A Petrel-Based Reproducible Workflow for Integrated Static Reservoir Characterization Using Synthetic Seismic and Well-Log Data

En lo profundo de la superficie terrestre, las empresas de petróleo y gas dependen de mapas tridimensionales para comprender dónde se encuentran ocultos los recursos. Estos mapas no son fotografías tomadas con una cámara; son hipótesis complejas construidas a partir de pistas dispersas. Un conjunto de pistas proviene de los datos sísmicos, que utilizan ondas sonoras para crear una imagen amplia y borrosa de las capas de roca en un área extensa. Otro conjunto proviene de los registros de pozos, que son mediciones detalladas tomadas desde estrechos agujeros perforados en el suelo, ofreciendo información de alta resolución pero solo a lo largo de una única línea vertical. Para dar sentido al espacio entre estas mediciones dispersas, los geólogos utilizan conceptos geológicos para llenar los vacíos. El resultado es un modelo de yacimiento estático, una representación digital de la roca subterránea que ayuda a los ingenieros a estimar cuánto petróleo o gas existe, planificar dónde perforar a continuación y predecir cómo se moverán los fluidos. Sin embargo, la construcción de estos modelos implica innumerables decisiones humanas, desde cómo interpretar una línea ondulada en una pantalla hasta cómo suavizar datos rugosos. Cuando estas elecciones no se registran claramente, el mapa final resulta difícil de verificar o repetir, dejando la ciencia vulnerable a errores ocultos y dificultando que otros aprendan del trabajo.

En un estudio reciente, el investigador Innocent J. Aluka, de la Universidad Prairie View A&M, aborda este problema introduciendo una nueva forma de organizar la creación de estos mapas subterráneos. El estudio no inventa una nueva forma de calcular las propiedades de la roca ni descubre un nuevo tipo de yacimiento de petróleo. En su lugar, propone un marco estructurado y paso a paso llamado Flujo de Trabajo de Modelado de Yacimientos Integrado y Reproducible (RIRMW, por sus siglas en inglés). Este marco trata la creación de un modelo de yacimiento no como una colección laxa de clics de software, sino como una cadena estricta de pasos auditables. Cada paso en la cadena requiere entradas específicas, sigue una regla de transformación clara, registra cada parámetro utilizado, pasa por un control de calidad y produce una salida con versión antes de pasar a la siguiente etapa. El objetivo es que todo el proceso sea transparente, asegurando que cada decisión y configuración esté documentada para que otro experto pueda seguir el mismo camino y llegar al mismo resultado.

Para probar esta idea sin utilizar datos confidenciales de campos petroleros reales, el investigador construyó un conjunto de datos sintéticos completos. Este entorno artificial imita una formación rocosa estratificada y con fallas que contiene arenisca, arenisca arcillosa y lutita. El equipo generó imágenes sísmicas falsas, mapas de atributos que resaltan los límites de las rocas y registros de pozos detallados que simulan lo que encontraría una perforación. Utilizando estos datos controlados, ejecutaron el nuevo flujo de trabajo a través de seis módulos distintos. Primero, interpretaron los datos sísmicos y de pozos para identificar las capas de roca y las fallas. Segundo, construyeron una malla estructural, un esqueleto digital que mantiene las capas de roca en su lugar mientras respeta las fallas que las atraviesan. Tercero, simularon la distribución de los tipos de roca, decidiendo dónde aparecen la arenisca y la lutita en el espacio 3D. Cuarto, modelaron propiedades continuas como la porosidad, que mide cuánto espacio vacío existe en la roca para contener fluidos, y la permeabilidad, que mide la facilidad con la que el fluido fluye a través de ella. Quinto, integraron todas estas piezas en un único modelo 3D consistente. Finalmente, evaluaron la incertidumbre ejecutando el proceso varias veces con diferentes semillas aleatorias para ver cuánto variaban los resultados.

Los resultados de esta demostración mostraron que el flujo de trabajo produjo con éxito un modelo coherente e internamente consistente del yacimiento sintético. El mapa final mostró cuerpos de arenisca conectados de una manera que coincidía con los conceptos geológicos, con alta porosidad y permeabilidad concentradas en las zonas de mejor calidad de la roca. Crucialmente, el proceso preservó un registro completo de cada decisión tomada. Por ejemplo, el estudio registró que la porosidad efectiva oscilaba entre cero y el cuarenta por ciento, con un promedio del 17,6 por ciento a través de los diferentes escenarios simulados. La permeabilidad horizontal, una medida de flujo, osciló entre 0,1 y 1.000 milidarcies, una unidad utilizada para describir la facilidad con la que los fluidos se mueven a través de la roca. La saturación de agua, que indica qué parte del espacio poroso está llena de agua en lugar de petróleo, se modeló entre cero y uno. Al ejecutar múltiples simulaciones, el equipo pudo demostrar que, si bien la disposición exacta de la roca variaba ligeramente en cada ocasión, las estadísticas generales se mantenían estables, con una porosidad mediana del 17,3 por ciento.

Un hallazgo clave del estudio es que este enfoque no elimina la necesidad del juicio experto; más bien, hace que ese juicio sea visible. En los proyectos tradicionales, un geólogo podría tomar una decisión sobre cómo conectar dos puntos de datos, pero esa elección a menudo permanece como una nota mental o un boceto rápido. En este nuevo marco, esa elección se registra como un parámetro específico en un registro. Si el modelador decide utilizar una regla matemática particular para estimar la permeabilidad basada en la porosidad, esa regla se escribe junto con los números específicos utilizados. Esto permite que cualquier persona que revise el trabajo pueda ver exactamente cómo se construyó el modelo y comprender por qué luce de esa manera. El estudio señala explícitamente que, debido a que el software utilizado es propietario, es imposible garantizar que dos computadoras diferentes produzcan exactamente el mismo número para cada celda individual de la malla. Sin embargo, el marco garantiza que el proceso sea repetible y que la lógica detrás de los resultados sea clara.

La investigación también destaca la importancia de la incertidumbre. Debido a que los datos del subsuelo son escasos, no existe un único mapa "correcto" del subsuelo. Muchos arreglos diferentes de roca podrían ajustarse a los mismos datos. El flujo de trabajo aborda esto generando un conjunto de múltiples modelos posibles, o realizaciones, en lugar de uno solo. Esto permite a los científicos ver el rango de posibilidades, desde el escenario más optimista hasta el más pesimista. En la prueba sintética, los investigadores demostraron que, aunque la ubicación específica de un canal de arenisca pudiera cambiar entre diferentes ejecuciones, el volumen y la conectividad general de la roca se mantuvieron dentro de un rango predecible. Esto ayuda a los tomadores de decisiones a comprender los riesgos involucrados, sabiendo que el modelo representa un espectro de posibilidades en lugar de una única verdad potencialmente engañosa.

En última instancia, este trabajo sirve como un puente entre el mundo complejo y a menudo opaco del modelado de yacimientos industrial y los principios de la ciencia abierta y reproducible. Demuestra que, incluso cuando se utiliza software comercial donde los mecanismos internos están ocultos, el proceso de construcción de un modelo puede hacerse transparente. Al formalizar los pasos y registrar cada decisión, el marco permite a la comunidad científica auditar, aprender de y construir sobre el trabajo de otros. El estudio concluye que, si bien los números específicos generados en esta prueba se basan en datos artificiales y no pueden usarse para predecir reservas de petróleo reales, el método en sí es robusto. Proporciona una forma práctica de asegurar que los complejos modelos digitales utilizados para explorar los recursos de la Tierra se construyan sobre una base de lógica clara y evidencia documentada, haciendo que la ciencia detrás de los mapas sea tan confiable como los datos que los alimentan.