Beruflich Dokumente
Kultur Dokumente
Brasil
2013
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.
Brasil
2013
Adalberto da Silva
Coorientador
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.
E por fim, a minha eterna namorada Gabriela Zuquim, que esteve ao meu lado
sempre me apoiando.
Muito Obrigado.
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 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
os valores calculados para o variograma a partir dos dados e a linha
contnua representa o modelo ajustado aos dados. . . . . . . . . . . . . 61
Figura 15 (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Variograma 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 modelo ajustado aos dados. . . . . . . . . . . . . 62
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
grid da varincia do erro. . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 20 Grid de krigagem Ordinria para a varivel DRDN juntamente com o
grid da varincia do erro. . . . . . . . . . . . . . . . . . . . . . . . . . 70
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 28 Validao Cruzada entre os valores estimados/simulados para a varivel
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
Varivel Aleatria
FA
Funo Aleatria
fda
fdp
KO
Krigagem Ordinria
SSG
SGeMS
Lista de smbolos
Funo Variograma
Alcance
vetor lag
Varincia.
F (z)
f (z)
Varivel Aletoria
Z(u)
Funo Aleatria
Varivel Estimada
Zs
Varivel Simulada
Mdia
C(h)
C(0)
(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.
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).
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
29
ce_campos.pdf
30
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.
31
15
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.
33
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...
F (z) = P rob{Z z}
(2.1)
f (z) =
dF (z)
dz
(2.2)
36
Captulo 2. Geoestatstica
F(z)
f(z)
z
0
z mx
z mn
z mx
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)
37
N
X
Z(ui ) = E[Z(ui )]
(2.4)
i=1
(2.5)
(2.6)
(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)
38
Captulo 2. Geoestatstica
E[Z(u + h) Z(u)] = 0
E[Z(u + h) Z(u)]2 = 2(h)
(2.9)
(2.10)
(2.11)
(2.12)
(2.13)
39
patamar
EFEITO
PEPITA
ALCANCE
DISTNCIA
(h)
40
Captulo 2. Geoestatstica
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)
0 se khk = 0
1 para qualquer outro.
(2.15)
Modelo Esfrico
Modelo Exponencial
(h) = 1 exp (3khk)
(2.16)
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:
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.
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
(2.20)
42
Captulo 2. Geoestatstica
(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
i = 1.
(2.23)
i=1
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)
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
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=1 j=1
N X
N
X
(2.26)
i=1 j=1
(2.27)
"N
X
i Z(ui ) =
i=1
N X
N
X
(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:
"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=1
N
X
(2.29)
i=1
44
Captulo 2. Geoestatstica
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
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
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
C11 . . . C1N
..
..
..
.
.
.
i 1 = 0
1
..
CN 1 . . . CN N 1
1 ...
1
0
1
..
.
D
C10
..
.
CN 0
(2.33)
45
(2.34)
(2.35)
46
Captulo 2. Geoestatstica
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
= 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.
47
(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)
= E
N
X
{z
j=1
N
X
(2.40)
j=1
(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
Captulo 2. Geoestatstica
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
NA14D
50
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.
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
.
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.
53
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
30
180
210
330
240
300
270
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
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.
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
56
1
-0.0309
0.369349
0.216826
0.414684
RHOB
NPHI
DRDN
DT
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
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
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
58
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).
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.
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)
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)
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)
v
u
u
t
0.001 + 0.0202Exp
(hH + , hH , hV ) =
61
hH +
300
!2
hH
300
!2
hV
27
!2
(3.2)
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)
(hH + , hH , hV ) =
v
u
u
t
4.0 + 28.9688Exp
hH +
535
!2
hH
535
!2
hV
76
!2
(3.3)
62
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)
(hH + , hH , hV ) =
v
u
u
t
0.46 + 5.62645Exp
hH +
600
!2
hH
600
!2
hV
27.8
!2
(3.4)
63
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.
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)
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.
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
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
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
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.
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.
71
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.
(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)
(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.
8
10
12
Nmero de Realizaes
14
16
18
20
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.
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
(c)
18
(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
75
(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.
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
79
Validao Cruzada
Coef.Correlao = 0.79239
Validao Cruzada
Coef.Correlao = 0.91417
Validao Cruzada
Coef.Correlao = 0.7949
Validao Cruzada
Coef.Correlao = 0.62735
Validao Cruzada
Coef.Correlao = 0.60324
Validao Cruzada
Coef.Correlao = 0.51965
80
Validao Cruzada
Coef.Correlao = 0.85724
Validao Cruzada
Coef.Correlao = 0.91946
Validao Cruzada
Coef.Correlao = 0.84966
Validao Cruzada
Coef.Correlao = 0.80501
Validao Cruzada
Coef.Correlao = 0.78513
Validao Cruzada
Coef.Correlao = 0.77414
Validao Cruzada
Coef.Correlao = 0.72929
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.
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.
82
Consideraes finais
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
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