Método de inversión genética para mejorar el modelado de reservorios en la cuenca Marañón

Abstract

Este trabajo consistió en validar que el método de inversión genética permite mejorar el modelado de reservorios en la Cuenca Marañón. Este método se aplicó al reservorio Vivian Inferior en el campo Situche Central. El trabajo inicio con la construcción de la grilla tridimensional generada a partir del modelo estratigráfico-estructural obtenido de la interpretación sísmica 3D en profundidad. Seguidamente, se utilizó el método de inversión genética el cual se basa en la combinación de redes neuronales y el algoritmo genético para convertir el cubo sísmico 3D en un cubo de porosidad utilizando como datos de entrada los perfiles de porosidad, las ondículas de la sísmica 3D y los horizontes interpretados. Posteriormente, se utilizó el cubo de porosidad generado como variable secundaria para obtener un modelo de porosidad tridimensional. Este modelo de porosidad obtenido por el método de inversión genética fue utilizado como dato de entrada para generar el modelo de permeabilidad integrando unidades de flujo y el modelo de saturación de agua integrando datos de presiones capilares. El modelo de facies se generó estableciendo rangos de porosidad en la grilla de porosidad integrando datos de núcleos y perfiles de pozo. La integración de estos modelos permitió la estimación de los volúmenes de petróleo original in situ en el reservorio. Finalmente, los resultados obtenidos en los modelos de generados utilizando el método de inversión genética mostraron mejoras en la representación espacial de las propiedades y la distribución de los hidrocarburos.

This study consisted of validating that the genetic inversion method allows improving reservoir modeling in the Marañon Basin. This method was applied to the Vivian Inferior reservoir in the Situche Central field. The study began with the construction of the three-dimensional grid generated from the stratigraphic-structural model obtained from the 3D seismic interpretation in depth. Next, the genetic inversion method was used, which is based on the combination of neural networks and the genetic algorithm to convert the 3D seismic cube into a porosity cube using porosity logs, wavelets from 3D seismic, and interpreted horizons as input data. Subsequently, the generated porosity cube was used as a secondary variable to obtain a three-dimensional porosity model. This porosity model obtained by the genetic inversion method was used as input data to generate the permeability model integrating flow units and the water saturation model integrating capillary pressure data. The facies model was generated by establishing porosity ranges on the porosity grid integrating data from cores and well logs. The integration of these models allowed the estimation of the volumes of original oil in place in the reservoir. Finally, the results obtained in the models generated using the genetic inversion method showed improvements in the spatial representation of the properties and distribution of hydrocarbons.