INGENIERIA DE YACIMIENTOS DE GAS

INTEGRANTES:

•LAURA LICONA CORTEZ•GABRIELA IVETTE PEREZ PEREZ

Estimación de G mediante Método Probabilístico de

Monte Carlo.

PROFESOR: ING. ARMANDO GODINA

ROJAS

TEMA:

2

Introducción

Metodo Monte Carlo

Referencias

Se  dice que un hecho o fenómeno es de naturaleza estocástica cuando su

incidencia no está ligada ni vinculada absoluta o directamente a factores

exclusivamente causales propio de modelos deterministas, habiendo fenómenos o

hechos cuya ocurrencia sucede en un contexto o margen de indeterminismo o

incertidumbre, los hechos se producen en un margen de posible distribución

aleatoria, luego se estudian a través de la probabilidad y la estadística.

Un proceso estocástico es aquel cuyo comportamiento es no determinista, en la medida que el subsiguiente estado del sistema está determinado tanto por las acciones predecibles del proceso como por elementos aleatorios.

Un proceso estocástico es aquel cuyo comportamiento es no determinista, en la medida que el subsiguiente estado del sistema está determinado tanto por las acciones predecibles del proceso como por elementos aleatorios.

Determinísticamente se encontró que mediante la búsqueda de valores promedios

de espesor, área o volumen se puede llegar a una solución única, para el calculo

del volumen original de gas.

El volumen de roca se puede obtener del análisis de mapas isópacos, , métodos

tabulares (Aproximación piramidal y trapezoidal) y mapas estructurales mediante el

cálculo del área encerrada bajo la curva de la cima y la base en la gráfica de

profundidad contra área.

Si se tiene un conjunto de pozos, la porosidad se determina realizando un

ponderado por área.

Pasos a seguir para calcular G por Monte Carlo:

1.Tomar muestras de la distribución de probabilidades de cada uno de los parámetros considerados estadísticos en función de la ecuación que se posea.2.Tener en cuenta cuales variables son constantes o están dentro de una incertidumbre.3.Se debe calcular el valor de G, tantas veces como se considere necesario para involucrar todo el rango de valores que se encuentran en cada una de las variables.4.Al agrupar un número significativo de valores de G, se construye un histograma de frecuencias acumulada contra el OGIP, creando intervalos de clase.5.El OGIP correspondiente a una frecuencia acumulada del 50 por ciento, será el valor de G promedio del yacimiento.

7

Consiste en evaluar el riesgo asociado a un evento, escenario o decisión, en particular es una representación matemática deducida de un conjunto de supuestos, con el doble propósito de estudiar los resultados de un experimento aleatorio y predecir su comportamiento futuro, cuando se realiza bajo las mismas condiciones dadas inicialmente.

El modelo permite:

•Conocer la distribución de probabilidades de los valores que toma la variable aleatoria.

•Estimar escenarios de la variable dependiente.

•Permite hacer una análisis de sensibilidad de los supuestos.

Modelo Probabilístico

8

Lo que hace el método toma una ecuación (modelo) que imita un sistema real y lo aplica en distintos escenarios, realizando un numero de iteraciones.

La técnica de ésta simulación consiste en alimentar una ecuación con números aleatorios, algo así como los que se obtienen en una ruleta de un casino. Y es precisamente esta similitud la que le da a este método su nombre, siendo el casino de Monte Carlo en el Principado de Mónaco la inspiración.

Método Monte CarloEs una técnica que combina conceptos estadísticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar números pseudo-aleatorios y automatizar cálculos.

9

• La idea básica del cálculo probabilístico es tomar en cuenta la incertidumbre relacionada con varios parámetros que se toman en cuenta para el cálculo.

• El modelo de Monte Carlo, es un muestreo aleatorio de los parámetros de las distribuciones de entrada, en orden para generar una distribución de probabilidad como función de la variable de interés.

• Un enfoque más rápido es para modelar las propiedades con menos incertidumbre que en una forma determinística.

Técnica Monte Carlo para Estimación Probabilística de OHIP. (Jahn, F. 2003)

10

Modelo

04/03/2015 11

Referencias

Gonzalo,R (2003). Ingeniería de Yacimientos de Gas Condesado.

Ganesh, Thakur (1994). Integrated Petroleum Reservoir Management. PennWell. California.

Jahn, F. et al. (2003). Hydrocarbon exploration and production. Elsevier. Aberdeen.

Consentino. (2001). Integrated reservoir studies. Technip. Francia