
49
55
55
58
63
65
65
71
74
81
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Anexos
85
R
ANEXO A Cdigo Matlab
: Validao Cruzada . . . . . . . . . . . . . . . . 87
25
Introduo
Os mtodos geoestatsticos vm sendo cada vez mais utilizados para a modelagem
de reservatrios de petrleo, complementando os mtodos convencionais ou at mesmo,
em casos extremos, substituindo-os. A vantagem dos mtodos geoestatsticos sobre os
outros mtodos que a abordagem geoestatstica capaz de capturar o comportamento
espacial diretamente dos dados atravs da anlise das funes aleatrias, estimando ou
simulando, dessa forma, a propriedade de interesse com bastante realismo.
A utilizao dos mtodos geoestatsticos possibilita a reduo de custos ao mesmo

tempo que oferece mais acurcia e preciso modelagem de reservatrio, alm de fornecer uma soluo mais gil ao problema. Sabendo que a complexidade dos fenmenos
geolgicos no pode ser adequadamente descrita por modelos fsicos determinsticos simplificados, a incerteza espacial inerente aos fenmenos naturais pode ser capturada pelas
vrias realizaes equiprovveis produzidas por uma simulao estocstica. Dessa maneira,
a modelagem geoestatstica pode fornecer resultados com relativa confiabilidade mesmo
com escassez de dados.
A metodologia abordada nesse trabalho foi aplicada ao Campo de Namorado na

Bacia de Campos utilizando apenas dados de poos com as respectivas marcaes de topo
e base do reservatrio interpretadas previamente na ssmica e nos perfis de poo. O Campo
de Namorado possui uma abundncia de estudos e os resultados obtidos nesse trabalho
podero ser comparados com os modelos de reservatrios j propostos por alguns autores.
Essa dissertao est organizada da seguinte maneira: no primeiro captulo feita

uma reviso do conhecimento geolgico da Bacia de Campos e do Campo de Namorado
apresentando suas principais caractersticas; no captulo 2 realizada uma reviso dos
principais conceitos envolvidos na teoria geoestatstica deduzindo as equaes de krigagem e simulao sequencial Gaussiana; no terceiro captulo so apresentados os dados e as
ferramentas utilizadas para a modelagem de reservatrio; no quarto captulo so apresentados os modelos de reservatrios obtidos por krigagem ordinria e simulao sequencial
Gaussiana, alm disso, so discutidos esses resultados a luz da validao cruzada; e por
fim, so expostas as consideraes finais.
27
1 Geologia Regional
1.1 Bacia de Campos
A Bacia de Campos est localizada na poro sudeste do Brasil, ao longo da costa
norte do Estado do Rio de Janeiro. Possui uma rea aproximada de 100 mil km2 , sendo
500 km2 relativos poro emersa, atingindo lminas dgua de at 3000 m (RANGEL;
MARTINS, 1998). Ao norte, a bacia parcialmente isolada da Bacia do Esprito Santo
na regio de guas rasas, pelo Alto de Vitria; em guas profundas, no existe elemento
estrutural de separao efetiva entre as Bacias de Campos e do Esprito Santo. Ao sul, a
Bacia de Campos limitada pelo Alto de Cabo Frio que a destaca da Bacia de Santos. Seu
limite oriental alcana o Plat de So Paulo enquanto seu limite ocidental estabelecido
pelos afloramentos cristalinos do embasamento no continente (Figura 1).
Figura 1 Localizao da Bacia de Campos com os 41 campos de explorao petrolfera.

O campo de Namorado (em rosa) foi descoberto em 1975. (BRUHN et al.,
2003)
Os reservatrios de guas profundas da Bacia de Campos, constitudos de turbiditos e fcies de guas profundas associadas, compreendem as mais importantes acumulaes
de petrleo do Brasil, alcanando aproximadamente 80% das reservas de leo e gs do pas.
28
Captulo 1. Geologia Regional
luz da Teoria da Tectnica de Placas, a Bacia de Campos classificada como

do tipo margem continental passiva ou do tipo Atlntico. Sua histria geolgica inicia-se
aproximadamente h 140 milhes de anos (Eo-Cretceo) estando relacionada ao rompimento do supercontinente Gondwana e evoluo do oceano Atlntico Sul.
Durante o estgio rifte, que ocorreu entre o Neocomiano at o incio do Aptiano,

as rochas foram depositadas em vrios tipos de ambientes, desde lagos rasos a profundos,
salinos ou de gua doce, incluindo deltas, plancies aluviais e leques aluviais (BARBOZA,
2005). Na fase inicial, o rifteamento esteve associado intensa atividade vulcnica que resultou na extruso de grande volume de lavas baslticas - Formao Cabinas (Figura 2).
Posteriormente, expressiva quantidade de sedimentos siliciclsticos e carbonticos (Formao Lagoa Feia) depositou-se em lagos tectonicamente controlados. A sedimentao
ocorreu em ambiente lacustre, cujo corpo dgua era salino e alcalino (DIAS et al., 1990).
Os folhelhos escuros da Formao Lagoa Feia so considerados como as principais

rochas geradoras da Bacia de Campos, havendo dois sistemas distintos: pelitos (margas
e folhelhos) lacustrinos do Neocomiano Inferior, depositados em ambientes salobro e hipersalino, e pelitos do Neocomiano Superior depositados em ambiente lacustre, salino e
alcalino. De acordo com Barboza (2005), a fase de rifte continental a mais importante
na gerao de hidrocarbonetos na Bacia de Campos.
Aps a fase rifte, ou Sequncia Continental, d-se incio a Sequncia Transicional

Evaportica. Esse estgio caracteriza a passagem de um ambiente deposicional continental
para um ambiente marinho. O intervalo de tempo desta fase inicia-se no Aptiano, e dura
at o incio do Albiano. A sedimentao nessa etapa composta por complexos leques
aluviais associados a fcies clsticas finas, carbonticas e lacustrinas, folhelhos ricos em
matria orgnica, ndulos carbonticos e estromatlitos. Essa fase marcada por uma
espessa seo de clsticos cobertos por um espesso pacote de evaporitos, com predominncia de halitas e anidritas (DIAS et al., 1990).
1.1. Bacia de Campos
29
ce_campos.pdf
Figura 2 Carta Estratigrfica da Bacia de Campos. ( Modificado de Rangel e Martins

(1998)
30
O estabelecimento de condies estritamente marinhas no proto Oceano Atlntico

Sul marca o incio da Megassequncia Marinha, que pode ser subdividida em: Sequncia
Carbontica Nertica Rasa, Sequncia Ocenica Hemipelgica e Sequncia Ocenica Progradante.
Durante o Eo/Meso Albiano, devido ao afastamento progressivo entre as placas

Sul Americana e Africana, ocorreu a implementao definitiva da fase pr-ocenica e a
instalao de ampla plataforma clstico-carbontica. A Sequncia Carbontica Nertica
Rasa corresponde poro inferior da Formao Maca. nessa fase que tem-se o primeiro registro do desenvolvimento da tectnica adiastrfica relacionada movimentao
do sal (DIAS et al., 1990).
A poro superior da Formao Maca e a poro basal da Formao Campos

englobam a Sequncia Ocenica Hemipelgica, perodo entre o Meso Albiano e Neo Paleoceno. A movimentao halocintica bastante intensa nessa fase, originando falhas de
crescimento. Ainda durante essa fase formam-se expressivos corpos arenosos turbidticos,
aparentemente de fundo plano. Estes depsitos so informalmente denominados como
Arenito Namorado. tambm durante essa fase que se estabelece a fase ocenica, com
um ambiente marinho profundo no qual a sedimentao composta principalmente por
folhelho e margas.
A Sequncia Ocenica Progradante, que dura desde o Meso Eoceno at o perodo

recente caracterizada pelos sedimentos depositados em ambiente tectonicamente pouco
ativo, com contnua subsidncia permitindo que se estabelea um espesso pacote predominantemente siliciclstico (BARBOZA, 2005). Durante o Mioceno houve a reativao da
tectnica salina provocada pelo grande acmulo de sedimentos que provocaram grandes
falhas de crescimento. Aps esse perodo, as reativaes tectnicas e as movimentaes
halocinticas tornaram-se bastante raras.
Conforme Cruz (2003), o grande volume de petrleo descoberto na Bacia de Campos est diretamente relacionado ao grande potencial de gerao de hidrocarbonetos indicado pelas rochas geradoras. Estas rochas so folhelhos depositados durante a fase rifte do
Barremiano (Formao Lagoa Feia) e os folhelhos apresentam teores de carbono orgnico
entre 4 e 9%. Grandes acumulaes esto distribudas em reservatrios de diversas idades,
incluindo arenitos lacustres da Megassequncia Continental, arenitos marinhos da Megassequncia Marinha Restrita (Sequncia Carbontica Nertica Rasa e Sequncia Ocenica
Hemipelgica) e arenitos turbidticos da Sequncia Ocenica Progradante.
1.2. O Campo de Namorado
31
Fig.4 Seo Esquemtica Geolgica da Bacia de Campos, representando as principais formaes

estratigrficas da bacia, modificado de Dias et al., (1990).
15
Figura 3 Seo Esquemtica Geolgica da Bacia de Campos, representado as principais

formaes estratigrficas da bacia (retidado de Dias et al. (1990 apud CRUZ,
2003)).
1.2 O Campo de Namorado

O Campo de Namorado, localizado na Bacia de campos, foi um dos primeiros grandes produtores de petrleo da Petrobrs. Descoberto em 1975, a cerca de 80 km do litoral
e sob uma lmina dgua de 110 a 250 m, foi o primeiro campo gigante a ser descoberto
na plataforma continental brasileira. Sua locao foi baseada em interpretao ssmica de
um alto estrutural presente no topo da Formao Maca (carbonatos de idade albiana).
Entretanto os leos do Campo de Namorado foram encontrados em arenitos turbidticos,
em profundidades entre 2940 m 3300 m (SOUZA, 1997).
Conforme Barboza, Tomazelli e Viana (2003), o reservatrio foi chamado, informalmente de Arenito Namorado e foi interpretado como tendo sido formado pela coalescncia
de canais e lobos depositados sobre uma superfcie deposicional irregular. A rea onde se
encontra o campo de leo comportava-se como um baixio onde os turbiditos foram trapeados. Como resultado da atividade estrutural relacionada ao movimento de sal no Cretceo
Superior, ocorreu uma inverso de relevo. Segundo Bacoccoli, Morales e Campos (1980)
o reservatrio um domo alongado, parcialmente falhado pelo alto estrutural, indicando
um forte controle tectnico associado ao movimento de sal na sedimentao, conferindo ao
campo uma estratigrafia complexa. Assim, a acumulao de leo no Campo de Namorado
controlada pela estratigrafia e estrutura.
32
Ainda de acordo com Bacoccoli, Morales e Campos (1980), o reservatrio do Arenito Namorado encontrado no topo da Formao Maca, imediatamente acima dos carbonatos. A Formao Maca Superior teve sua sedimentao iniciada no final do Albiano e
finalizada no Santoniano. composta por uma sequncia de sedimentos clsticos/qumicos
(conglomerados, arenitos, folhelhos, margas e diamictitos), de carter geral transgressivo.
Como limites possui na base a Formao Maca Inferior de idade albiana, composta de
sedimentao rasa e dominantemente qumica (calcirruditos, calcarenitos calcisiltitos, e
calcilutitos) e no topo o Membro Ubatuba da Formao Campos, de idade Campaniana,
composta essencialmente por folhelhos e margas de ambientes de guas profundas.
Barboza et al. (2005) prope um modelo deposicional para o Campo de Namorado,

definindo quatro sistemas turbidticos. Essas sequncias evoluem, em termos de geometria deposicional, de um sistema de canal confinado para um sistema de lobos espraiados,
caracterizando um progressivo preenchimento da calha deposicional e uma retrogradao
dos sistemas deposicionais (Figura 4).
De acordo com esse modelo h um empilhamento de leques turbidticos, onde esses

depsitos preencheram uma depresso estreita e alongada. A deposio apresenta na base
uma arquitetura de preenchimento do tipo canalizada e tende a geometria lobada para o
topo do intervalo, essa evoluo pontuada por ciclos regressivos e apresenta em termos
de evoluo uma tendncia transgressiva.
1.2. O Campo de Namorado
33
Figura 4 Modelo esquemtico propondo a evoluo paleogeogrfica para a rea do

Campo de Namorado. Sequncia 0: Sistema de lobos turbidticos confinados.
Sequncia 1: Progressivo preenchimento da calha deposicional ainda mantendo
um carcter fortemente confinado. Sequncia 2: Presena de uma geometria
de lobos progradacionais e fcies que correspondem ao transbordamento ou
preenchimento final da depresso. Sequncia 3: Sistema ainda com caractersticas de confinamento, porm se distribuem mais lateralmente apresentando
geometrias mais espraiadas (retirado de Barboza (2005)).
35
2 Geoestatstica
A Geoestatstica tem se tornado um importante conjunto de ferramentas para
soluo de problemas, em particular avaliaes das incertezas espaciais e temporais de
fenmenos fsicos relacionados com recursos naturais. Matheron (1971) define a Geoestatstica como a aplicao da teoria das variveis regionalizadas para a estimativa de
depsitos minerais. Entretanto, atualmente a Geoestatstica utilizada em diversas reas
do conhecimento como petrleo, hidrologia, meio ambiente, oceanografia e etc...
Os mtodos geoestatsticos lidam com os fenmenos distribudos e correlacionados

espacialmente permitindo a quantificao da correlao espacial e usando-a para inferir
quantidades em localizaes no amostradas.
2.1 Variveis e Funes Aleatrias

Uma varivel aleatria (VA) uma varivel na qual seus valores so gerados aleatoriamente de acordo com algum mecanismo probabilstico como, por exemplo, um lanamento de um dado ou uma moeda. As VAs so tipicamente representadas por letras
maisculas (Z), enquanto seus resultados ou realizaes so representados por letras minsculas (z). A funo distribuio acumulada (fda), retratada como um histograma acumulado, fornece a probabilidade de uma VA no exceder um dado limite z.
F (z) = P rob{Z z}
(2.1)
J a funo densidade de probabilidade, retratada como um histograma, definida

como a derivada ou a inclinao da fda nos valores em que F diferencivel.
f (z) =
dF (z)
dz
(2.2)
A chave para a interpretao probabilstica de uma varivel z a modelagem de

sua funo distribuio, fda ou fdp, da correspondente varivel aleatria Z. Note que tais
modelagens no significam necessariamente ajustar uma funo fda ou fdp: uma srie
de classes com as respectivas probabilidades um modelo vlido. Essas funes de distribuio devem levar em conta toda a informao disponvel, dessa forma, fornecendo tudo
que necessrio para quantificar a incerteza de uma realizao de uma varivel z.
36
Captulo 2. Geoestatstica
F(z)
f(z)
z
0
z mx
(a) Funo distribuio acumulada
z mn
z mx
(b) Funo densidade de probabilidade
Figura 5 Funo distribuio de probabilidade (REMY; BOUCHER; WU, 2009).
Uma funo aleatria (FA), representada por Z(u), um conjunto de VAs dependentes {Z(u), u S}, onde u o vetor posio de um campo ou rea de estudo S. Assim
como uma VA caracterizada por uma funo de distribuio, uma FA caracterizada
por sua funo distribuio multivariada (REMY; BOUCHER; WU, 2009):
P rob{Z(u) z, u S}
(2.3)
2.2 Variveis Regionalizadas

As variveis regionalizadas so constitudas por um duplo aspecto contraditrio:
pela sua caracterstica aleatria, apresenta irregularidades e variaes imprevisveis de
um ponto para outro; pela sua caracterstica estrutural, apresenta relaes existentes
entre os pontos no espao motivadas pela sua gnese. Dessa maneira uma varivel regionalizada pode ser definida como uma funo numrica com uma distribuio espacial, que
varia de um lugar para outro com continuidade aparente, mas cujas variaes no podem
ser representadas por uma funo determinstica (MATHERON, 1971).
Assim os valores de uma varivel regionalizada tendem a estar relacionados. Valores

em dois lugares prximos um do outro tendem a ser mais parecidos do que valores que
esto separados por grandes distncias. Ao mesmo tempo que esses valores respeitam uma
distribuio probabilstica (WEBSTER; OLIVER, 2007).
2.3 Estacionaridade da funo aleatria

Uma funo aleatria dita estacionria quando suas propriedades ou resumos
estatsticos so invariantes, independentemente de sua localizao. Desse modo, a estacionaridade de primeira ordem definida quando assumimos que a mdia de uma funo
aleatria, ou momento de primeira ordem, constante para qualquer localizao:
2.4. A hiptese intrnseca e o Variograma
37
N
X
Z(ui ) = E[Z(ui )]
(2.4)
i=1
Sendo a funo covarincia definida como:
Cov[Z(ui ), Z(uj )] = E[(Z(ui ) )(Z(uj ) )]
(2.5)
onde Z(ui ) e Z(uj ) so realizaes da funo aleatria em localizaes distintas e

a mdia da funo aleatria. A estacionaridade de segunda ordem definida quando
assumimos que a funo covarincia finita e assim, como a estacionaridade de primeira
ordem, no depende da localizao. Entretanto a funo covarincia depende do vetor
separao entre as amostras (h = ui uj ) conhecido como lag. Dessa forma a funo
covarincia pode ser reescrita como:
C(h) = E[Z(u)Z(u + h) 2 ]
(2.6)
A funo covarincia entre duas funes aleatrias de mesma localizao define a

varincia de uma funo aleatria:
C(0) = E[Z(u)Z(u) 2 ] = 2
(2.7)
A funo covarincia depende da escala em que a funo aleatria medida, frequentemente mais conveniente trabalharmos com uma funo sem escala, isso pode ser
obtido calculando a seguinte razo denominada correlograma.
(h) =
C(h)
C(0)
(2.8)
2.4 A hiptese intrnseca e o Variograma

A hiptese intrnseca descreve o comportamento espacial da varivel regionalizada
dentro do espao em que essa funo uma caracterstica intrnseca da regionalizao. A
funo intrnseca na verdade o chamado semivariograma. Em outras palavras, a Geoestatstica assume que a distribuio das diferenas entre dois pontos amostrais (estatstica
de dois pontos) a mesma para toda a regio e que ela depende apenas da distncia e
orientao entre dois pontos. Essa a conceituao geoestatstica da hiptese intrnseca.
A variao espacial estacionria se ela puder ser reconhecida em todas as partes do
espao, ou seja, o variograma o mesmo onde quer que se amostre (YAMAMOTO, 2001).
Assim, a hiptese intrnseca pode ser expressa com as seguintes relaes:
38
E[Z(u + h) Z(u)] = 0
E[Z(u + h) Z(u)]2 = 2(h)
(2.9)
onde a segunda expresso a definio do semi variograma, ou simplesmente variograma.
2.5 A relao entre o variograma e a covarincia

O variograma definido como a metade do valor esperado da diferena quadrtica
entre duas funes aleatrias separadas por uma distncia h.
1
(h) = E[Z(u) Z(u + h)]2
2
(2.10)
Usando as propriedades do valor esperado podemos expandir o termo ao quadrado

da equao 2.10, que fica:
1
(h) = (E[Z(u)2 ] + E[Z(u + h)2 ] 2E[Z(u)Z(h)])
2
(2.11)
Reescrevendo as equaes 2.6 e 2.7 da seguinte forma
E[Z(u)Z(u + h)] = C(h) + 2
E[Z(u)Z(u)] = E[Z(u + h)Z(u + h)] = C(0) + 2
(2.12)
e substituindo na equao 2.11
(h) = C(0) C(h)
(2.13)
Dessa maneira fica estabelecida a relao entre o semi variograma, a varincia e a

covarincia.
2.6. Principais caractersticas do Variograma
39
2.6 Principais caractersticas do Variograma

O variograma pode ser entendido como uma medida da dissimilaridade entre as
variveis aleatrias Z(u) e Z(u+h) separadas pela distncia h, ou seja, possui maior
valor medida que as variveis esto menos associadas, ao contrrio do que ocorre com a
funo covarincia que possui maior valor quando as variveis esto mais correlacionadas.
A Figura 6 ilustra as principais caractersticas presentes em um variograma que so: efeito
pepita (C0 ), Alcance (Range), Patamar (Sill) descritas por Isaaks e Srivastava (1989).
patamar
EFEITO
PEPITA
ALCANCE
DISTNCIA
(h)
Figura 6 As componentes de um variograma, o patamar adotado como a varincia da

varivel em estudo, o alcance a distncia na qual o patamar alcanado e o
efeito pepita a variabilidade em curta escala.
Efeito Pepita. Em teoria o valor do variograma na origem h = 0 deveria ser

zero (veja a equao 2.10). Entretanto, fatores como microestruturas ou rudo geolgico, variabilidade em escalas menores que a amostragem e erros de amostragem ou
posicionamento; podem fazer com que amostras separadas por pequenas distncias sejam
extremamente diferentes provocando uma descontinuidade na origem do variograma. Esse
salto no valor do variograma na origem, mesmo para distncias de separao muito pequenas, conhecido como efeito pepita.
40
Alcance. Com o aumento da distncia de separao entre os pares, o valor correspondente da funo variograma geralmente tambm aumenta. Naturalmente, para distncias cada vez maiores, os aumentos na distncia no causaro aumentos na diferena
quadrtica mdia entre os pares, dessa forma, o variograma atingir um limite. Essa distncia limite conhecida como alcance. Isso significa que para distncias maiores que o
alcance as amostras no possuem mais correlao espacial.
Patamar. Quando a distncia na qual os dados no possuem mais correlao espacial alcanada, temos que o valor do variograma se estabiliza. Esse valor conhecido
como patamar. Teoricamente o patamar deve ser igual a varincia ( 2 ) dos dados.
Para utilizarmos essa descrio da continuidade espacial dos dados com propsitos de estimativas e simulaes precisamos definir o comportamento do variograma (ou
covarincia) para qualquer lag. Uma vez construdo o variograma experimental com base
nos dados, necessrio ajustar uma curva aos dados para que uma funo descreva o
comportamento da continuidade espacial em todos os pontos.
Todos os variogramas tericos tm a distncia h como parmetro. Essa distncia calculada a partir da decomposio do vetor h em trs componentes principais,
hV , hH + e hH . Onde hV a direo vertical, hH + a direo horizontal com maior continuidade e hH a direo horizontal com menor continuidade. O alcance tambm levado
em conta nesse clculo, obtido a partir dos variogramas experimentais, e representado
por aV para direo vertical, aH + para direo horizontal com maior continuidade e aH
para direo horizontal com menor continuidade.Assim a distncia h calculada por:
h=
v
u
u
t
hH +
aH +
!2
hH
+
aH
!2
hV
+
aV
!2
(2.14)
Assim, os variogramas tericos mais utilizados so:
Modelo Efeito Pepita Puro

(h) =
0 se khk = 0
1 para qualquer outro.
(2.15)
Modelo Esfrico
Modelo Exponencial
(h) = 1 exp (3khk)
(2.16)
2.7. Krigagem Ordinria
41
Modelo Gaussiano
(h) = 1 exp(3khk2 )
(2.17)
Todos esses modelos crescem monotonamente e so limitados por 1. Assim o variograma modelado pode ser constitudo de N estruturas de acordo com a seguinte equao:
(h) = c0 (0) (h) +
N
X
ci (i) (h)
(2.18)
i=1
(i)
onde c0 (0) (h) a contribuio do efeito pepita, e N
i=1 ci (h) so as N estruturas que o
variograma modelado pode possuir, sendo ci 0, as contribuies para o estabelecimento
do patamar.
2.7 Krigagem Ordinria

A Krigagem Ordinria (Ordinary Kriging) um mtodo que tem por objetivo ser
o melhor estimador linear no enviesado, ou seja, um estimador no qual os parmetros dos
valores estimados coincidem com os parmetros obtidos a partir do conjunto de dados.
Dessa forma a KO linear pois suas estimativas so determinadas por pesos de combinaes lineares dos dados disponveis, no enviesada pois o resduo ou erro mdio igual a
zero e a melhor pois tenta minimizar a varincia do erro (ISAAKS; SRIVASTAVA, 1989).
A KO leva esse nome, pois o tipo mais comum de krigagem j que um mtodo
extremamente robusto. Ela se baseia na suposio que a mdia no conhecida porm
constante, ao contrrio do que acontece com a krigagem simples onde a mdia conhecida
em todos os pontos. Primeiramente, se considerarmos o caso pontual, a estimativa da VA
Z em um ponto u0 no amostrado dada pela combinao linear dos dados reais z(ui ):
Z (u0 ) =
N
X
i Z(ui )
(2.19)
i=1
onde Z (u0 ) o valor estimado e i so os pesos da krigagem.

Se definirmos como erro, R(u0 ), a diferena entre o valor estimado e o valor real
na mesma localizao:
R(u0 ) = Z (u0 ) Z(u0 ).
(2.20)
Ento, para garantirmos que a estimativa seja no enviesada, o valor esperado do

erro deve ser zero:
42
E[R(u0 )] = E[Z (u0 )] E[Z(u0 )] = 0.
(2.21)
Substituindo a equao 2.19 na equao anterior e assumindo que FA estacionria, ou seja, a mdia invariante por translao, obtemos que:
E[R(u0 )] = E
"N
X
i Z(ui ) E[Z(u0 )]
i=1
N
X
i E[Z(ui )] E[Z(u0 )]
(2.22)
i=1
= E[Z]
N
X
i 1 = 0.
i=1
Assim fica definida a condio de no enviesamento:

N
X
i = 1.
(2.23)
i=1
Como a KO um mtodo de estimativa que tem por objetivo ser a melhor

estimativa, ento devemos assumir que a varincia do erro R2 seja mnima.
R2 =
=
N
1 X
(R mR )2
N i=1
N
N
1 X
1 X
[Z (u0 ) Z(u0 )
(Z (u0 ) Z(u0 ))]2 .
N i=1
N i=1
(2.24)
Como o valor esperado do erro zero, a equao 2.24 pode ser simplificada:
N
1 X
[Z (u0 ) Z(u0 )]2
N i=1
= V ar[Z (u0 ) Z(u0 )]
R2 =
(2.25)
A varincia de uma combinao linear pode ser escrita como:
V ar
"N
X
i Z(ui )
= E
i=1
"N
X
i Z(ui )
i=1
"N
X
#2
i Z(ui )
i=1
"N
# N
N
N
X
X
X
X
E i Z(ui )
j Z(uj ) E
i Z(ui ) E j Z(uj )
i=1
j=1
i=1
j=1
2.7. Krigagem Ordinria
43
N
X
i=1
N
X
j E [Z(ui )Z(uj )]
j=1
N X
N
X
N
X
i E [Z(ui )]
i=1
N
X
j E [Z(uj )]
j=1
i j {E [Z(ui )Z(uj )] E [Z(ui )] E [Z(uj )]}
i=1 j=1
N X
N
X
i j Cov[Z(ui ), Z(uj )].
(2.26)
i=1 j=1
Assim, usando esse resultado na equao 2.25 temos que:
V ar[Z (u0 ) Z(u0 )] = Cov[Z (u0 ), Z (u0 )] 2Cov[Z (u0 ), Z(u0 )]

+Cov[Z(u0 ), Z(u0 )].
(2.27)
O primeiro termo na equao 2.27 a covarincia de Z (u0 ) com ele mesmo, ou

seja, a varincia. Assim podemos reescrever esse termo, utilizando a equao 2.26, da
seguinte forma:
Cov[Z (u0 ), Z (u0 )] = V ar
"N
X
i Z(ui ) =
i=1
N X
N
X
i j Cov[Z(ui ), Z(uj )].
(2.28)
i=1 j=1
O terceiro termo na equao 2.27 tambm pode ser visto como a varincia da VA
Z(u0 ), se assumirmos que todas as variveis aleatrias possuem a mesma varincia, ento
o terceiro termo da equao 2.27 pode ser substitudo por 2 .
O segundo termo na equao 2.27 pode ser simplificado utilizando mais uma vez
a equao 2.26, que fica:
2Cov[Z (u0 ), Z(u0 )] = 2Cov

= 2 E[
= 2
= 2
= 2
"N
X
i Z(ui ), Z(u0 )
i=1
N
X
N
X
i=1
i=1
i Z(ui )Z(u0 )] E[
N
X
i E[Z(ui )Z(u0 )]
N
X
i=1
N
X
i Z(ui )]E[Z(u0 )]
!
i E[Z(ui )]E[Z(u0 )]
i=1
i (E[Z(ui )Z(u0 )] E[Z(ui )]E[Z(u0 )])
i=1
N
X
i Cov(Z(ui ), Z(u0 )).
(2.29)
i=1
Portanto, combinando os trs termos novamente podemos reescrever a varincia

do erro da seguinte forma:
44
R2 = 2 +
N X
N
X
i j Cov[Z(ui ), Z(uj )] 2
N
X
i=1 j=1
i Cov(Z(ui ), Z(u0 ))
(2.30)
i=1
Essa expresso nos fornece a varincia do erro, onde a varincia 2 conhecida,

pois assumimos que nossa FA estacionria, e a covarincia Cij tambm conhecida
a partir do modelo do variograma terico, restando como incgnita os pesos i . Assim
a minimizao da funo de N variveis obtida calculando as N primeiras derivadas
parciais com relao a i e igualando a zero. Isso produz um sistema de N equaes e
N incgnitas que pode ser resolvido por qualquer mtodo de resoluo de sistemas de
equaes lineares. Entretanto, nossa soluo deve respeitar a restrio de que as somas
dos pesos devem somar 1 (equao 2.23). Esse problema pode ser resolvido atravs da
tcnica dos multiplicadores de Lagrange (ISAAKS; SRIVASTAVA, 1989).
O mtodo dos multiplicadores consiste em adicionar um termo (multiplicador de

Lagrange) na equao com restrio que se deseja otimizar para torn-la sem restrio.
Entretanto introduzido ao problema uma nova incgnica , o parmetro de Lagrange,
dessa maneira obteremos um sistema de N + 1 equaes. Mesmo adicionando esse novo
termo a igualdade respeitada.
R2
= +
N
N X
X
i j Cij 2
N
X
N
X
i Ci0 + 2
i=1
i=1 j=1
i 1
(2.31)
i=1
{z
Enfim, a minimizao desse sistema de equaes obtida tomando as derivadas

parcias em relao s incgnitas e igualando a zero:
N
X
(R2 )
PN
= 2 j=1 j Cij 2Ci0 + 2 = 0
j Cij + = Ci0
i
j=1
(R2 )
=
P
N
i=1
N
X
i = 1
(2.32)
i=1
Obtendo assim o sistema de N

matricial:
C
C11 . . . C1N
..
..
..
.
.
.
i 1 = 0
+ 1 equaes, que pode ser reescrito sob a forma
1
..
CN 1 . . . CN N 1
1 ...
1
0
1
..
.
D
C10
..
.
CN 0
(2.33)
2.8. Simulao Sequencial Gaussiana
45
A matriz C composta pelos valores de covarincia Cij entre as variveis aleatrias

Z(ui ) e Z(uj ) nos pontos amostrados. O vetor D consiste dos valores de covarincia Ci0
entre as variveis aleatrias Z(ui ) nos pontos amostrados, e a varivel aleatria Z(u0 ) na
posio que se deseja estimar. O vetor W consiste nos pesos de krigagem i e o parmetro
de Lagrange .
Assim para determinar os pesos de krigagem, basta multiplicar o vetor D pela

matriz inversa da covarincia:
W = D.C1
(2.34)
E por fim, podemos calcular a varincia do erro atravs de:

R2 = W.D
(2.35)
importante ter em mente que a krigagem um estimador linear e nos fornece um

resultado suavizado, dessa forma, reduzindo ou removendo a heterogeneidade do modelo.
Outro fator que deve ser levado em considerao, que a krigagem falha em honrar o
histograma e o variograma dos dados, tendo como uma das consequncias, o aumento do
efeito de suavizao. Por fim, a krigagem oferece uma soluo ao problema de estimativa
juntamente com a varincia do erro em todos os pontos. Entretanto, este no o melhor
mtodo para modelagem de reservatrios.
2.8 Simulao Sequencial Gaussiana

A ideia da simulao condicional construir uma representao do fenmeno que
seja consistente com os dados observados. Obviamente uma simulao no a realidade,
mas apenas uma das possveis verses dentre milhares de outras possibilidades. A proposta da simulao condicional no reproduzir os mecanismos que geraram o fenmeno
observado, mas, simplesmente imitar sua variabilidade espacial o mais realisticamente
possvel. Os resultados de uma simulao devem ser sempre analisados com olhos crticos e checados com o background no qual o mtodo aplicado (CHILES; DELFINER,
1999).
O sistema de equaes de krigagem leva em conta apenas a covarincia entre as

propriedades estimadas e os dados reais para o estabelecimento do modelo de covarincia. Nesse sentido, a krigagem o primeiro passo para uma simulao, que tambm
um processo de reproduo do modelo de covarincia. Entretanto, a Krigagem deixa
46
o trabalho incompleto no sentido em que a covarincia entre os valores estimados em

localizaes distintas no so levados em conta para o estabelecimento do modelo de covarincia. Dessa forma, a simulao sequencial finaliza o trabalho, adicionado os valores
estimados ao modelo de covarincia, que consequentemente, corrigem o problema de suavizao (DEUTSCH; JOURNEL, 1998).
Segundo Deutsch (2002) a Simulao Sequencial Gaussiana (SSG) a abordagem

mais utilizada recentemente em modelagem de reservatrios, pois um mtodo simples,
flexvel e razoavelmente eficiente. importante ressaltar que a SSG assume que os dados
possuem uma distribuio normal com mdia zero e varincia unitria.
Assim como a KO, a SSG parte do princpio que uma estimativa dada pela
combinao linear das amostras:
N
X
Z (u0 ) =
i Z(ui ).
(2.36)
i=1
A covarincia entre os valores krigados e os dados reais dado por:
Cov[Z (u), Z(ui )] = E[Z (u)Z(ui )] E[Z u]E[Z(ui )]

|
= E[
N
X
{z
0
j Z(uj ) Z(ui )]
j=1
N
X
j E[Z(uj )Z(ui )]
j=1
N
X
j C(uj ui )
j=1
= C(u ui )
(2.37)
As equaes de krigagem impem que a covarincia entre os dados reais e estimados seja correta. Entretanto, o mesmo no acontece entre a covarincia dos valores
krigados em diferentes posies. Porm isso pode ser resolvido atuando sequencialmente,
o que significa utilizar os valores estimados previamente nas estimativas subsequentes.
Sabendo que a varincia do modelo estacionria, o efeito de suavizao dos valores

krigados reduz a varincia principalmente para pontos muito afastados dos dados. Outra
propriedade interessante da krigagem que a varincia dos dados krigados conhecida
em todos os pontos:
2.8. Simulao Sequencial Gaussiana
47
V ar[Z (u)] = C(0) R2 (u).
(2.38)
Essa perda de varincia deve ser adicionada de volta sem alterar as propriedades
de reproduo da covarincia da krigagem. Realizamos isso considerando uma componente
independente, com mdia zero e a varincia correta, adicionada ao valor krigado:
Zs (u) = Z (u) + R(u).
(2.39)
Assim, a covarincia entre os valores simulados Zs (u) e os dados utilizados na

estimativa podem ser calculados por:
Cov[Zs (u), Z(ui )] = E[Zs (u)Z(ui )] E[Zs u]E[Z(ui )]

|
= E
N
X
{z
j Z(uj ) + R(u) Z(ui )
j=1
N
X
j E[Z(uj )Z(ui )] + E[R(u)Z(ui )].
(2.40)
j=1
Note que E[R(u)Z(ui )] = E[R(u)]E[Z(ui )], j que o resduo R(u) independente

dos dados. O valor esperado do resduo zero, assim, E[R(u)Z(ui )] = 0.
Dessa maneira garantimos que a covarincia entre os valores simulados e os valores
reais seja correta, ou seja:
Cov[Zs (u), Z(ui )] = Cov[Z (u), Z (ui )] = C(u ui )
(2.41)
Garantindo que a covarincia entre os dados reais e estimados seja correta e que
a covarincia no seja alterada pela adio de um resduo independente, o algoritmo de
SSG segue os seguintes passos:
1. Transformar os dados originais em uma distribuio normal (distribuio Gaussiana). Z(ui ) 7 Y (ui )
2. Ir a uma posio u do grid e obter a estimativa por krigagem e a correspondente
varincia do erro de krigagem:
Y (u) =
N
X
i=1
i Y (ui )
R2 = W.D
48
3. Obter o resduo aleatrio R(u) que possui uma distribuio normal, mdia zero e
varincia R2
4. Adicionar ao valor krigado o resduo obtendo o valor simulado:
Ys (u) = Y (u) + R(u)
5. Adicionar Ys (u) ao conjunto de dados e garantir que a covarincia entre os dados
atualizados e as futuras predies estejam corretas. Essa etapa a ideia central
da simulao sequencial, que considerar os valores simulados previamente como
dados, de maneira que seja obtida a covarincia entre todos os valores simulados.
6. Repetir as etapas de 2 a 5 percorrendo todos os pontos do grid aleatoriamente.
7. Transformar todos os dados Gaussianos simulados de volta para o espao original.
Y (ui ) 7 Z(ui )
8. Repetir todos os passos utilizando um caminho aleatrio diferente para obter outra
realizao equiprovvel.
importante ressaltar que a transformao dos dados para o espao Gaussiano
necessria principalmente por dois motivos. Primeiro, o uso de uma distribuio qualquer
no leva correta distribuio global simulada dos dados. A mdia pode estar correta,
a varincia pode estar correta e o variograma de todos os dados juntos tambm podem
estar corretos, entretanto, a forma da distribuio no estar. Esse problema no ocorre
no espao Gaussiano uma vez que todas as distribuies so Gaussianas incluindo aquelas simuladas. Segundo, o teorema do limite central nos diz que a adio sequencial de
resduos aleatrios para obter valores simulados leva a uma distribuio Gaussiana. Entretanto a transformao para o espao Gaussiano tem um custo: ela maximiza a entropia
do sistema, que significa que a desordem espacial vai alm da imposta pela correlao do
variograma(DEUTSCH, 2002).
49
3 Materiais e Mtodos
3.1 Base de Dados
A base de dados utilizada do Campo de Namorado composta por 37 poos, cada
um contendo 11 curvas no formato padro .LAS, sendo que entre esses poos 14 so verticais e 23 so direcionais. As curvas incluem os dados originais adquiridos e os parmetros
secundrios calculadis a partir deles. A base de dados tambm contm uma tabela com
a localizao em coordenadas UTM para cada poo incluindo as profundidades Topo e
Base do reservatrio Namorado obtidos atravs da ssmica e da anlise dos perfis.
NA17A
RJS234
NA22
NA21B
NA11A
NA27D
NA06D
NA33D
NA35D
NA15D
NA16D
NA04
NA31D
NA26D
NA03D
NA01A
NA30D
NA32D
NA29D
RJS19
NA25D
NA10D
NA23D
NA07D
NA02
NA18D
RJS246
NA34D
NA08D
NA28D
NA09D
RJS42
NA20D
NA24D NA36D
Figura 7 Localizao dos poos utilizados no Campo de Namorado.
NA14D
50
Captulo 3. Materiais e Mtodos
As representaes dos perfis para cada poo foram construdos com o software
R
STRATER
e possuem as seguintes curvas:
Raios Gama (GR) - medida combinada da radiao gama dos elementos potssio, trio e urnio presentes nas rochas ou fluidos de uma formao geolgica. uma
boa ferramenta para a distino entre diferentes tipos de rochas. No caso do Campo de
Namorados altas leituras de GR tipicamente indicam a presena de folhelhos.
Induo (ILD) - medida da condutividade do meio a partir de um sistema de
duas bobinas com uma corrente alternada de alta frequncia que induzem um campo
magntico na formao. Esse campo magntico induzido medido pela bobina receptora,
e a intensidade do campo magntico proporcional condutividade do meio. Esse perfil
fornece uma identificao qualitativa da litologia e do fluido contido nas rochas.
Densidade Bulk (RHOB) - medida da densidade das rochas atravs do bombardeio de raios gama; os raios gama interagem com os eltrons da formao atravs de efeito
Compton e a intensidade do feixe de raios gama refletido pela formao proporcional
quantidade de eltrons da formao, logo proporcional densidade da rocha.
Porosidade Neutrnica (NPHI) - o perfil NPHI responde ao hidrognio presente na formao atravs de uma fonte de nutrons acoplada ferramenta de perfilagem.
O hidrognio presente pode estar no fluido ou nos minerais da formao, caso a formao
esteja livre de argila/folhelho (minerais e litologias que possuem alta concentrao de hidrognio) a ferramenta indicar a presena de hidrognio dos fluidos presentes nos poros
das rochas, fornecendo uma boa estimativa da porosidade da formao.
Snico (DT) - o perfil DT apresenta uma relao direta entre o tempo de propagao da onda sonora na formao e a porosidade das rochas. O sinal produzido em
uma extremidade da ferramenta e registrado na extremidade oposta, obtendo assim a
vagarosidade que o tempo necessrio para percorrer uma distncia. A vagarosidade o
inverso da velocidade.
Volume de Argila (VSHF) - o perfil VSHF ou argilosidade a quantidade
percentual de argila de uma formao, essa curva derivada a partir do perfil GR.
Saturao de gua (Sw) - o perfil Sw o volume de gua que ocupa o espao
poroso da formao, obtido atravs da frmula de Archie que funo da porosidade,
fator de cimentao e resistividade da formao.
Porosidade Efetiva (PHIE) - o volume de poros efetivamente disponvel para
ser ocupado por fluidos livres, funo do espao ocupado pelos fluidos nos poros e do
volume total. Pode ser calculado atravs de RHOB, e usando GR ou NPHI, eventualmente,
corrigido.
3.1. Base de Dados
51
20
10
PHIE (%)
100
0
75
50
25
0.75
SW (%)
1
0
0.25
0.5
108
88
68
2.75
VSHF (%)
3
48
2.25
2.5
100
1000
10
130
105
80
55
30
10000
2
RHOB (g/cm)
NPHI (%)
GR (API)
NA07
3000
3010
3020
3030
3040
3050
3060
3070
3080
3090
3100
3110
3120
3130
3140
3150
3160
3170
3180
3190
R
Figura 8 Conjunto de curvas geradas pelo STRATER
para o poo NA07.
DRDN - esse perfil uma combinao entre os perfis RHOB e NPHI que fornecem
uma relao de fcil visualizao entre a presena de arenito, para valores negativos, e
folhelhos, para valores positivos
52
Fcies (FCIES) - esse perfil uma varivel categrica que classifica o reservatrio
como (1) arenito limpo quando o perfil DRDN menor que -2, (2) arenito argiloso quando
o perfil DRDN est entre -2 e -0.4, (3) arenito cimentado quando o perfil DRDN est entre
-2 e -0.4 e o perfil NPHI menor que 15% e (4) rochas no reservatrio quando o perfil
DRDN maior que -0.4. O perfil calibrado atravs dos dados de testemunhos.
Fcie Porosa (FAPOR) - esse perfil uma varivel categrica que classifica
o reservatrio de acordo com as porosidades efetivas, assim a classe (1) tem porosidade
efetiva maior que 27%, a classe (2) tem porosidade efetiva entre 27% e 24% e classe (3)
com porosidade efetiva menor que 24%.
Os poos do Campo de Namorado esto distribudos em uma rea de aproximadamente 26 mil quilmetros quadrados (Figura 7). As profundidades iniciais dos perfis dos
poos esto entre 2927 m, para o mais raso, at 3097 m para o mais profundo. A distncia
mdia entre os poos de 2685 metros com distncia mxima de 6714 metros e mnima
de 138 metros.
A distribuio dos poos segue uma orientao na direo NW-SE, que a orientao do paleocanal meandrante presente no Campo de Namorado (BARBOZA, 2005).
A Figura 9 apresenta a distribuio das distncias e direes dos poos junto com um
histograma em roscea para as direes, incluindo tambm os resumos estatsticos relaciR
onados a direo dos poos criados a partir de um algoritmo no MatLbab
.
Os poos direcionais no possuem informaes da trajetria real do poo, somente

as coordenadas dos poos com as respectivas profundidades de topo e base do reservatrio
(Tabela 1). Dessa forma, para os poos direcionais, admitindo que a trajetria seja retilnea, foi necessria a transformao dos poos direcionais em poos verticais como mostra
a Figura 10. Supondo que as fcies do Campo de Namorado possuem grande continuidade
lateral, a transformao realizada assume que um determinado ponto do perfil permanea
na mesma camada estratigrfica, entretanto esse procedimento altera o comprimento original do perfil, com uma reduo mdia de 10%. As coordenadas da base do reservatrio
so assumidas como as coordenadas do poo vertical ajustado.
Outra correo realizada nos dados, com o objetivo de garantir uma melhor continuidade lateral, foi a translao vertical dos poos de maneira que todos possuam a
mesma profundidade de base do reservatrio, escolhida em 3100m, que a profundidade
mdia da base do reservatrio. Tal procedimento deve reduzir os erros nas simulaes (ou
estimativas) associados s descontinuidades laterais provocadas pelas falhas no Campo de
Namorado originadas majoritariamente pela movimentao halocintica.
3.1. Base de Dados
53
Distribuio das distncias e direes

90
10000
120
60
5000
150
n de dados: 666
mdia: 103.5368
desv.padro: 39.9637
Coef.Variao: 0.38599
mnimo: 1.1344
mediana: 108.841
mximo: 179.2165
210
330
300
40
60
20
150
270
90
120
30
180
240
Histograma Rose das direes
30
180
210
330
240
300
270
Figura 9 Distribuio das distncia e direes entre os poos, histograma em roscea do

nmero de poos por direo e resumo estatstico relacionando a direo dos
R
poos, criados no MatLab
. Note a concentrao de poos na direo alinhados prximos a direo de 120o , que coincide com a orientao do paleocanal
interpretado por Barboza (2005).
Figura 10 Esquema que representa a transformao dos poos direcionais para verticais.
As coordenadas da base foram assumidas como a posio do poo vertical
corrigido.
54
Tabela 1 Coordenadas dos poos com topo e base do Reservatrio Namorado

Poo
Cordenada UTM
Leste
RJS19
7516437
RJS42
7518162
RJS234
7517297
RJS246
7515822
NA01A
7517390
NA02
7517322
NA03
7518442
NA03D 7518079.64
NA04
7515480
NA06D 7516977.72
NA07
7518073
NA08D 7517781.3
NA09D 7518549.33
NA10D 7517293.62
NA11A
7515791
NA12
7516745
NA14D 7519131.73
NA15D 7516163.43
NA16D 7517304.17
NA17A
7516289
NA18D 7518640.66
NA20D 7518387.9
NA21B
7515105
NA22
7516534
NA23D 7518627.05
NA24D 7518005.75
NA25D 7518123.58
NA26D 7515445.21
NA27D 7516416.65
NA28D 7517307.73
NA29D 7515462.11
NA30D 7518090.83
NA31D 7516879.52
NA32D 7518544.79
NA33D 7517278.75
NA34D 7517339.6
NA35D 7516049.64
NA36D 7518447.38
Prof.
Cordenada UTM
Prof.
Norte
Topo
Leste
Norte
Base
353882
-2964
7516437
353882
-3067
352053
-3029
7518162
352053
-3159
357446
-3190
7517297
357446
-3235
352812
-3361
7515822
352812
-3385
354576
-2963
7517390
354576
-3123
352949
-3028
7517322
352949
-3198
355682
-3028
7518442
355682
-3198
355239.19 -3020 7518072.8 355228.04 -3042
355417
-2968
7515480
355417
-3081
356648.1 -3025 7516940.61 356502.87 -3168
353272
-3021
7518073
353272
-3174
352443.67 -3001 7517779.48 352383.98 -3128
352406.99 -3062 7518616.89 352346.93 -3210
353809.98 -3969 7517230.34 353838.15 -3078
356712
-3096
7515791
356712
-3115
354597
-2968
7516745
354597
-3103
352946.75 -3211 7519135.76 352946.36 -3217
355906.36 -2972 7516123.91 355979.15 -3124
355893.05 -3022 7517321.1 355936.02 -3009
357755
-3202
7516289
357755
-3294
352871.05 -3162 7518642.98 352867.86 -3240
351919.45 -3036 7518427.95 351814.07 -3197
356774
-3064
7515105
356774
-3082
357193
-3146
7516534
357193
-3213
353503.84 -3123 7518646.79 353513.46 -3184
351560.9 -3032 7518007.85 351445.34 -3198
353929.87 -3032 7518111.26 353983.36 -3180
355288.75 -2976 7515406.17 355301.06 -3053
356393.76 -3035 7516384.7 356486.49 -3179
352183.36 -3197 7517289.57 352125.76 -3325
354120.51 -3059 7515461.08 354119.89 -3068
354560.67 -3023 7518075.65 354635.34 -3153
355212.52 -2945 7516872.9 355269.48 -3115
354252.42 -3081 7518544.9
354285
-3154
356337.41 -3025 7517264.44 356433.8 -3144
352832.6 -3019 7517300.47 352791.78 -3158
356236.98 -2988 7516007.6 356291.54 -3081
351466.27 -3076 7518464.15 351403.69 -3171
3.2. SGeMS
55
3.2 SGeMS
O software utilizado para a modelagem geoestatstica foi o Stanford Geostatistical
Modeling Software (SGeMS), um software de cdigo aberto desenvolvido por pesquisadores da Universidade de Stanford que implementa os mais comuns algoritmos geoestatsticos para modelagem de fenmenos espacialmente distribudos, tanto os algoritmos de
estimao quanto os de simulao estocstica. Escrito em linguagem Python, possui uma
interface simples que permite a visualizao direta dos dados e os respectivos resultados
em uma janela interativa tridimensional. O SGeMS fornece as principais ferramentas para
anlise exploratria dos dados (histogramas, Q-Q plot, P-P plot e grficos de disperso) e
para anlise espacial (variograma experimental), alm de permitir o ajuste de uma funo
analtica ao variograma experimental em tempo real.
3.3 Anlise Estatstica dos dados

A anlise exploratria dos dados foi realizada utilizando o software SGeMS. As
variveis escolhidas para a anlise foram Gama Ray (GR), Densidade Bulk (RHOB), Porosidade Neutrnica (NPHI), DRDN e Snico (DT), pois com exceo da varivel DRDN
que derivada de RHOB e NPHI, estas so variveis primrias e todas as outras variveis
podem ser derivadas a partir deste conjunto. A seguir, a Tabela 2 apresenta a mdia,
varincia e mediana das variveis analisadas.
Tabela 2 Resumos estatiststicos para as variveis analisadas.
GR
RHOB
NPHI
DRDN
DT
Mdia
Varincia
Mediana
67.1663
2.37277
21.9359
-0.14644
84.1419
375.409
0.021255
32.9688
6.08645
113.228
64.1
2.381
22.9
0
85.4
Foi calculado o coeficiente de correlao entre as variveis escolhidas (Tabela 3),

a diagonal da tabela apresenta a correlao de uma varivel com ela mesmo, que por
definio igual a 1. Um destaque para a varivel DT pois apresenta uma boa correlao
tanto com RHOB (-0.63906) como com PHI (0.809039); essa caracterstica poderia ser
aproveitada para realizao de uma cokrigagem ou co-simulao, uma vez que essa varivel possui menos amostras que as outras. Entretanto esse procedimento no foi realizado
neste trabalho.
56
Tabela 3 Coeficiente de correlao entre as propriedades.

GR
GR
RHOB
NPHI
DRDN
DT
1
-0.0309
0.369349
0.216826
0.414684
RHOB
NPHI
DRDN
DT
-0.0309 0.369349 0.216826 0.414684

1
-0.56953 0.70645 -0.63906
-0.56953
1
0.093448 0.809039
0.70645 0.093448
1
-0.09704
-0.63906 0.809039 -0.09704
1
Foi construdo um diagrama (Figura 11) com o objetivo de sintetizar os grficos de

disperso das variveis em uma nica figura. Os grficos de disperso esto organizados
na mesma ordem que a tabela anterior. No entanto, na diagonal desse diagrama esto os
histogramas das respectivas variveis. Mais uma vez fica clara, agora de maneira visual,
a boa correlao entre as variveis DT e RHOB e DT e NPHI.
As variveis DRDN e RHOB no apresentam uma distribuio normal, entretanto,

isso no ser um problema para as simulaes sequnciais gaussianas, uma vez que, antes
dos clculos para a realizao da simulao os dados so transformados para o espao
gaussiano, com mdia zero e varincia unitria, atravs do software SGeMS.
3.3. Anlise Estatstica dos dados
57
0.25
200
180
200
0.2
160
160
Frequncia
140
140
150
150
120
100
80
GR
100
100
GR
GR
GR
120
100
80
60
60
50
50
40
40
20
20
0.05
0
1.8
2.0
2.2 2.4
RHOB
0
50
100
GR
2.6
2.8
10 15 20 25 30 35
NPHI
-5
5
DRDN
10
15
60
80
DT
100
120
60
80
DT
100
120
60
80
DT
100
120
60
80
DT
100
120
80
100
120
150
0.16
0.12
0.1
RHOB
RHOB
Frequncia
2.6
0.08
0.06
2.0
3.0
3.0
2.8
2.8
2.6
2.6
2.4
2.4
2.2
2.2
1.8
0.04
1.8
1.8
0.02
1.6
1.6
100
GR
150
10 15 20 25 30 35
NPHI
0
1.8
2.0
2.2 2.4
RHOB
2.6
2.4
2.2
2.0
2.0
1.6
50
2.8
2.6
RHOB
3.0
2.8
RHOB
0.14
2.0
-5
5
DRDN
10
1.8
15
2.8
0.2
NPHI
15
10
10
20 40
60 80 100 120 140 160

GR
0.01
20
15
0.05
1.8
2.0
2.2 2.4
RHOB
2.6
40
40
35
35
30
30
25
25
NPHI
30
25
NPHI
30
25
0.15
NPHI
40
35
Frequncia
40
35
20
15
10
10
5
5
0
2.8
-5
0
5
5
DRDN
10
-10
10
10
DRDN
-5
-5
-5
-10
-10
-10
50
100
GR
150
1.8
2.0
2.2 2.4
RHOB
2.6
2.8
0.01
10
DRDN
10
15
0.15
Frequncia
20
15
DRDN
20
15
DRDN
20
15
10 15 20 25 30 35
NPHI
0.2
15
20
15
-5
0.05
-10
5
10 15 20 25 30 35
NPHI
0
-5
5
DRDN
10
15
140
140
140
140
120
120
120
120
100
100
100
100
DT
DT
0.16
0.14
80
80
60
60
40
20
40
60
80 100 120 140

GR
40
0
2.0
2.2
2.4
RHOB
2.6
80
80
60
60
40
40
5
10 15 20 25 30 35
NPHI
Frequncia
DT
DT
0.12
0.1
0.08
0.06
0.04
-5
0
DRDN
10
0.02
0
60
DT
Figura 11 Matriz com os grficos de disperso entre as propriedades mais relevantes.

Na diagonal esto os respectivos histogramas.
58
3.4 Anlise Espacial dos dados - Variograma Experimental

Segundo Bohling (2005) o processo de ajuste de um modelo ao variograma emprico muito mais uma arte do que uma cincia com diferentes autoridades sugerindo
diferentes mtodos e protocolos. Dessa maneira, a escolha de um bom modelo que represente a variabilidade espacial de uma determinada varivel depende do conhecimento
geoestatstico do profissional, de sua experincia e intuio. Entretanto, todas as decises
tomadas devem levar em conta a hiptese intrnseca, ou seja, a estacionaridade de segunda
ordem dos dados.
Neste trabalho, o procedimento geral para a escolha do melhor modelo variogrfico foi realizado da seguinte maneira: primeiro foi admitido que o valor do patamar do
variograma experimental igual varincia 2 calculada a partir dos dados, para todas
as direes, como sugerido por Deutsch (2002); em seguida foi calculado um variograma
omnidirecional (que independe da direo) na menor escala possvel para a identificao
da contribuio do efeito pepita; por fim, a curva ajustada aos pontos do variograma
experimental para cada direo levando em considerao o nmero de amostras existentes
para cada ponto calculado, consequentemente definindo o alcance.
Atravs da anlise variogrfica foi estabelecido, primeiramente, que os variogramas apresentavam anisotropia em todas as direes principais. Entretanto, as estimativas
e simulaes utilizando os modelos de variograma com tais anisotropias se mostraram
no aceitveis no plano horizontal XY pois os resultados apresentavam uma geometria
no condizente com os modelos propostos para o Campo de Namorado. Dessa forma os
modelos adotados para os variogramas foram isotrpicos para as direes horizontais e
apresentando anisotropia com a direo vertical, como era de se esperar j que a variabilidade na direo vertical muito maior que nas direes horizontais.
Na Figura 12 esto os variogramas omnidirecional (12a), horizontal (12b) e vertical (12c) calculados para a varivel GR. Os x em vermelho representam os valores
calculados para o variograma a partir dos dados e a linha contnua representa o modelo
ajustado aos dados. O variograma omnidirecional foi gerado com o objetivo de visualizar
o comportamento geral da variabilidade da varivel. O modelo escolhido para ajustar os
variogramas vertical e horizontal foi o exponencial (Equao 2.16).
Aparentemente o comportamento do variograma horizontal de efeito pepita puro,

porm, para pequenas distncias o variograma vertical bem comportado, permitindo
ajustar o modelo de forma satisfatria para tais regies. A determinao do alcance do
3.4. Anlise Espacial dos dados - Variograma Experimental
59
modelo priorizou os pontos que possuam mais amostras para o clculo do variograma.
O comportamento de ascenso alm do patamar para o variograma vertical pode ser
explicado pela dependncia da varivel GR com a profundidade. Essa tendncia com a
profundidade foi filtrada atravs da identificao da deriva vertical com auxlio de um
plot da varivel versus a profundidade. Entretanto, aps a filtragem, o alcance da varivel
GR no sofreu alteraes significativas.
Variograma - azth=0, dip=0
3000
varGRomni.pdf
2500
2000
1500
1000
500
0
500
1000
distance
distncia(m)
(a)
1500
2000
(b)
4000
3000
2000
1000
0
0
50
100
distance
distance
distncia(m)
150
200
(c)
Figura 12 (a)Variograma Omnidirecional, (b)Variograma Horizontal e (c) Variograma

Vertical da varivel GR. Os x em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contnua representa o
modelo ajustado aos dados.
Assim o variograma modelado para a varivel GR, de acordo com Equao 2.18,
possui a seguinte forma:
60
(hH + , hH , hV ) =
v
u
u
t
15 + 360.409Exp
hH +
490
!2
hH
490
!2
hV
55
!2
(3.1)
O mesmo procedimento para a escolha do modelo de variograma foi adotado para

a varivel RHOB (Figura 13), apresentando tambm uma tendncia com a vertical com
a diferena de possuir um comportamento cclico (hole effect) para as maiores distncias
verticais. Esse comportamento pode ser entendido como consequncia da periodicidade
da litologia. Entretanto, o software utilizado para a anlise variogrfica no possui um
modelo para ajuste desse comportamento, portanto foi adotado o modelo exponencial.
Variograma - Omni direcional
0.05
0.04
0.04
0.03
0.03
0.02
0.02
0.01
0.01
0
0
500
1000
distance
distncia(m)
2000
1500
500
1000
distance
distncia(m)
(a)
1500
2000
(b)
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
0
50
100
distance
distance
distncia(m)
150
200
(c)
Figura 13 (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Variograma

Vertical da varivel RHOB. Os x em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contnua representa o
Assim o modelo escolhido para a varivel RHOB possui os seguintes parmetros:
3.4. Anlise Espacial dos dados - Variograma Experimental
v
u
u
t
0.001 + 0.0202Exp
(hH + , hH , hV ) =
61
hH +
300
!2
hH
300
!2
hV
27
!2
(3.2)
Na Figura 14 esto os variogramas para a varivel NPHI que possui caractersticas

muitos semelhantes s anteriores, tanto para o variograma horizontal quanto para o variograma vertical. O modelo exponencial tambm foi escolhido para o ajuste do variograma.
200
200
150
150
100
100
50
50
0
0
500
1000
distance
distance
distncia(m)
500
2000
1500
1000
distance
distance
distncia(m)
(a)
2000
1500
(b)
100
80
60
40
20
0
0
50
150
100
distance
distncia(m)
200
(c)

Vertical da varivel NPHI. Os x em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contnua representa o
Dessa forma, o modelo ajustado tem os seguintes parmetros:
(hH + , hH , hV ) =
v
u
u
t
4.0 + 28.9688Exp
hH +
535
!2
hH
535
!2
hV
76
!2
(3.3)
62
Os variogramas da varivel DRDN (Figura 15), para direo horizontal, possuem

caractersticas muito parecidas com os anteriores. Porm, o comportamento vertical no
apresenta uma tendncia com a profundidade, mas apresenta o hole effect para as maiores
distncias. O modelo ajustado foi o exponencial.
30
30
25
25
20
20
15
15
10
10
500
1000
distance
distncia(m)
1500
2000
1000
distance
distncia(m)
500
(a)
1500
2000
(b)
10
0
0
50
200
150
100
distance
distncia(m)
(c)

Vertical da varivel DRDN. Os x em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contnua representa o
Os parmetros para essa propriedade so:
(hH + , hH , hV ) =
v
u
u
t
0.46 + 5.62645Exp
hH +
600
!2
hH
600
!2
hV
27.8
!2
(3.4)
3.5. Perfis utilizados para a modelagem de reservatrio
63
No foi realizada a anlise variogrfica para a varivel DT devido escassez de

dados, dessa maneira, no sendo possvel ajustar um modelo que identifique a estrutura
do variograma.
3.5 Perfis utilizados para a modelagem de reservatrio

A partir dos modelos variogrficos estabelecidos para as variveis GR, RHOB,
NPHI e DRDN; foram realizadas as estimativas por krigagem Ordinria. Entretanto, os
perfis mais relevantes para a modelagem de reservatrio neste trabalho so DRDN e
RHOB.
Como dito anteriormente o perfil DRDN uma combinao entre os perfis RHOB
e NPHI, que tipicamente so combinados em um nico perfil (crossover) de modo que
so utilizados para indicar a presena de arenitos em reservatrios siliciclsticos atravs
do cruzamento das curvas, ou seja, quando a densidade diminui e a porosidade aumenta
provavelmente h presena de arenitos, caso contrrio h presena de rochas no reservatrios, tipicamente folhelhos e margas.
O perfil DRDN pode ser calculado a partir da seguinte relao segundo Castro
(1998) e Guimares, Denicol e Gomes (2008):
0.45 N P HI
RHOB 2
DRDN =
0.05
0.03

(3.5)
onde para valores menores que 0.04 representa arenitos e para valores maiores,
folhelhos e margas.
Dessa forma a varivel DRDN permite a classificao da litologia ao mesmo tempo

que mantm suas caractersticas de varivel contnua, o que torna o processo de modelagem de reservatrio mais simples, pois no h a necessidade de se trabalhar com variveis
categricas, que necessitam de uma abordagem diferenciada para o estabelecimento das
estimativas e simulaes, simplificando o processo de modelagem.
Os perfis de densidade tm sido um mtodo eficaz para a determinao do volume

de poros das rochas e so extremamente acurados, oferecendo a melhor soluo para a
estimativa da porosidade (BIGELOW, 2002). Assim, o perfil RHOB foi escolhido para a
realizao do clculo da porosidade efetiva1 nos grids simulados, no qual s faz sentido o
1
A porosidade calculada a partir da varivel RHOB uma boa aproximao da porosidade efetiva pois
64
clculo em regies sem argilosidade, ou seja, em arenitos. Tais regies podem ser identificadas atravs da varivel DRDN. Desse modo, a porosidade efetiva para o reservatrio
Namorado pode ser calculada, segundo Bigelow (2002), atravs da seguinte equao:
E =
(m RHOB)
100
(m f )
(3.6)
onde para o reservatrio Namorado a densidade da matriz rocha (m ) 2.65 e a

densidade do fluido no poro (f ) 1.04.
os arenitos do Campo de Namorado possuem baixa argilosidade, assim no havendo a necessidade de

correo.
65
4 Resultados e Discusses
4.1 Krigagem Ordinria dos dados
A krigagem ordinria foi realizada para todas as variveis para as quais foram
construdos os modelos variogrficos. O grid tridimensional escolhido para a construo
das estimativas possui clulas com dimenso de 20m20m para o plano horizontal e 1m
para a direo vertical possuindo 204 clulas na direo x, 320 clulas na direo y e 253
clulas na direo vertical, dessa forma cobrindo todos os poos disponveis.
Nas figuras 17, 18, 19 e 20 esto os grids com as variveis estimadas (Z (u)) por
krigagem ordinria, na primeira coluna, e as respectivas varincias do erro (E2 (u)), na
segunda coluna. Nas primeiras linhas, (a)s e (b)s, esto uma vista em perpectiva; nas
segundas linhas, (c)s e (d)s, esto as vistas do plano coronal (XZ); nas linhas (e)s e (f)s
esto as vistas do plano sagital (YZ); e por fim, nas ltimas linhas, (g)s e (h)s, esto as
vistas no plano horizontal. As vises dos planos coronal e sagital esto fora de escala para
oferecer uma melhor visualizao.
Nenhuma das variveis apresentou um resultado satisfatrio para representao

do modelo de reservatrio, uma vez que as geometrias obtidas pelo mtodo de krigagem
ordinria possuem um comportamento em blocos, tendo o mesmo valor estimado, ou
valores estimados muito prximos, para as regies nas proximidades de onde a varivel
foi medida no capturando, dessa forma, como dito anteriormente, a heterogeneidade inerente aos processos fsicos de qualquer formao geolgica.
Esse comportamento se deve escassez lateral dos dados, pois os pesos calculados
para os valores estimados por krigagem ordinria dependem da funo covarincia entre o
ponto que se deseja estimar e os dados (vetor D, Equao 2.33). Como C(h) igual a zero
para lags maiores que o alcance determinado pelo variograma (ISAAKS; SRIVASTAVA,
1989), as clulas do grid que esto distantes das amostras, alm do alcance, recebero os
mesmos pesos que as clulas que esto nesse limiar. Desse modo, tem-se o mesmo valor
estimado para tais regies, consequentemente gerando uma geometria com um comportamento em blocos. possvel tambm identificar esse comportamento atravs do grid da
varincia do erro para cada varivel, onde estruturas cilindrcas so formadas com centro
nas posies onde se encontram os dados, de maneira que para as distncias maiores que
o alcance a varincia do erro mxima.
66
Captulo 4. Resultados e Discusses
Outra caracterstica que torna a KO um mtodo no adequado para a modelagem de reservatrio, que o comportamento dos histogramas das variveis estimadas
no garante a mesma distribuio dos dados, alm de suavizar o resultado das estimativas.Assim, superestimando os menores valores e subestimando os valores maiores, como
pode ser observado na Figura 16, que a comparao entre os histogramas dos dados da
varivel DRDN com os respectivos valores estimados. O mesmo comportamento se repete
para todas as variveis analisadas.
0.2
0.25
0.2
Frequncia
Frequncia
0.15
0.1
0.1
0.05
0.05
0
-5
0
(a)
10
15
-6 -4
-2
(b)
Figura 16 Comparao entre os histogramas dos dados (a) e histogramas estimados por
KO (b) da varivel DRDN
4.1. Krigagem Ordinria dos dados
67
z
x
y
(a)
100 m
50
500
0
(b)
100 m
50
500
0
1000 m
(c)
100 m
50
750
0
1000 m
(d)
100 m
50
750
0
1500 m
z
y
1500 m
x
(e)
(f)
500
1000 m
500
1000 m
x
z
(g)
17 .9
48. 9
80
(h)
111.2
14 2.2
22
20 4.2
3 86.4
568 .6
7 50 .8
Figura 17 Grid de krigagem Ordinria para a varivel GR juntamente com o grid da

varincia do erro.
68
z
x
y
(a)
100 m
50
500
0
(b)
100 m
50
500
0
1000 m
(c)
100 m
50
750
0
1000 m
(d)
100 m
50
750
0
1500 m
z
y
1500 m
x
(e)
(f)
500
1000 m
500
1000 m
x
z
(g)
1.6
1.8
1. 9
(h)
2.1
2.3
0.01
0. 02
0.03
0 .04
Figura 18 Grid de krigagem Ordinria para a varivel RHOB juntamente com o grid da
varincia do erro.
4.1. Krigagem Ordinria dos dados
69
z
x
y
(a)
100 m
50
500
0
(b)
100 m
50
500
0
1000 m
(c)
100 m
50
750
0
1000 m
(d)
100 m
50
750
0
1500 m
z
y
1500 m
x
(e)
(f)
500
1000 m
500
1000 m
x
z
(g)
5.4
13. 3
21.2
(h)
29.1
37
4 .7
20
35. 3
5 0.6
6 5.9
Figura 19 Grid de krigagem Ordinria para a varivel NPHI juntamente com o grid da
varincia do erro.
70
z
x
y
(a)
100 m
50
500
0
(b)
100 m
50
500
0
1000 m
(c)
100 m
50
750
0
1000 m
(d)
100 m
50
750
0
1500 m
z
y
1500 m
x
(e)
(f)
500
1000 m
500
1000 m
x
z
(g)
-7.4
-3.5
0.4
(h)
4.3
8.2
0 .6
3.5
6. 4
9 .2
1 2.1
Figura 20 Grid de krigagem Ordinria para a varivel DRDN juntamente com o grid
da varincia do erro.
4.2. Simulao Sequencial Guassiana
71
4.2 Simulao Sequencial Guassiana

A simulao condicionada, como se apontou anteriormente, no sofre o mesmo
problema que a estimativa por krigagem, pois a cada clculo de uma propriedade em uma
clula do grid, essa propriedade calculada adicionada ao conjunto de dados, fazendo
com que a prxima clula simulada, escolhida aleatoriamente, receba uma contribuio
do valor simulado na iterao anterior atravs da funo covarincia, o que no ocorre nas
estimativas por krigagem. Esse procedimento torna a simulao sequencial um processo
mais custoso computacionalmente, porm, ela garante a heterogeneidade da simulao.
Deve-se ter em mente, como j dito, que a simulao somente mimetiza a variabilidade de uma determinada propriedade, gerando cenrios, ou realizaes, equiprovveis
da realidade. Portanto, os modelos concebidos por simulao exigem interpretaes e
comparaes com os modelos concebidos por outras ferramentas, sendo apenas mais um
mecanismo a compor os instrumentos utilizados para modelagem de reservatrios.
Dessa maneira, foi realizada a simulao sequencial gaussiana para as propriedades

DRDN e RHOB utilizando o mesmo grid criado para a krigagem ordinria. A primeira
etapa para a realizao da SSG a transformao dos dados para o espao gaussiano,
dessa forma, o modelo variogrfico deve ser construdo com base nos dados aps a transformao para o espao gaussiano. A seguir est o modelo do variograma obtido para a
simulao da propriedade DRDN:
(hH + , hH , hV ) =
v
u
u
t
0.07 + 0.929413Exp
hH +
480
!2
hH +
480
!2
hH
480
!2
hH
480
!2
hV
20
!2
hV
34
!2
(4.1)
e para a prorpriedade RHOB:
(hH + , hH , hV ) =
v
u
u
t
0.05 + 0.949286Exp
(4.2)
Para as variveis DRDN e RHOB foram geradas 10 realizaes (Figura 23 e Figura 24) utilizando a simulao sequencial gaussiana. O nmero de realizaes foi suficiente, como sugere Costa (1997 apud SOUZA, 2007), pois a deciso do nmero de cenrios
pode ser avaliada atravs da flutuao da varincia das mdias das realizaes. Sabe-se
que esse parmetro apresenta uma oscilao conforme aumentamos os nmeros de realizaes at atingir um determinado patamar limite. De forma que o nmero de cenrios ideal
72
seria aquele que garanta que esse patamar tenha sido atingido. Portanto, como mostra
a Figura 21, as 10 realizaes feitas so suficientes para mapear a incerteza associada
estimativa da varivel analisada.
Varincia das mdias das realizaes
8
10
12
Nmero de Realizaes
14
16
18
20
Figura 21 Variabilidade da varincia com o aumento do nmero de realizaes em funo

do nmero de realizaes geradas por SSG.
Conforme se pode notar, a funo de distribuio dos valores simulados est de

acordo com a distribuio dos dados amostrados com pequenas diferenas resultantes das
flutuaes ergdicas. Na Figura 22 esto os exemplos dos histogramas dos dados ao lado
dos histogramas dos dados simulados, de uma realizao qualquer, onde pode se verificar
a reprodutibilidade do histograma.
O modelo de reservatrio foi obtido calculando a mdia pontual de cada n do grid

para as 10 realizaes equiprovveis da varivel DRDN (Figura 23), denominado mapa
E-type (REMY; BOUCHER; WU, 2009). Como a varivel DRDN classifica as litofcies
entre rocha reservatrio e rocha no reservatrio, nos pontos do grid onde foi estabelecida
a presena de rocha reservatrio foi calculada a porosidade efetiva E atravs do mapa
E-type construdo para a varivel RHOB (Figura 24), tambm construdo a partir das 10
realizaes equiprovveis, utilizando a Equao 3.6.
A distribuio espacial das litofcies alcanada com a SSG juntamente com seu
respectivo mapa E-type (Figura 25) forneceu geometrias que so coerentes com os sistemas de deposio turbidticos citados por Souza (1997) e Barboza (2005) (e.g.:Figura 4),
capturando a heterogeneidade e complexidade de tais sistemas. Portanto, o mtodo de
simulao estocstica uma boa ferramenta para a anlise da variabilidade espacial de
modelos de reservatrios turbidticos.
4.2. Simulao Sequencial Guassiana
73
0.25
0.2
0.2
Frequncia
Frequncia
0.15
0.1
0.1
0.05
0.05
0
-5
10
-5
15
(a)
10
15
(b)
0.16
0.14
0.14
0.12
0.12
0.1
Frequncia
Frequncia
0.1
0.04
0.04
0.02
0.02
0
18
2.0 2.2 2.4 2.6 2.8
(c)
18
2.0 2.2 2.4 2.6 2.8
(d)
Figura 22 Comparao entre os histogramas dos dados (a) e (c) e histogramas simulados
por SSG (b) e (d) para as variveis DRDN (primeira linha) e RHOB (segunda
linha)
74
Figura 23 Representao do empilhamento dos grids para a gerao do mapa E-type da

varivel DRDN. Na figura esto representadas apenas uma das sees horizontais de cada grid tridimensional. A determinao do valor de cada clula
do mapa E-type foi calculado atravs da mdia das 10 realizaes equiprovveis com as mesmas coordenadas espaciais.
4.3 Validao Cruzada

A validao cruzada um mtodo que permite checar se o modelo criado a partir das tcnicas geoestatsticas contm algum tipo de problema, permitindo comparar os
valores simulados (ou estimados) com os dados usando apenas as informaes disponveis
nos dados.
A ideia bsica estimar o valor da propriedade em localizaes onde o valor real

conhecido, descartando temporariamente as amostras de dados nessas posies. O valor
nessa mesma localizao ento estimado usando as amostras restantes. Uma vez tendo
o valor estimado, podemos compar-lo ao verdadeiro valor, inicialmente removido do conjunto de dados, usando um grfico de disperso.
Primeiramente, o algoritmo para o clculo da validao cruzada, desenvolvido no

R
Matlab
, foi testado com todos os dados originais para avaliar o comportamento do cdigo e dos valores simulados e estimados. Assim, esse teste foi realizado para a estimativa
por krigagem ordinria (Figura 27a e Figura 28a), o mapa E-type de valores simulados
(Figura 27b e Figura 28b) e uma das realizaes da simulao sequencial gaussiana
4.3. Validao Cruzada
75
Figura 24 Representao do empilhamento dos grids para a gerao do mapa E-type da

varivel RHOB. Tambm foram utilizadas 10 realizaes equiprovveis para
a gerao do mapa E-type. A varivel RHOB foi utilizada para o clculo da
porosidade efetiva.
(Figura 27c e Figura 28c) para ambas as variveis (DRDN e RHOB). Entretanto, na
construo do cdigo no foi levada em considerao a diferena entre as dimenses dos
ns do grid e a amostragem dos dados originais. Como o comprimento vertical de uma
clula do grid possui 1m e a amostragem de no mximo 20 cm, para cada valor simulado no grfico de disperso haver vrios valores oriundos dos dados originais. Portanto,
o grfico de disperso no ter o comportamento de uma reta y = x, como era de se
esperar, mas de pontos dispersos em torno da reta y = x.
Para esses testes, a correlao entre os valores estimados/simulados e valores reais

forte, acima de 0.79. Indicando que o algoritmo desenvolvido para validao cruzada
est funcionando adequadamente. Dessa forma, realizou-se a validao cruzada para uma
realizao da SSG para avaliar se as simulaes que foram utilizadas para a construo
do modelo de reservatrio possuem algum tipo de impropriedade.
Primeiramente, foram removidos dos dados originais 10% dos poos, realizada a
SSG e comparados os valores simulados nas coordenadas dos dados reais, para as variveis
DRDN (Figura 27d) e RHOB (Figura 28d). O mesmo foi realizado removendo 15% dos
poos (Figura 27e e Figura 28e), 20% dos poos (Figura 27f e Figura 28f) e por fim
76
z
x
y
(a)
100 m
50
500
0
(b)
100 m
50
500
0
1000 m
(c)
100 m
50
750
0
1000 m
(d)
100 m
50
750
0
1500 m
z
y
1500 m
x
(e)
(f)
500
1000 m
500
1000 m
x
z
(g)
(h)
%
NO RESERVATRIO
RESERVATRIO
RESERVATRIO LIMPO
-0 2
94
19 1
28 8
38 5
Figura 25 Mapa E-type da varivel DRDN (primeira coluna) e mapa E-type para a porosidade efetiva (segunda coluna).As sees horizontais (g) e (h) correspondem
a poro inferior do grid tridimensional. A distribuio das litofcies dessas
sees sugerem um sistema deposicional de canais confinados alinhados direo N-S, na poro inferior da seo, e um alinhamento na direo NW-SE,
na poro superior da seo. Nas sees verticais (c), (d), (e) e (f) possvel
observar os diversos eventos turbiditcos.
77
z
x
y
(a)
100 m
50
500
0
(b)
100 m
50
500
0
1000 m
1000 m
(c)
100 m
50
750
0
x
y
(d)
100 m
50
750
0
1500 m
z
y
1500 m
x
(e)
(f)
500
1000 m
500
1000 m
x
z
(g)
(h)
%
NO RESERVATRIO
RESERVATRIO
RESERVATRIO LIMPO
-0 2
94
19 1
28 8
38 5
Figura 26 Mapa E-type da varivel DRDN (primeira coluna) e mapa E-type para a porosidade efetiva (segunda coluna). As sees horizontais (g) e (h) correspondem
a poro superior do grid tridimensional. possvel notar a mudana da direo preferencial dos canais em relao a figura 25. A distribuio das litofcies
tornam-se mais espraiadas sugerindo a evoluo do sistema deposicional. As
sees verticais (c), (d), (e) e (f) apresentam os diversos eventos turbiditcos.
78
30% dos poos (Figura 27g e Figura 28g).
Analisando o coeficiente de correlao de cada validao cruzada, nota-se que

mesmo as SSG com 30% poos a menos, ainda possuem uma boa correlao (acima
de 0.51) com os dados originais. Portanto, mesmo com a reduo de 30% dos dados,
a simulao sequencial gaussiana reproduz resultados estveis que representam bem a
variabilidade dos dados nos modelos alcanados.
79
Validao Cruzada
Coef.Correlao = 0.79239
Validao Cruzada
(a) KO - Conjunto de dados completos
(b) E-type - Conjunto de dados completos

Validao Cruzada
Validao Cruzada
(c) SSG - Conjunto de dados completos
(d) SSG - menos 10% dos poos
Validao Cruzada
Validao Cruzada
(e) SSG - menos 15% dos poos
(f) SSG - menos 20% dos poos
Validao Cruzada
(g) SSG - menos 30% dos poos

DRDN.
80
Validao Cruzada
Validao Cruzada
(a) KO - Conjunto de dados completos
(b) E-type - Conjunto de dados completos
Validao Cruzada
Validao Cruzada
(c) SSG - Conjunto de dados completos
(d) SSG - menos 10% dos poos
Validao Cruzada
Validao Cruzada
(e) SSG - menos 15% dos poos
(f) SSG - menos 20% dos poos
Validao Cruzada
(g) SSG - menos 30% dos poos

RHOB.
81
Consideraes finais
Os mtodos geoestatsticos como ferramenta para modelagem de reservatrios turbidticos, como o caso do reservatrio Namorado, se mostraram bastante eficientes. Embora a abordagem por krigagem ordinria, como se esperava, no tenha apresentado um
resultado satisfatrio, a simulao sequencial gaussiana foi capaz de representar bem a
variabilidade do sistema, dessa forma estando de acordo com as geometrias de deposio
propostas tanto por Souza (1997) como por Barboza (2005) para o Campo de Namorado.
Os resultados da simulao sequencial gaussiana, com as transformaes dos poos

direcionais em poos verticais, supondo que as medies dos perfis permaneam na mesma
camada estratigrfica, e a translao vertical de todos os poos ao mesmo nvel de base do
reservatrio, apesar de introduzirem incertezas ao modelo de reservatrio, mostram que
tais suposies esto de acordo com o modelo deposicional de camadas plano paralelas do
reservatrio Namorado.
A escolha da varivel DRDN para a classificao das litofcies foi fundamental

para a construo do modelo de reservatrio, permitindo mapear o comportamento da
distribuio espacial das fcies no reservatrio de uma forma mais confivel. Uma vez que
o perfil DRDN uma varivel contnua, no sofre perda de informao por truncamento
quando transformada em varivel categrica, dessa maneira proporcionando mais confiabilidade ao modelo de reservatrio obtido.
importante ressaltar que os depsitos turbidticos do Campo de Namorado contriburam para eficcia do mtodo abordado nesse trabalho. A variao lateral esperada
para tais depsitos foi capturada pela simulao mesmo com a escassez de dados. A distribuio espacial das fcies simuladas fazem sentido, do ponto de vista do modelo geolgico
do reservatrio, sem impor condies de distribuio espacial alm do modelo de variograma obtido atrves dos dados.
Mesmo com a pobreza de dados e dispondo somente das informaes ssmicas

para a marcao da base e topo do reservatrio, a simulao do reservatrio foi capaz de
capturar os diferentes eventos turbiditcos como mostram as Figura 25 e Figura 26. Isso
sugere que o modelo poderia ser mais refinado, oferecendo uma maior confiabilidade, se
adicionada uma condicionante externa ao conjunto de dados utilizados para a simulao.
82
Consideraes finais
Os resultados da validao cruzada mostram que o mtodo apresenta estabilidade

mesmo com reduo dos dados, dessa forma fornecendo confiabilidade modelagem do
reservatrio. Assim, a metodologia apresentada nesse trabalho pode ser usada em cenrios
exploratrios ou explotatrios onde h pouca disponibilidade de dados ssmicos, como
os campos onshore onde a ssmica, em geral, de baixa qualidade se comparada com
as aquisies offshore, e o nmero de poos maior devido ao baixo custo relativo s
campanhas martimas.
83
Referncias
BACOCCOLI, G.; MORALES, R. G.; CAMPOS, O. A. J. The namorado oil field: A
major oil discovery in the campos basin, brazil. In:
. [S.l.]: American Association of
Petroleum Geologists, 1980. cap. Giant Oil and Gas Fields of the Decade: 1968 a 1978.
BARBOZA, E. G. Anlise Estratigrfica do Campo Namorado (Bacia de Campos) com
base na interpretao Ssmica Tridimensional. Tese (Doutorado) Universidade Federal
do Rio Grande do Sul, Porto Alegre, 2005.
BARBOZA, E. G. et al. Anlise faciolgica e modelo deposicional do arenito namorado,
bacia de campos, rj. CONGRESSO BRASILEIRO DE PeD EM PETRLEO E GS,
2005.
BARBOZA, E. G.; TOMAZELLI, L. J.; VIANA, A. R. Anlise preliminar da geometria
deposicional dos turbidtos do campo de namorado, bacia de campos. CONGRESSO
BRASILEIRO DE PeD EM PETRLEO E GS, 2003.
BIGELOW, E. L. Introduction to Wireline Log Analysis. [S.l.]: Western Atlas
International, 2002.
BOHLING, G. Introduction to Geostatistics and Variogram Analysis. [S.l.], 2005.
BRUHN, C.H. et al. Campos basin: Reservoir characterization and management
historical overview and future challenges. Petrobras EeP, 2003.
CASTRO, W. B. de M. Correlao Rocha-Perfil atravs de Regresso Logstica.
Dissertao (Mestrado) Universidade Estadual de Campinas, 1998.
CHILES, J.-P.; DELFINER, P. Geostatistics Modeling Spatial Uncertainty. [S.l.]: JOHN
WILEY SONS, 1999.
COSTA, J. F. C. Developments in Recoverable Reserves and Ore Body Modeling. Tese
(Doutorado) The University of Queensland, 1997.
CRUZ, M. M. da. Aplicao de perfilagem geofsica e ssmica na caracterizao da
faciologia do reservatrio Namorado. Dissertao (Mestrado) Universidade Federal
Fluminense, 2003.
DEUTSCH, C. V. Geostatistical Reservoir Modeling. [S.l.]: Oxford University, 2002.
DEUTSCH, C. V.; JOURNEL, A. G. GSLIB Geostatistical Software Library and Users
Guide. [S.l.]: Oxford University, 1998.
DIAS, J. L. et al. Aspectos da evoluo tectono-sedimentar e a ocorrncia de
hidrocarbonetos na bacia de campos. In: Origem e Evoluo de Bacias Sedimentares. 2.
ed. Rio de Janeiro: Petrobrs, 1990. cap. 14, p. 333360.
GUIMARES, M. da S. B.; DENICOL, P. S.; GOMES, R. M. R. Avaliao e
caracterizao de reservatrios laminados: comparao entre as ferramentas convencioais
e perfil de induo multicomponente. Revista Brasileira de Geocincias, 2008.
84
Referncias
ISAAKS, E. H.; SRIVASTAVA, R. M. Introduction an Applied Geostatistics. [S.l.]:

OXFORD UNIVERSITY, 1989.
LANDIM, P. M. B. Sobre geoestatstica e mapas. Terra e Didtica, 2006.
MATHERON, G. The Theory of Regionalized Variables and its applications. [S.l.]: cole
Nationale Suprieure des Mines de Paris, 1971.
RANGEL, H. D.; MARTINS, C. C. Apostila sobre prospeco e desenvolvimento de
. Rio de Janeiro: Schlumberger, 1998. cap. Cenrio
campos de petrleo e gs. In:
geolgico nas bacias sedimentares no Brasil: Principais compartimentos exploratrios,
Bacia de Campos, p. 3240.
REMACRE, A. Z. Introduo as Funes Aleatrias. 1999.
REMY, N.; BOUCHER, A.; WU, J. Applied Geostatistics with SGeMS. [S.l.]: Cambridge
University, 2009.
SOUZA, L. E. de. Proposio Geoestatstica para Quantidicao do Erro em Estimativas
de Tonelagens e Teores. Tese (Doutorado) Universidade Federal do Rio Grande do
Sul, 2007.
SOUZA, O. G. Stratigraphie Squentielle et Modlisation Probabiliste des Rservoirs
dun Cne Sous-marin Profond (Champ de Namorado, Brsil): Intgration des Donnes
Gologiques et Gophysiques. Tese (Doutorado) Universit Pierre Et Marie Curie,
1997.
WEBSTER, R.; OLIVER, M. A. Geostatistics for Environmental Scientists. [S.l.]: JOHN
WILEY SONS, 2007.
YAMAMOTO, J. K. Curso de geoestatstica aplicada. Peridico Desconhecido, 2001.
Notas de aula.
Anexos
87
R : Validao
ANEXO A Cdigo Matlab
Cruzada
% ----------------- importando os dados--------------------------------%dado original
hard=importdata(pocos.dat, \t,15);
%dado simulados
model=importdata(simulados.dat,,,1);
% ---------parametros com as dimenses do Grid -----------------------%nmero de clulas
nx=204 ;ny=320; z=253;
%tamanho da clula
Sx=20; Sy=20; Sz=1;
%origem
Ox=7515085; Oy=351383; Oz=-3171;
%-------------------Criando grid para dados estimados------------------%vetores com as coordenadas
X=(Ox:Sx:Ox+((nx-1)*Sx));
Y=(Oy:Sy:Oy+((ny-1)*Sy));
Z=(Oz:Sz:Oz+((nz-1)*Sz));
%entrando com as coordenadas eixo x
Coordgrid(:,1)=repmat(X,ny*nz,1);
%entrando com as coordenadas eixo y
aux1=repmat(Y,nz,nx);
aux1=aux1;
Coordgrid(:,2)=aux1(:);
%entrando com as coordenas eixo z
aux2=repmat(Z,1,nx*ny);
aux2=aux2;
Coordgrid(:,3)=aux2(:);
%coordenadas criadas anexada ao dados simulados
Coordgrid= [Coordgrid model.data];
88
R
ANEXO A. Cdigo Matlab
: Validao Cruzada
%-----Busca das coordenadas dos dados originais no grid simulado-------match = zeros(length(hard.data),3+size(model.data,2));

for i=1:length(hard.data)
%busca da menor distancia do ponto do dado ao grid na direo X
[lixo,indx] = min(abs(X-hard.data(i,1)));
%busca menor distancia do ponto do dado ao grid na direo Y
[lixo,indy] = min(abs(Y-hard.data(i,2)));
%busca menor distancia do ponto do dado ao grid na direo Z
[lixo,indz] = min(abs(Z-hard.data(i,3)));
%regra de ordena os dados do grid (SGEMS) no arquivo de saida
ind = (indz-1)*nx*ny + (indy-1)*nx + (indx-1) + 1;
%coincidindo os dados originais com dados simulados
match(i,:) = Coordgrid(ind,:);
end
% ---------------- grfico de diperso --------------------------------figure (1)
a=match(:,4);
b=hard.data(1:size(match,1),4);
%filtro para remover os valores invlidos
r=find(b>-9999);
plot(a(r),b(r),.)
hold on
%Ajuste de uma linha reta aos pontos
ab=polyfit(a(r),b(r),1);
y_fit=polyval(ab,a(r));
plot(a(r),y_fit,g)
%reta y=x
plot(a(r),a(r),r)
%coef. de corelao
cor=corrcoef(a(r),b(r));

ModelagemGeoestatisticaCampoNamoradoBaciaCampos CostaFT PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

ModelagemGeoestatisticaCampoNamoradoBaciaCampos CostaFT PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Felipe Timteo da Costa

Modelagem Geoestatstica do Campo de

Felipe Timteo da Costa

Modelagem Geoestatstica do Campo de Namorado na

Universidade Federal Fluminense

Orientador: Bruno Yann Nicolas Goutorbe

Felipe Timteo da Costa

Modelagem Geoestatstica do Campo de Namorado na

Trabalho aprovado. Brasil, 8 de outubro de 2013:

Bruno Yann Nicolas Goutorbe

Prof.Dr.Cleverson Guizan Silva

Dr. Marcos A. Gallotti Guimares

Prof.Dr. Alexandre Motta Borges

Aos professores do LAGEMAR pelos preciosos ensinamentos. E todos aqueles

Para examinar a verdade, necessrio,

Figura 9 Distribuio das distncia e direes entre os poos, histograma em

Lista de abreviaturas e siglas

Funo distribuio acumulada

Funo densidade de probabilidade

Simulao Sequencial Gaussiana

Stanford Geostatistical Modeling Software

Funo distribuio acumulada

Funo densidade de probabilidade

Realizao de uma varivel aleatria

Covarincia entre duas variveis aleatrias separadas pelo vetor h

Covarincia para o vetor separao h = 0. tambm a varincia de

A utilizao dos mtodos geoestatsticos possibilita a reduo de custos ao mesmo

A metodologia abordada nesse trabalho foi aplicada ao Campo de Namorado na

Essa dissertao est organizada da seguinte maneira: no primeiro captulo feita

Figura 1 Localizao da Bacia de Campos com os 41 campos de explorao petrolfera.

Captulo 1. Geologia Regional

luz da Teoria da Tectnica de Placas, a Bacia de Campos classificada como

Durante o estgio rifte, que ocorreu entre o Neocomiano at o incio do Aptiano,

Os folhelhos escuros da Formao Lagoa Feia so considerados como as principais

Aps a fase rifte, ou Sequncia Continental, d-se incio a Sequncia Transicional

1.1. Bacia de Campos

Figura 2 Carta Estratigrfica da Bacia de Campos. ( Modificado de Rangel e Martins

Captulo 1. Geologia Regional

O estabelecimento de condies estritamente marinhas no proto Oceano Atlntico

Durante o Eo/Meso Albiano, devido ao afastamento progressivo entre as placas

A poro superior da Formao Maca e a poro basal da Formao Campos

A Sequncia Ocenica Progradante, que dura desde o Meso Eoceno at o perodo

1.2. O Campo de Namorado

Fig.4 Seo Esquemtica Geolgica da Bacia de Campos, representando as principais formaes

Figura 3 Seo Esquemtica Geolgica da Bacia de Campos, representado as principais

1.2 O Campo de Namorado

Captulo 1. Geologia Regional

Barboza et al. (2005) prope um modelo deposicional para o Campo de Namorado,

De acordo com esse modelo h um empilhamento de leques turbidticos, onde esses

1.2. O Campo de Namorado

Figura 4 Modelo esquemtico propondo a evoluo paleogeogrfica para a rea do

Os mtodos geoestatsticos lidam com os fenmenos distribudos e correlacionados

2.1 Variveis e Funes Aleatrias

J a funo densidade de probabilidade, retratada como um histograma, definida

A chave para a interpretao probabilstica de uma varivel z a modelagem de

(a) Funo distribuio acumulada

(b) Funo densidade de probabilidade

Figura 5 Funo distribuio de probabilidade (REMY; BOUCHER; WU, 2009).

2.2 Variveis Regionalizadas

Assim os valores de uma varivel regionalizada tendem a estar relacionados. Valores

2.3 Estacionaridade da funo aleatria

2.4. A hiptese intrnseca e o Variograma

Sendo a funo covarincia definida como: