UM ESTUDO COMPARATIVO ENTRE ÍNDICES DE OPORTUNIDADE...
Transcript of UM ESTUDO COMPARATIVO ENTRE ÍNDICES DE OPORTUNIDADE...
UM ESTUDO COMPARATIVO ENTRE ÍNDICES DE
OPORTUNIDADE PARA SIMULAÇÃO DE RESERVATÓRIOS NA
ALOCAÇÃO DE POÇOS DIRECIONAIS
Davi Dezerto Ribeiro Borges
Projeto de Graduação apresentado ao Curso de Engenharia
de Petróleo da Escola Politécnica, Universidade Federal
do Rio de Janeiro, como parte dos requisitos necessários à
obtenção do título de Engenheiro.
Orientador: Paulo Camargo Silva, DSc
Rio de Janeiro
Setembro de 2018
ii
UM ESTUDO COMPARATIVO ENTRE ÍNDICES DE OPORTUNIDADE PARA
SIMULAÇÃO DE RESERVATÓRIOS NA ALOCAÇÃO DE POÇOS
DIRECIONAIS
Davi Dezerto Ribeiro Borges
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO CURSO DE ENGENHARIA
DE PETRÓLEO DA ESCOLA POLITÉCNICA DA UNIVERSIDADE FEDERAL DO RIO DE
JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE
ENGENHEIRO DE PETRÓLEO.
Examinado por:
RIO DE JANEIRO, RJ - BRASIL
SETEMBRO DE 2018
.
iii
O Sil
Borges, Davi Dezerto Ribeiro
Um estudo comparativo entre Índices de Oportunidade para
simulação de reservatórios na alocação de poços direcionais/ Davi
Dezerto Ribeiro Borges – Rio de Janeiro: UFRJ/ Escola Politécnica,
2018.
X, 86 p.: il.; 29,7 cm.
Orientador: Paulo Camargo Silva, DSc.
Projeto de Graduação – UFRJ / Escola Politécnica / Curso de
Engenharia de Petróleo, 2018.
Referências Bibliográficas: p.74-77
1.Índice de Oportunidade. 2.Mapas de Qualidade. 3.SOI/ROI. I.
Camargo, Paulo. II. Universidade Federal do Rio de Janeiro, UFRJ,
Escola Politécnica, Engenharia de Petróleo. III. Um estudo comparativo
entre Índices de Oportunidade para simulação de reservatórios na
alocação de poços direcionais.
iv
Dedico este trabalho de graduação a Deus,
à minha esposa, minha filha, minha irmã,
meus pais, meus professores, amigos e
todos que me que muito me apoiaram.
Davi Dezerto Ribeiro Borges
v
Agradecimentos
Agradeço primeiramente a Deus, que até aqui tem me sustentado.
Agradeço à minha família, por ser fielmente minha fonte de força. Minha esposa
Angie, por ter sido minha maior fonte de inspiração e ter me suportado em todos os
momentos. Minha filha Annie que, desde que chegou a minha vida, renovou minha
alegria e me fez ter vontade de conquistar tudo, por mim e por ela. Minha irmã que tem
me acompanhado em toda essa árdua trajetória e meus pais que, sem o amor deles, nada
disso seria possível.
Agradeço a todos os professores que tanto me ensinaram. Em especial, ao Paulo
Camargo, por fazer parte desse trabalho e ter tido muita paciência para me auxiliar da
melhor forma possível.
Aos meus colegas da Engenharia Ciclo Básico e da Engenharia de Petróleo,
especialmente ao Daniel Garcia e ao Guilherme Maranhão, que mais do que amigos, se
tornaram parte da minha família.
Davi Dezerto Ribeiro Borges
vi
Resumo do Projeto de Graduação apresentado à Escola Politécnica da UFRJ como parte
dos requisitos necessários para a obtenção do grau de Engenheiro de Petróleo.
UM ESTUDO COMPARATIVO ENTRE ÍNDICES DE OPORTUNIDADE DE
SIMULAÇÃO DE RESERVATÓRIOS PARA ALOCAÇÃO DE POÇOS
DIRECIONAIS
Davi Dezerto Ribeiro Borges
Setembro/2018
Orientador: Paulo Camargo Silva, DSc
Curso: Engenharia de Petróleo
Esta monografia mostra os resultados das pesquisas que foram realizadas a cerca
de Índices de Oportunidades, um tópico de pesquisa ativo na área de Simulação de
Reservatórios. Estes índices geram Mapas de Qualidade 3D que possibilitam a
colocação de diferentes tipos de poços. Foram analisados dois Índices de Oportunidades
paradigmáticos SOI (Simulation Opportunity Index) e ROI (Reservoir Opportunity
Index). Como ainda não havia estudos comparativos entre estes dois importantes
Índices de Oportunidades, esta monografia apresenta os resultados de um estudo
comparativo pioneiro. As pesquisas revelaram um resultado muito interessante, no
sentido de que o índice ROI mostrou melhores resultados que o índice SOI em todos os
experimentos realizados. Este resultado é muito relevante na medida em que muitos
Índices de Oportunidade modernos têm como estrutura básica o índice SOI e não o
índice ROI. Os estudos foram realizados sobre o modelo de simulação de reservatório
benchmark UNISIM-I-D. Não foram apenas identificadas áreas de alta produtividade no
reservatório, como é comum nestas pesquisas, mas, adicionalmente, foram perfurados
vii
poços para avaliar os níveis de produtividade das áreas identificadas. É importante notar
que em virtude de terem sido identificadas áreas de alta produtividade contínuas em
camadas adjacentes do reservatório, além de poços verticais, vários poços direcionais
puderam se posicionados.
Palavras-chave: Índice de Oportunidade, Mapas de Qualidade, ROI, SOI, Simulação
Numérica de Reservatórios, alocação de poços direcionais.
viii
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Petroleum Engineer.
A COMPARATIVE STUDY BETWEEN OPPORTUNITY INDEX OF RESERVOIR
SIMULATION IN ALLOCATION OF DIRECTIONAL WELLS
Davi Dezerto Ribeiro Borges
September/2018
Advisor: Paulo Camargo Silva, DSc
Course: Petroleum Engineering
This monograph shows the results of the researches about the Opportunities
Indexes, an active research topic in the area of Reservoir Simulation. These indexes
generate 3D quality maps that allow the placement of different types of wells. Two
paradigm opportunity indexes: SOI (Simulation Opportunity Index) and ROI (Reservoir
Opportunity Index) were analyzed. As there were still no comparative studies between
these two important Opportunities Indexes, this monograph presents the results of a
pioneering comparative study. The researches revealed a very interesting result, in the
sense that the ROI index showed better results than the SOI index in all experiments.
This result is very relevant because many modern Opportunity Indexes have follow the
SOI index way and not the ROI index. The studies were performed on the UNISIM-I-D
benchmark reservoir simulation model. Not only were areas of high productivity in the
reservoir identified, as was common in these surveys, but in addition, wells were drilled
to evaluate the productivity levels of the identified areas. It is important to note that due
to fact that continuous high productivity areas were identified in adjacent reservoir
layers, in addition to vertical wells, several directional wells could be positioned.
ix
Keywords: Opportunity Index, Quality Maps, ROI, SOI, Numerical Reservoir
Simulation, allocation of directional wells.
x
SUMÁRIO
1. Introdução .................................................................................................................. 1
1.1. Contexto ............................................................................................................. 1
1.2. Motivação .......................................................................................................... 2
1.3. Objetivos ............................................................................................................ 3
1.4. Justificativa ........................................................................................................ 3
1.5. Organização do texto ......................................................................................... 5
2. Revisão Bibliográfica ................................................................................................ 7
3. Fundamentação Teórica ........................................................................................... 10
4. O modelo de simulação do reservatório .................................................................. 14
5. Metodologia da pesquisa ......................................................................................... 17
5.1. Estudo de viabilidade ....................................................................................... 17
5.2. Estudos comparativos ...................................................................................... 18
5.2.1 Reconhecimento das áreas produtivas ............................................................. 21
5.2.2 Perfuração dos poços .................................................................................... 21
5.2.3 Experimentos realizados .............................................................................. 24
6. Estudo de Viabilidade .............................................................................................. 26
6.1. Construção dos Mapas do ROI original ........................................................... 26
6.2. Construção dos Mapas SOI original ................................................................ 29
6.3. Construção do SOI evoluído ............................................................................ 32
6.4. Resultados das avaliações ................................................................................ 35
7. Estudos comparativos .............................................................................................. 38
7.1. Gerando Mapas de Qualidade SOImod e ROImod ............................................... 38
7.2. Histogramas das propriedades do reservatório ................................................ 45
7.3. Experimento I – Áreas de alta produtividade e áreas de baixa produtividade . 51
7.4. Experimento II – Comparação entre os índices ............................................... 59
8. Análise dos resultados ............................................................................................. 68
9. Pesquisas futuras ...................................................................................................... 71
10. Conclusões ............................................................................................................... 72
Referências bibliográficas .............................................................................................. 74
xi
Anexo I – Transferência das propriedades ..................................................................... 78
Programação em Python: ............................................................................................ 78
Anexo II – Valores das propriedades ............................................................................. 80
Tabelas com valores e posições dos melhores poços para SOImod: ............................. 80
Tabelas com valores e posições dos melhores poços para ROImod: ............................. 81
xii
Índice de Figuras
Figura 4-1: O mapa de porosidade 3D com a posição dos 4 poços colocados no modelo
UNISIM I-D. .................................................................................................................. 15
Figura 6-1: ROI aplicado às 18 camadas do Campo de Namorado. (Índices com valores
mais altos são aqueles com maior produtividade). ......................................................... 27
Figura 6-2: Mapas intermediários e mapa final do ROI original para a camada 1. ........ 28
Figura 6-3: Mapas intermediários e mapa final do ROI original para a camada 2. ........ 28
Figura 6-4: Mapas intermediários e mapa final do ROI original para a camada 3. ........ 29
Figura 6-5: SOI-Original aplicado às 18 camadas do Campo de Namorado. (Índices com
valores mais altos são aqueles com maior produtividade). ............................................ 30
Figura 6-6: Mapas intermediários e mapa final do SOI-Original para a camada 1. ....... 31
Figura 6-7: Mapas intermediários e mapa final do SOI-Original para a camada 2. ....... 31
Figura 6-8: Mapas intermediários e mapa final do SOI-Original para a camada 3. ....... 32
Figura 6-9: SOI evoluído aplicado às 18 camadas do Campo de Namorado. (Índices
com valores mais altos são aqueles com maior produtividade)...................................... 33
Figura 6-10: Mapas intermediários e mapa final do SOI evoluído para a camada 1. ..... 34
Figura 6-11: Mapas intermediários e mapa final do SOI evoluído para a camada 2. ..... 34
Figura 6-12: Mapas intermediários e mapa final do SOI evoluído para a camada 3. ..... 35
Figura 7-1: SOImod aplicado à primeira camada do modelo UNISIM I-D. .................... 39
Figura 7-2: SOImod aplicado à segunda camada do modelo UNISIM I-D. ..................... 39
Figura 7-3: SOImod aplicado à terceira camada do modelo UNISIM I-D. ...................... 39
Figura 7-4: SOImod aplicado entre as camadas 4 e 11 do modelo UNISIM I-D. ............ 40
Figura 7-5: SOImod aplicado entre as camadas 12 e 19 do modelo UNISIM I-D. .......... 41
Figura 7-6: ROImod aplicado à primeira camada do modelo UNISIM I-D. .................... 42
Figura 7-7: ROImod aplicado à segunda camada do modelo UNISIM I-D. ..................... 42
Figura 7-8: ROImod aplicado à terceira camada do modelo UNISIM I-D. ...................... 42
Figura 7-9: ROImod aplicado entre as camadas 4 e 11 do modelo UNISIM I-D. ............ 43
xiii
Figura 7-10: ROImod aplicado entre as camadas 12 e 19 do modelo UNISIM I-D. ........ 44
Figura 7-11: Histograma da porosidade nas melhores células do SOImod. ..................... 46
Figura 7-12: Histograma da Permeabilidade no eixo I nas melhores células do SOImod. 46
Figura 7-13: Histograma da Permeabilidade no eixo J nas melhores células do SOImod.46
Figura 7-14: Histograma da Permeabilidade no eixo K nas melhores células do SOImod.
........................................................................................................................................ 47
Figura 7-15: Histograma da Saturação de óelo nas melhores células do SOImod. .......... 47
Figura 7-16: Histograma do Net to Gross Ratio nas melhores células do SOImod. ......... 48
Figura 7-17: Histograma da Porosidade nas melhores células do ROImod. ..................... 48
Figura 7-18: Histograma da Permeabilidade no eixo I nas melhores células do ROImod.
........................................................................................................................................ 48
Figura 7-19: Histograma da Permeabilidade no eixo J nas melhores células do ROImod.
........................................................................................................................................ 49
Figura 7-20: Histograma da Permeabilidade no eixo K nas melhores células do ROImod.
........................................................................................................................................ 49
Figura 7-21: Histograma da Saturação de óleo nas melhores células do ROImod. .......... 49
Figura 7-22: Histograma do Net to Gross Ratio nas melhores células do ROImod. ........ 50
Figura 7-23: Posicionamento dos poços com relação às melhores e às piores posições
segundo o SOImod. ........................................................................................................... 51
Figura 7-24: Vista 3D dos poços colocados em áreas produtivas e não produtivas
segundo o SOImod. ........................................................................................................... 52
Figura 7-25: Trajetória sugerida para o poço P1 no experimento 1 (SOImod). ................ 52
Figura 7-26: Trajetória sugerida para o poço P2 no experimento 1 (SOImod). ................ 53
Figura 7-27: Trajetória sugerida para o poço P3 no experimento 1 (SOImod). ................ 53
Figura 7-28: Trajetória sugerida para o poço P4 no experimento 1 (SOImod). ................ 53
Figura 7-29: Posicionamento dos poços com relação às melhores e às piores posições
segundo o ROImod. ........................................................................................................... 54
Figura 7-30: Vista 3D dos poços colocados em regiões produtivas e não produtivas
segundo o ROImod. ........................................................................................................... 54
Figura 7-31: Trajetória sugerida para o poço P1 no experimento 1 (ROImod). ............... 55
Figura 7-32: Trajetória sugerida para o poço P2 no experimento 1 (ROImod). ............... 55
xiv
Figura 7-33: Trajetória sugerida para o poço P3 no experimento 1 (ROImod). ............... 55
Figura 7-34: Trajetória sugerida para o poço P4 no experimento 1 (ROImod). ............... 56
Figura 7-35: Taxa mensal de produção de petróleo nos poços posicionados segundo o
SOImod. ............................................................................................................................ 56
Figura 7-36: Taxa mensal de produção de petróleo nos poços posicionados segundo o
ROImod. ............................................................................................................................ 57
Figura 7-37: Total de óleo produzido acumulado pelos poços posicionados segundo o
SOImod. ............................................................................................................................ 58
Figura 7-38: Total de óleo produzido acumulado pelos poços posicionados segundo o
ROImod. ............................................................................................................................ 58
Figura 7-39: Posicionamento dos poços com relação às melhores posições segundo o
ROImod, segundo o SOImod e nas interseções. .................................................................. 60
Figura 7-40: Vista 3D dos poços colocados com relação às melhores posições segundo o
ROImod, segundo o SOImod e nas interseções. .................................................................. 60
Figura 7-41: Trajetória sugerida para o poço SOI1 no experimento 2. .......................... 61
Figura 7-42: Trajetória sugerida para o poço SOI2 no experimento 2. .......................... 61
Figura 7-43: Trajetória sugerida para o poço ROI1 no experimento 2. ......................... 61
Figura 7-44: Trajetória sugerida para o poço ROI2 no experimento 2. ......................... 62
Figura 7-45: Trajetória sugerida para o poço SOIROI1 no experimento 2. ................... 62
Figura 7-46: Trajetória sugerida para o poço SOIROI2 no experimento 2. ................... 62
Figura 7-47: Total de óleo produzido acumulado por cada poço posicionado segundo o
ROImod, segundo o SOImod e nas interseções. .................................................................. 63
Figura 7-48: Produção acumulada do poço SOI ROI 1, por camada. ............................ 64
Figura 7-49: Produção acumulada do poço SOI ROI 2, por camada. ............................ 64
Figura 7-50: Produção acumulada do poço SOI 1, por camada. .................................... 65
Figura 7-51: Produção acumulada do poço SOI 2, por camada. .................................... 65
Figura 7-52: Produção acumulada do poço ROI 1, por camada. .................................... 66
Figura 7-53: Produção acumulada do poço ROI 2, por camada. .................................... 66
Figura 8-1: Os Mapas de Qualidade gerados pelo ROImod, e SOImod para primeira e
segunda camadas do modelo. ......................................................................................... 68
xv
Índice de Tabelas
Tabela 7-1: Posição dos poços para o experimento I, segundo SOImod. ......................... 51
Tabela 7-2: Posição dos poços para o experimento I, segundo ROImod. ......................... 54
Tabela 7-3: Posição dos poços para o experimento II, segundo SOImod e ROImod. .... 59
Tabela A-1: Células com melhores resultados do SOImod na camada 1. ........................ 80
Tabela A-2: Células com melhores resultados do SOImod na camada 2. ........................ 80
Tabela A-3: Células com melhores resultados do SOImod na camada 3. ........................ 81
Tabela A-4: Células com melhores resultados do ROImod na camada 1. ........................ 82
Tabela A-5: Células com melhores resultados do ROImod na camada 2. ........................ 84
Tabela A-6: Células com melhores resultados do ROImod na camada 3. ........................ 86
1
1. Introdução
1.1. Contexto
Mapas de Qualidade são construídos em modelos de simulação de reservatórios
para o aperfeiçoamento da escolha de regiões petrolíferas de alta produtividade, nas
quais se espera obter maiores índices da recuperação de petróleo quando explorado por
meio de poços. Mapas de Qualidade, em geral, são 2D e definem, para cada coluna do
modelo de simulação, um valor que qualifica ou não a coluna como hábil para alocação
de poços verticais.
Índices de Oportunidade produzem Mapas de Qualidade 3D que são mais
avançados que os Mapas de Qualidade convencionais, de maneira que eles possibilitam
que áreas contínuas de alta produtividade sejam identificadas nas diferentes camadas do
reservatório criando boas condições para alocação de diferentes tipos de poços,
inclusive poços direcionais.
Procurando-se conhecer com profundidade as características desses Índices, foram
feitas comparações dos resultados de dois importantes paradigmas de construção dos
Índices de Oportunidade, dentro de um campo petrolífero conhecido. Para tanto, fez-se
necessária à escolha de uma ferramenta capaz de suportar a aplicação destes índices
dentro um universo de modelagem de reservatório o mais real possível, para análise dos
resultados dos mesmos, além da decisão de um campo de petróleo amplamente estudado
e com modelo geológico conhecido.
O Campo de Namorado, na Bacia de Santos, foi escolhido para suprir a demanda
por um campo de petróleo conhecido o suficiente e com uma modelagem geológica
2
realista o bastante para que os resultados obtidos por este trabalho fossem relevantes. O
modelo escolhido para representar o Campo de Namorado foi o modelo UNISIM I-D,
que será abordado em detalhes.
Para ferramenta computacional, ao invés do desenvolvimento de uma, se optou pelo
software comercial CMG, que ao mesmo tempo integra um modelador de reservatório
(Builder) e um construtor de fórmulas matemáticas (Formula Manager) que utiliza
parâmetros do modelo. A escolha deste software possibilitou agilizar em grande medida
a construção dos Índices de Oportunidade, uma vez que, em poucos minutos, diversos
índices puderam ser construídos.
Por fim, foi realizada uma seleção entre os Índices de Oportunidade existentes. Esta
seleção resultou na escolha dos índices SOI e ROI (“Simulation Opportunity Index” e
“Reservoir Opportunity Index”, respectivamente), os quais são paradigmáticos, uma vez
que contribuíram para construção da maioria dos Índices de Oportunidade modernos.
Estes índices foram aplicados no modelo UNISIM I-D, usando o software CMG, e
comparados segundo suas características e resultados obtidos, trazendo a tona
diferenças matemáticas e desempenhos alcançados.
1.2. Motivação
A motivação de desenvolver este trabalho é a importância da criação de Mapas
de Qualidade melhorados para o desenvolvimento de reservatórios. Além disso, outra
motivação é a não existência de estudos comparativos entre os importantes Índices de
Oportunidade SOI e ROI. O estudo comparativo é essencial para mostrar qual desses
índices pode obter melhores resultados.
3
1.3. Objetivos
O objetivo principal do trabalho é analisar o desempenho do Índice de
Oportunidade do Reservatório (Reservoir Opportunity Index - ROI) e do Índice de
Oportunidade de Simulação (Simulation Opportunity Index - SOI), aplicados no modelo
UNISIM I-D. Esta análise constitui na identificação de áreas de alta produtividade e
avaliação dos resultados dos poços produtores, perfurados nas regiões indicadas pelos
índices, de forma a aumentar o entendimento da eficácia de cada um deles e compará-
los quando aplicados ao modelo de simulação.
Em termos mais específicos:
Verificar se as áreas com maiores valores no Índice de Oportunidade de
Reservatório (ROI) e Índice de Oportunidade de Simulação (SOI) realmente
retornam regiões com maior potencial de produção de petróleo;
Por meio de diferentes experimentos, comparar os resultados da produção dos
poços perfurados através da indicação dos índices e concluir qual deles
apresentou resultados mais satisfatórios;
Demonstrar qual dos Índices de Oportunidade é o mais hábil para produzir
Mapas de Qualidade 3D que possibilitem a alocação de poços produtores
direcionais;
Verificar as dificuldades na implementação, a precisão que pode ser obtida e o
tempo de elaboração dos mapas, além da identificação de outros possíveis
desafios.
1.4. Justificativa
Até os dias de hoje, muitos trabalhos já apresentaram diferentes tipos de Índices de
Oportunidade, demonstrando, através de modelos de simulação, a grande eficiência de
4
tais índices em reconhecer as melhores áreas de produção dentro de um campo de
petróleo. Muito se discutiu sobre a possibilidade de evolução e de adaptação desses
índices, demonstrando que seus termos podem e devem ser otimizados de acordo com a
ocasião de aplicação, como por exemplo, a utilização do SOI para alocação de poços em
campos de gás no trabalho de Saputra (2016).
Desde Camargo (1999), no caso do ROI, e uma década depois, em Molina (2009),
no caso do SOI, estes índices ganham popularidade e se destacam, até os dias de hoje,
na aplicação de trabalhos voltados ao mapeamento de áreas alta produtividade em
diferentes campos.
Em um primeiro momento, seria intuitivo pensar que a utilização destes índices já
fosse matéria plenamente explorada e assunto já abordado para os mais diversos campos
de petróleo. Na realidade, nota-se uma carência crônica na aplicação destes índices em
modelos de campos reais, prevalecendo trabalhos que utilizam modelagens
especialmente traçadas para atender ao assunto abordado dentro daquele estudo
específico, como, por exemplo, modelos genéricos de campos de gás, muitas vezes
utilizados para demonstrar a adaptação necessária tanto do SOI quanto do ROI.
Mapas de Qualidade convencionais geram mapas 2D para alocação de poços
verticais, como em Nakajima (2003) e Cottini Loureiro (2005). Estes mapas demandam
muito tempo para serem elaborados e nem todos os tipos de poços podem ser alocados
usando estes mapas. Os Índices de Oportunidade geram mapas 3D que possibilitam a
alocação de diferentes tipos poços inclusive poços direcionais. De maneira que se
justifica a aplicação de SOI e ROI para explorar mais detalhadamente a possibilidade de
alocação diversos tipos de poços.
5
Uma iniciativa interessante é a aproximação destes Índices de Oportunidade com a
realidade do mercado de petróleo brasileiro, neste trabalho traduzido na escolha do
modelo do UNISIM I-D, uma representação do Campo de Namorado. Com isso,
projetos nacionais de desenvolvimento de campos petrolíferos podem aumentar a
familiaridade com a importância dos Índices de Oportunidade para o plano de
desenvolvimento dos campos, fomentando uma importante área de pesquisa, por ser a
primeira vez que SOI e ROI são aplicados a campos no Brasil.
Relevante mencionar, ainda, outro fator de peso que corroborou para a escolha deste
projeto. Trata-se da possibilidade de se utilizar softwares comerciais que podem gerar
Mapas de Qualidade 3D com rapidez e precisão e que são hábeis para envolver um
grande número de propriedades do reservatório, obtidas diretamente do modelo de
simulação de reservatórios, sem a necessidade de exportar grandes massas de dados do
modelo.
Por todo o exposto, se justifica o presente estudo, que visa realizar uma análise dos
índices supracitados, comparando-os e obtendo sua real eficiência quando aplicados ao
modelo UNISIM-I-D relativo ao Campo de Namorado, sendo este um importante
campo para o desenvolvimento de pesquisas no Brasil.
1.5. Organização do texto
O presente trabalho é dividido em 10 capítulos.
Capítulo 1 – Introdução: Apresenta a contextualização do tema e aborda sua
motivação, seus objetivos e sua justificativa;
Capítulo 2 – Revisão bibliográfica: Traz uma retrospectiva dos estudos mais
relevantes sobre Mapas de Qualidade e Índices de Oportunidade;
6
Capítulo 3 – Fundamentação teórica: Discorre sobre as abordagens teóricas
dos índices ROI e SOI, desde suas formas originais até suas evoluções;
Capítulo 4 – Modelo de simulação de reservatório: Aborda os detalhes e
peculiaridades do modelo de simulação UNISIM I-D, além do histórico de
sua elaboração;
Capítulo 5 – Metodologia da Pesquisa: É descrita a metodologia da pesquisa
realizada, bem como os detalhes e mudanças nos índices SOI e ROI;
Capítulo 6 – Estudos de Viabilidade: São aplicados os Índices de
Oportunidade tradicionais e identificadas todas as dificuldades na sua
implementação;
Capítulo 7 – Estudos Comparativos: São aplicados ao modelo UNISIM I-D
os índices SOI e ROI, modificados devido às comparações, além de serem
feitos experimentos;
Capítulo 8 – Análise dos resultados: São mostrados os resultados dos
experimentos, com as devidas considerações;
Capítulo 9 – Pesquisas Futuras: Apresenta as futuras pesquisas na área de
Índices de Oportunidades;
Capítulo 10 – Conclusões: São apresentadas as últimas considerações sobre
os resultados obtidos e seus impactos na realidade do Campo de Namorado;
Referências Bibliográficas – Artigos e outros documentos estudados para
confecção deste trabalho.
Anexos I – Programação em Python para Transferência entre CMG e Excel.
Anexo II – Tabelas com valores petrofísicos das melhores células ROI/SOI
7
2. Revisão Bibliográfica
Os Índices de Oportunidade são apresentados em diferentes trabalhos voltados para
a otimização do posicionamento de poços de petróleo. Como mencionado
anteriormente, entre esses índices, dois deles surgem com maior proeminência nos
trabalhos de maior relevância na área de desenvolvimento de Mapas de Qualidade,
sendo eles, ROI e SOI, como comumente conhecidos.
Historicamente, os estudos sobre Índices de Oportunidade tem se tornado cada vez
mais proeminentes e de suma necessidade para a indústria do petróleo. A otimização do
posicionamento de poços se torna indispensável para a redução de riscos e de incertezas
na tomada de decisões relativa ao desenvolvimento de um campo de petróleo. Nesta
atividade de pesquisa a abordagem de Índices de Oportunidade tem atraído grande
atenção, uma vez que reduz significantemente o espaço de busca de algoritmos de
otimização da alocação de poços, fazendo com que estes algoritmos busquem soluções
apenas dentro de áreas de alta produtividade dos reservatórios.
Os estudos de Índices de Oportunidade se intensificaram a partir do ano 2000.
Como já abordado neste trabalho, Índices de Oportunidade geram Mapas de Qualidade.
O nome “Mapas de Qualidade” é mais usado aqui no Brasil, assim como o nome
Índices de Oportunidade é mais usado em outros países. As principais publicações,
sobre Mapas de Qualidade e Índices de Oportunidade, são apresentadas abaixo:
Camargo (1999): Introduziu o conceito de ROI e mostrou aplicações deste
Índice de Oportunidade, o primeiro marco do assunto;
Nakajima (2003): Apresentou Mapa de Qualidade 2D para colocação de poços
horizontais;
8
Da Cruz et al. (2004): Mostrou a importância dos Mapas de Qualidade para
quantificação das incertezas e tomadas de decisões;
Cavalcante Filho (2005): Apresentou metodologias para Mapas de Qualidade e
discorreu sobre sua importância para projetos de produção;
Cottini Loureiro (2005): Apresentou novo método de Mapa de Qualidade e
demonstrou sua aplicação para o campo de Maureen;
Molina (2009): Apresentou o Índice de Oportunidade que foi um trabalho
inovador e paradigmático, considerado um marco no assunto. Introduziu o SOI,
ainda como Opportunity Index, mostrou aplicações matemáticas deste índice e a
sua integração com modelos geológicos de simulação de reservatórios. Aplicou
a metodologia na Bacia Neuquén na Argentina;
Mohd Ghazali et al. (2011): Utilização e evolução do SOI em estratégias de
desenvolvimento de poços e otimização das localizações dos poços e sua relação
com a maximização da lucratividade do campo, com aplicação em um campo da
Arábia Saudita;
Taware et al. (2012): Apresentou Mapas de Qualidade e discorreu sobre
colocação de poços em campos offshore de carbonatos consolidados na Índia
Ocidental;
Le Ravalec-Dupin (2012): Introduziu novos Mapas de Qualidade em
combinação com meta-modelos (proxies) e trabalhou o aperfeiçoamento na
colocação de poços;
Abdy et al. (2012): Apresentou um estudo integrado de Mapas de Qualidade
com otimização da colocação de poços utilizando modelos numéricos
conhecidos. Aplicou o estudo para o caso de um campo no Kwait;
9
Omara et al. (2014): Estudou os detalhes dos Mapas de Qualidade, para
identificar oportunidades de produção dentro de modelos de campos complexos,
tais como Ras Budran, localizado na área offshore, no Norte de Belayin na costa
do Golfo de Suez, Sinai;
Varela-Pineda et al. (2014): Utilizou o ROI para a estratégia de desenvolvimento
de campos maduros com estudo de caso de um campo saudita;
Ataei (2014): Estudou acerca do ROI, desenvolveu o Max(ROI) e avançou no
estudo sobre poços e sobre arranjos submarinos para a conquista do
desenvolvimento mais rentável de campos de petróleo;
Saputra (2016): Estudou acerca do SOI, e como este aumenta a oportunidade de
recuperação de hidrocarbonetos nos mais diversos tipos de campos, tais como no
campo offshore Naturna e Matura na Indonesia;
Dossary et al. (2017): Criou uma nova estratégia de localização de áreas
interessantes para perfuração, chamada “Progressive-Recursive Self-Organizing
Maps”, derivada do SOI e do ROI;
Faqehy et al. (2017): Avaliou a saturação de fluido de células de modelos de
simulação através do mapeamento do campo e identificação das áreas ótimas de
hidrocarbonetos;
10
3. Fundamentação Teórica
O conceito de Reservoir Opportunity Index (ROI) foi introduzido na década de 90,
por Camargo (1999). Em sua origem, o índice continha uma expressão matemática que
combinava algumas propriedades relacionadas ao reservatório para estimar a qualidade
do mesmo e ajudar a identificar as melhores áreas para a futura colocação de poços
produtores.
Desde então, o índice sofreu uma gama de mudanças e adaptações visando sua
evolução. Trabalhos, tais como: “Reservoir Opportunity Index - Advance in Well and
Subsurface Design for Cost Effective Field Development” Ataei (2014), “Progressive-
Recursive Self-Organizing Maps PR-SOM for Identifying Potential Drilling Targets
Area” Dossary (2017) trouxeram evoluções do ROI que se mostraram muito eficazes na
identificação de áreas produtivas.
A utilização do ROI proposta pelos artigos “Prioritizing opportunities for new well
locations and well workovers” – Camargo A., (1999), “Reservoir Fluids Saturation
Diagnostic and Hydrocarbon Targets Identification Workflow” – M. Faqehi, (2017),
além do artigo “Development of Mature Fields Using Reservoir Opportunity Index: A
Case Study from a Saudi Field” de Varela-Pineda (2014), já trazem o conceito de
Volume Poroso de Óleo Móvel (SOMPV) e Índice de Qualidade da Rocha (RQI) como
termos constituintes do ROI, sendo matematicamente escrita como:
√
(3-1)
Onde,
11
RQI = 0,0314 *√ (3-2)
SOMPV = Dx * Dy * Dz * So * ϕ (3-3)
Pressure = Pressão no fundo do poço;
K = Permeabilidade média da célula;
ϕ = Porosidade da célula;
Dx, Dy, Dz = Dimensões do Grid;
So = Saturação de óleo inicial da célula.
O conceito de Índice de Oportunidade de Simulação (Simulation Opportunity
Index), SOI, é ainda mais difundido do que o ROI. O SOI, como normalmente
reconhecido, surgiu no trabalho do Molina (2009) e utiliza os modelos de simulação
numéricos para apresentar regiões com maior potencial de produção. Molina apresentou
o índice da seguinte forma:
Ioppor = (Ikh * Ihcpvm *Ip_oper)1/3 (3-4)
Onde,
Ioppor = Índice de Oportunidade (SOI).
Ikh = Relative Flow Oil Capacity Index.
Ihcpvm = Porus Mobile Volume Index.
IP_oper = Operation Pression Index.
Ou ainda,
12
Ikh = Kx * Kro * NTG * Dz (3-5)
Ihcpvm = (So – Sorw) * ϕ * NTG * Dz (3-6)
IP_oper = Pressure - Pa (3-7)
Kx = Permeabilidade horizontal.
Kro = Permeabilidade relativa de óleo.
NTG = Net To Gross Ratio.
Dz = Espessura do grid.
So = Saturação de óleo.
Sorw = Saturação residual de óleo.
ϕ = porosidade.
Pressure = Pressão de fundo do poço.
Pa = Pressão de abandono.
O SOI também evoluiu para novas áreas de pesquisas e se adaptou a muitos tipos de
campos específicos (como, por exemplo, campos de gás). Por ser um índice bastante
popular, ele se apresenta de diferentes formas em diferentes pesquisas, mas é
comumente composto por 3 termos, o chamado Capacidade de Fluidez (Capacity of
Flow Index), CFI, o conhecido como Saturação de Hidrocarbonetos Recuperáveis
(Mobile Oil Index), MOI, e o Volume de Óleo Recuperável (Oil Volume Index), OVI. O
modelo de SOI evoluído, apresentado por Faqehy et al. (2017), é normalmente
apresentado como:
13
SOI =
3 ** OVICFIMOI (3-8)
Onde,
CFI = K * Dz * NTG (3-9)
MOI = So - Sorw (3-10)
OVI = MOI * ϕ * NTG * Dz (3-11)
K = Permeabilidade média da célula;
Dz = Espessura do Grid;
NTG = Net to Gross ratio;
So = Saturação de óleo inicial da célula;
Sorw = Saturação de óleo residual da célula;
ϕ = Porosidade da célula.
Historicamente, tanto SOI quanto ROI tem apresentado resultados muito positivos
no reconhecimento de áreas propensas à exploração e produção de petróleo e, por isso,
foram os índices escolhidos para serem aplicados ao caso do modelo de simulação
UNISIM I-D, relacionado ao Campo de Namorado.
14
4. O modelo de simulação do reservatório
O UNISIM I-D é um modelo de simulação criado pelo grupo UNISIM para que
pudesse ser utilizado para análise e comparação de planos de desenvolvimento para o
Campo de Namorado. O modelo dá a chance de comparação de metodologias e técnicas
diversas, fornecendo uma ferramenta ímpar para o desenvolvimento da produção do
campo, motivo pelo qual foi utilizado na confecção deste trabalho.
O caso UNISIM I-D foi elaborado a partir do modelo UNISIM-I de Avansi e
Schiozer (2013). Esse modelo apresenta desafios para definição de estratégias de
desenvolvimento e tempo de simulação que possibilita a aplicação de técnicas de
otimização que demandam maior número de simulações. O modelo de referência foi
criado com o intuito de representar um campo com características reais e é baseado no
modelo estrutural, modelo de fácies e modelo petrofísico do Campo de Namorado,
localizado na Bacia de Campos, Brasil.
O modelo consiste de uma malha fina em escala geológica com alta resolução
com aproximadamente 3,5 milhões de blocos ativos. O modelo de campo foi construído
a partir de dados de testemunhos, perfis de poços, sísmica 2D e 3D fornecidos pela
ANP, além de dados de eletrofácies cedidos pela Petrobras. O modelo de simulação,
baseado no modelo de referência, foi elaborado considerando apenas informações
relativas à fase do estudo (poucos poços) para ser avaliado sob incerteza.
Esse modelo, construído para o estágio inicial de desenvolvimento do campo,
consiste de aproximadamente 37.000 blocos ativos e considera 4 anos de histórico de
produção para 4 poços verticais. Dados de testemunhos, perfis de poços e sísmica foram
usados para construir os modelos estrutural, de fácies e petrofísico.
15
O estudo de caso utilizado como base para o desenvolvimento do UNISIM I-D
durou 1461 dias a partir do início de produção de quatro poços produtores verticais,
intitulados NA1A, NA2, NA3D e RJS19, escolhidos através do método determinístico,
e o posicionamento deles é mostrado na Figura 4-1:
Figura 4-1: O mapa de porosidade 3D com a posição dos 4 poços colocados no modelo UNISIM I-D.
Os quatro poços foram construídos com as seguintes restrições:
Vazão mínima de óleo (m³/dia): 20
Vazão máxima de líquidos (m³/dia): 2000
Pressão mínima no fundo do poço (kgf/cm²): 190
Raio (m): 0,156
Relação Gás Óleo máxima (m³/m³): 200
Skin: 0
As propriedades contidas no modelo foram ajustadas a partir de modelos
probabilísticos assim como as incertezas dos mesmos.
Outras características do modelo foram ajustadas de acordo com características
originais do Campo de Namorado, são elas:
16
Profundidade: Entre 2900 e 3400 metros;
Coluna d’água: 166 metros;
Distância à costa: 80 quilômetros;
Gradiente Geotermal: 0,020; < 200 m e 0,023; > 200 m;
Temperatura da água: De 20 a 16°C linear (decrescente);
Corrente marítima: 0,5 m/s.
Os 500 metros de profundidade são divididos em 20 camadas no modelo de
simulação. Entre estas camadas, as camadas 4, 5 e 14 não apresentam dados de
propriedades para suas células, impossibilitando simulações nestas camadas. Assim
sendo, o estudo apresentado neste trabalho foi feito com base nas outras 17 camadas do
modelo.
17
5. Metodologia da pesquisa
Neste capítulo é apresentada a metodologia empregada nas pesquisas realizadas.
Nesta metodologia, em primeiro lugar, foi feito um Estudo de Viabilidade para verificar
as dificuldades encontradas na aplicação dos índices oportunidade ROI e SOI no modelo
UNISIM-I-D, usando o software CMG. Depois deste Estudo de Viabilidade foi feito um
Estudo Comparativo entre estes dois Índices de Oportunidade, onde diferentes
experimentos foram realizados.
Este capítulo é dividido da seguinte maneira, na seção 5.1 são descritos os
procedimentos empregados no Estudo de Viabilidade. Na seção 5.2 são apresentadas as
abordagens teóricas utilizadas no Estudo Comparativo. Na seção 5.2.1 são descritos os
critérios seguidos para reconhecimento das áreas do reservatório mais e menos
produtivas. Na seção 5.2.2 são apresentados os critérios seguidos para perfuração dos
poços, e na seção 5.2.3 são descritos os experimentos realizados.
5.1. Estudo de viabilidade
O estudo de viabilidade da aplicação dos Índices de Oportunidade no modelo
UNISIM-I-D foi feito para avaliar as dificuldades na elaboração dos índices, desde a
obtenção das propriedades do reservatório até a construção dos mapas.
Este estudo foi feito usando o software CMG. Este software tem vários dispositivos
integrados, entre outros, um modelador (Builder), simuladores de reservatórios (IMEX,
GEM, Starts e outros) e um construtor de fórmulas (Formula Manager), o qual usa
propriedades do reservatório obtidas diretamente do modelador. A integração destes
dispositivos do software possibilitou que os índices fossem construídos diretamente do
modelo de simulação sem ter a necessidade da realização de importações de grandes
18
massas de dados. Ou seja, a possibilidade de realizar todo o processo no mesmo
software foi muito importante para diminuir os possíveis erros gerados no truncamento
ou arredondamento dos valores das propriedades de rocha e fluido do reservatório, que
aconteceriam no momento do transporte das grandes massas de dados do modelador
para o construtor das formulas. De maneira que o Estudo de Viabilidade foi feito usando
o software CMG. Neste software foram gerados Mapas de Qualidade usando os Índices
de Oportunidade, ROI original (eq. 3-1), SOI original (eq. 3-4) e SOI evoluído (eq. 3-8),
para avaliar questões tais como:
Dificuldade na implementação dos índices;
Dificuldade na obtenção dos parâmetros do reservatório, necessários para
construir as formulas;
Tempo para elaboração dos mapas;
Precisão alcançada nos mapas.
No Capítulo 6, relativo ao Estudo de Viabilidade, os resultados obtidos destas
avaliações são apresentados.
5.2. Estudos comparativos
Os Estudos Comparativos foram realizados entre os índices ROI e SOI, as equações
que foram usadas nestes estudos para estes índices foram (eq. 3-1) e (eq. 3-8)
respectivamente. Foram feitas nestas equações, modificações matemáticas necessárias,
identificadas no Estudo de Viabilidade. A mais relevante foi normalização de todos os
termos, tanto do ROI quanto do SOI. A normalização retornou valores mais facilmente
comparáveis, tanto entre células quanto entre índices. O processo de normalização se
deu através da aquisição do valor máximo de cada termo e a divisão de todos os valores
pelo valor máximo. Detalhes destas modificações serão apresentados mais adiante.
19
Outra mudança matemática foi a não aplicação da raiz cúbica após a multiplicação
dos termos normalizados nos casos tanto do ROI quanto do SOI. A mudança não muda
o resultado das melhores áreas, mas deixa mais aparente a diferença entre áreas
produtivas e não produtivas, ajudando no objetivo deste trabalho.
Após as mudanças, os índices ficaram com as seguintes configurações:
ROI:
ROImod Pressure’ * RQI’ * SOMPV’ (5-1)
Onde,
Pressure’ Pressure Max(Pressure) (5-2)
RQI’ RQI Max(RQI) (5-3)
SOMPV’ SOMPV Max(SOMPV) (5-4)
Mantendo-se:
RQI = √ (5-5)
SOMPV = Dx * Dy * Dz * So * ϕ (5-6)
Pressure = Pressão no fundo do poço;
K = Permeabilidade média da célula;
ϕ = Porosidade da célula;
Dx, Dy, Dz = Dimensões do Grid;
So = Saturação de óleo inicial da célula.
20
Mantendo a mesmas mudanças para o SOI, temos:
SOImod CFI’ * MOI’ * OVI’ (5-7)
Onde,
CFI’ CFI Max(CFI) (5-8)
MOI’ MOI Max(MOI) (5-9)
OVI’ OVI Max(OVI) (5-10)
Mantendo-se:
CFI = K * Dz * NTG (5-11)
MOI = So - Sorw (5-12)
OVI = MOI * ϕ * NTG * Dz (5-13)
K = Permeabilidade média da célula;
Dz = Espessura do Grid;
NTG = Net to Gross ratio;
So = Saturação de óleo inicial da célula;
Sorw = Saturação de óleo residual da célula;
ϕ = Porosidade da célula.
21
5.2.1 Reconhecimento das áreas produtivas
Para o reconhecimento das áreas mais e menos produtivas, após a aplicação dos
Índices de Oportunidade SOImod e ROImod, além da inspeção visual dos mapas gerados,
as áreas que retornaram maiores valores dos índices tiveram suas posições exportadas
para uma planilha em excel, com os respectivos valores de propriedades importantes
(porosidade, permeabilidade nos três eixos, saturação de óleo, Net-to-Gross ratio e
espessura do Grid). Todo o processo foi feito por meio da programação na linguagem
Python, que pode ser vista no Anexo I – Transferência das propriedades.
Estes valores das propriedades das áreas com maior SOImod e ROImod permitiram a
geração de histogramas. Além dos Mapas de Qualidade gerados pelos índices, os
histogramas também são apresentados no Capítulo 7, relativo a Estudos Comparativos.
É importante notar que, na maioria das pesquisas publicadas até os dias de hoje
sobre Índices de Oportunidade, os mapas gerados não têm a verificação de que as áreas
indicadas por estes mapas são de fato de alta produtividade. Nas pesquisas que foram
desenvolvidas para elaboração desta monografia, além de gerar os mapas foram
perfurados poços para verificar a produtividade das regiões identificadas.
5.2.2 Perfuração dos poços
A partir do reconhecimento das áreas de alta produtividade, foi feita a perfuração de
poços nas melhores e piores regiões para que pudéssemos verificar a eficácia dos
22
índices e comparar os resultados do ROImod e do SOImod, avaliando a aplicabilidade de
cada um para o caso do modelo UNISIM-I-D.
Para realizar a perfuração, foi necessário decidir sobre:
O número de poços;
Os tipos dos poços;
A localização exata dos poços;
A profundidade dos poços;
O tempo de produção dos poços.
O número de poços foi determinado levando-se em conta o fato da não colocação
de poços injetores, o que, quando em conjunto com a colocação de poços produtores
bastante produtivos, tornam a depletação do poço muito acelerada, podendo mascarar os
resultados da efetividade dos poços produtores. Outra característica levada em
consideração foi o número de poços que já estavam presentes no modelo do UNISIM I-
D que, apesar de não permanecerem neste estudo, foram utilizados para o ajuste do
histórico e se mostraram um número saudável de poços, não resultando numa
diminuição rápida da pressão de fundo de poço. Assim sendo, visando ao mesmo tempo
ter acesso a todas as áreas interessantes para estudo e não mascarar os resultados com
uma rápida depletação do poço, foi decidido utilizar o número de poços variável de 6 a
8, dependendo do tipo de comparação requerida.
De acordo com o exposto acima, decidiu-se utilizar poços produtores para se avaliar
a eficácia tanto do ROImod quanto do SOImod, em dois experimentos que serão detalhadas
na seção 5.2.3.
23
Os tipos dos poços produtores que foram perfurados foi uma consequência direta do
número de poços escolhidos. Para conseguir atingir as diversas áreas indicadas pelos
índices nas diferentes camadas do modelo com o número limitado de poços, foi
necessária a utilização de poços produtores direcionais, com inclinação variável de
acordo com a situação e com a limitação de ser uma posição verossímil. A perfuração
direcional nos permitiu acessar todas as áreas de interesse com o número determinado
de poços e se mostrou uma escolha importante para o sucesso dos experimentos.
Também foram perfurados alguns poços verticais.
A localização exata dos poços foi uma variável facilitada pelo fato de trabalharmos
com poços direcionais. O critério de escolha foi, estritamente, acessar as melhores áreas,
indicadas pelo ROImod e pelo SOImod, em contraste com áreas que eram indicadas como
áreas não produtivas pelos mesmos índices.
A profundidade dos poços perfurados foi mais uma variável que foi quase que
automaticamente respondida durante a análise das melhores áreas de cada índice. Ao
exportarmos para a planilha os dados das melhores células, tanto do ROImod quanto do
SOImod, percebemos que todas elas estavam dentro das três primeiras camadas, não
tendo nenhuma célula mais profunda com bons resultados em nenhum dos dois índices.
A escolha da perfuração apenas nas três primeiras camadas também foi importante na
tentativa de se manter a pressão de fundo sem um decréscimo muito acentuado durante
o tempo de produção.
O tempo de produção foi entendido como a variável menos importante a ser
escolhida. Ficou bem claro que os poços presentes em áreas produtivas se destacariam
logo nos primeiros anos de produção e todos os testes preliminares comprovavam esta
tese, fazendo com que o tempo de produção fosse uma escolha puramente operacional.
24
Assim sendo, definiu-se 5 anos como o tempo de produção, tanto para a comparação
entre áreas consideradas produtivas e áreas consideradas não produtivas quanto para a
comparação entre o ROImod e o SOImod.
5.2.3 Experimentos realizados
Como mencionado anteriormente, foram realizados dois experimentos. No
primeiro experimento, para cada índice, 4 poços foram perfurados nas áreas indicadas
como mais produtivas e 4 em áreas que foram indicadas como muito pouco produtivas.
Este experimento foi feito para comprovar a eficácia dos índices SOImod e ROImod e fazer
uma comparação direta da produtividade de poços produtores em áreas que retornaram
altos valores dos índices contra áreas que retornaram valores baixos. Essa comparação
foi feita através do resultado da taxa mensal de produção de petróleo de cada um dos 4
poços colocados em áreas consideradas com alto potencial e de cada um dos 4 poços
colocados em áreas consideradas com baixo potencial. Essa comparação retornou
resultados que podem ser considerados definitivos para verificar a eficiência tanto do
ROImod quanto do SOImod. Foram feitas duas simulações no período de cinco anos,
distintas uma para cada índice.
No segundo experimento foi feita uma comparação direta. Rodou-se uma simulação
com 6 poços produtores perfurados, 2 em áreas indicadas tanto pelo ROImod quanto pelo
SOImod, 2 em áreas com bons resultados apenas no ROImod e 2 em áreas que
apresentaram melhores resultados apenas para SOImod. Desta simulação, comparou-se a
taxa mensal de produção de petróleo de cada um dos 6 poços, no período de produção
de cinco anos.
25
Os dois experimentos se mostraram eficientes e suficientes para que conclusões
embasadas fossem tiradas dos Estudos Comparativos. Estas conclusões são
apresentadas no Capítulo 7.
26
6. Estudo de Viabilidade
Neste Capítulo são apresentados os resultados do Estudo de Viabilidade. Este estudo
foi feito para verificar a viabilidade da aplicação dos Índices de Oportunidade no
modelo de simulação de reservatórios UNISIM-I-D, desde a obtenção das propriedades
do reservatório, até a construção dos Mapas de Qualidade usando o software CMG.
Foram avaliadas questões relativas à: dificuldade na implementação; dificuldade na
obtenção dos parâmetros do reservatório; o tempo para elaboração dos mapas; e a
precisão alcançada pelos mapas. Para realizar estas avaliações, foram construídos
Mapas de Qualidade usando os índices: ROI original (eq. 3-1), SOI original (eq. 3-4) e
SOI evoluído (eq. 3-8) no software CMG.
Este Capítulo é dividido da seguinte maneira: Na seção 6.1 são apresentados os
mapas ROI original (eq. 3-1), na seção 6.2 são apresentados os mapas SOI original (eq.
3-4) e na seção 6.3 os mapas SOI evoluído (eq. 3-8). Na seção 6.4 são mostrados os
resultados das avaliações.
6.1. Construção dos Mapas do ROI original
A aplicação do índice ROI (eq. 3-1) no modelo UNISIM I-D resultou nos mapas
mostrados na Figura 6-1. Nas Figuras 6-2, 6-3 e 6-4, são mostrados os mapas gerados a
partir dos índices intermediários que construíram o ROI (eq. 3-1), nas primeiras três
camadas. Esses índices são: Pressure; RQI (eq. 3-2) e SOMPV (eq. 3-3). Pode-se
perceber a grande influência do índice SOMPV (eq. 3-3) no resultado final, em todas as
três camadas, enquanto, por outro lado, o índice Pressure exerce, majoritariamente, um
papel restritivo das células de menores pressões.
27
Figura 6-1: ROI aplicado às 18 camadas do Campo de Namorado. (Índices com valores mais altos são aqueles
com maior produtividade).
28
Figura 6-2: Mapas intermediários e mapa final do ROI original para a camada 1.
Figura 6-3: Mapas intermediários e mapa final do ROI original para a camada 2.
29
Figura 6-4: Mapas intermediários e mapa final do ROI original para a camada 3.
Nos mapas gerados a partir da fórmula do ROI, mostrados nas Figuras 6-1, 6-2, 6-3
e 6-4, observa-se que as primeiras camadas apresentam um potencial de produção muito
superior às camadas de baixo. Esta diferença é bastante acentuada a partir da sexta
camada até a décima oitava, porém mesmo as camadas mais profundas possuem focos
de ocorrência de pequenas áreas produtivas.
6.2. Construção dos Mapas SOI original
A aplicação do SOI original (eq. 3-4) no modelo UNISIM-I-D resultou em um mapa
3D. As camadas são mostradas na Figura 6-5. Nas Figuras 6-6, 6-7 e 6-8, são mostrados
os mapas gerados a partir dos índices intermediários que construíram o SOI-Original
(eq. 3-4), nas primeiras três camadas. Esses índices são: Ikhcpv (eq. 3-6); Ikh (eq. 3-5) e
IP_oper (eq. 3-7). Pode-se perceber uma maior influência do índice Ikh (eq. 3-5) no
resultado final, em todas as três camadas, enquanto, por outro lado, o índice IP_oper (eq.
3-7) exerce, majoritariamente, um papel restritivo das células de menores pressões.
30
Figura 6-5: SOI-Original aplicado às 18 camadas do Campo de Namorado. (Índices com valores mais altos são
aqueles com maior produtividade).
31
Figura 6-6: Mapas intermediários e mapa final do SOI-Original (Molina) para a camada 1.
Figura 6-7: Mapas intermediários e mapa final do SOI-Original (Molina) para a camada 2.
SOI - Original
SOI - Original
32
Figura 6-8: Mapas intermediários e mapa final do SOI-Original (Molina) para a camada 3.
Fica claro, nos mapas gerados a partir da fórmula do SOI original, que as primeiras
camadas apresentam um potencial de produção superior as camadas de baixo. Porém,
percebe-se que mesmo nas camadas mais abaixo, os mapas contêm células que retornam
algum potencial, tornando uma decisão muito inconstante, em virtude da alta incerteza
sobre onde são as áreas com maior potencial e onde estão as áreas com menor potencial.
6.3. Construção do SOI evoluído
Para o modelo UNISIM I-D, o SOI evoluído (eq. 3-8) gerou um mapa 3D. As
camadas são mostradas na Figura 6-9. Nas Figuras 6-10, 6-11 e 6-12, são mostrados os
mapas gerados a partir dos índices intermediários que construíram o SOI evoluído (eq.
3-8), nas primeiras três camadas. Esses índices são: CFI (eq. 3-9); MOI (eq. 3-10) e OVI
(eq. 3-11). Pode-se perceber que os índices CFI (eq. 3-9) e OVI (eq. 3-11) tem grande
influência no resultado final, em todas as três camadas, enquanto, por outro lado, o
índice MOI (eq. 3-10) exerce, majoritariamente, um papel restritivo das células de
menores saturações de óleo.
SOI - Original
33
Figura 6-9: SOI evoluído aplicado às 18 camadas do Campo de Namorado. (Índices com valores mais altos são
aqueles com maior produtividade).
34
Figura 6-10: Mapas intermediários e mapa final do SOI evoluído para a camada 1.
Figura 6-11: Mapas intermediários e mapa final do SOI evoluído para a camada 2.
35
Figura 6-12: Mapas intermediários e mapa final do SOI evoluído para a camada 3.
Assim como o trabalho do Molina (2009), a versão evoluída do SOI apresenta uma
quantidade significativamente maior de áreas indicadas nas camadas mais superficiais
do campo, enquanto apenas algumas poucas células apresentam valores relevantes nas
camadas mais profundas. Outro detalhe destes mapas de SOI é o tamanho grande das
nuvens de áreas indicadas nas camadas superiores, tornando quase impossível
diferenciar, com alto grau de certeza, áreas ótimas, áreas produtivas e áreas
improdutivas.
6.4. Resultados das avaliações
A primeira avaliação relativa às aplicações foi que as três camadas da parte superior
do modelo UNISIM-I-D são as camadas ondes os todos os índices apontaram como as
mais importantes. De forma que todo o estudo se concentrou principalmente nestas três
primeiras camadas.
A maior dificuldade notada foi em relação à obtenção das informações de certos
parâmetros. Notou-se que o modelo do UNISIM I-D não tinha valores de saturação
36
residual de óleo por célula, o que foi resolvido utilizando-se valores obtidos de
experimentos realizados em laboratório, mostrados na literatura, para todas as células.
Isto pode ter aumentado, ligeiramente, a margem de erro nos mapas. Também foram
notados problemas com relação à pressão de abandono, por ser uma variável
relacionada à tomada de decisão.
Abaixo as principais avaliações feitas no estudo de viabilidade:
1. Quanto à dificuldade na implementação dos índices, observou-se que o uso do
CMG para construção dos mapas, ao invés do desenvolvimento de um software
próprio, proporcionou uma construção precisa e muito rápida de Mapas de
Qualidade 3D de todos os Índices de Oportunidade estudados. Não houve
dificuldade na implementação dos índices. Como havíamos previsto
inicialmente a integração do modelador (Builder) com o construtor de formulas
(Formula Manager) facilitou muito a implementação.
2. Quanto à dificuldade na obtenção dos parâmetros do reservatório necessários
para construir as fórmulas, todos os parâmetros foram obtidos diretamente dos
modelos de simulação. As únicas dificuldades foram a saturação residual do
óleo e a pressão de abandono, como mencionado acima. Dados de laboratórios
disponíveis na literatura foram usados.
3. Quanto ao tempo de elaboração dos mapas, foi observado que muitas vezes
Mapas de Qualidade convencionais são elaborados perfurando um poço vertical
por vez, em cada coluna do modelo de simulação. Isto é feito para verificar as
colunas que forneciam maior e menor produtividade, para com isto definir um
mapa 2D das melhores áreas para perfuração de poços. Este método
convencional exige um grande esforço computacional e demanda muito tempo
para ser elaborado. Por outro lado, os Mapas de Qualidades 3D gerados usando
37
Índices de Oportunidade, tal como foram implementados e analisados, levaram
um tempo insignificante para serem gerados.
4. Quanto à precisão alcançada pelos mapas, uma grande precisão pôde ser
alcançada em virtude da integração direta entre o modelador do reservatório
(Builder) e o construtor das formulas (Formula Manager). A grande maioria dos
parâmetros do reservatório, que compõe os índices pôde ser encontrada no
modelador do reservatório e usada diretamente na construção dos índices. Não
houve a necessidade de importação de grandes massas de dados.
38
7. Estudos comparativos
Neste capitulo são apresentados os Estudos Comparativos. Foram construídos
Mapas de Qualidade usando os índices SOImod (eq. 5-7) e ROImod (eq. 5-1). Nestes
mapas, foram identificadas, para os dois índices, áreas de alta e baixa produtividade e
foram feitos histogramas dos valores das principais propriedades do reservatório nas
áreas de alta produtividade. Além disso, ainda usando os mapas gerados, foram feitos
dois experimentos para a comparação dos índices.
Este Capítulo é organizado da seguinte maneira: na seção 7.1 são apresentados os
Mapas de Qualidade SOImod e ROImod; na seção 7.2 são apresentados os histogramas das
propriedades de reservatórios feitos sobre estes mapas; na seção 7.3 os resultados do
primeiro experimento e na seção 7.4 os resultados do segundo experimento.
7.1. Gerando Mapas de Qualidade SOImod e ROImod
A primeira aplicação foi relativa ao SOImod e retornou os Mapas de Qualidade
apresentados nas Figuras 7-1, 7-2, 7-3, e 7-4 e 7-5. As Figuras 7-1, 7-2, e 7-3 mostram
os mapas das camadas mais importantes, isto é, das três primeiras camadas. As tabelas
com as propriedades das melhores células por camada (células que aparecem em
vermelho ou laranja escuro), nas 3 primeiras e melhores camadas serão mostradas no
Anexo II – Valores das propriedades:
39
Figura 7-1: SOImod aplicado à primeira camada do modelo UNISIM I-D.
Figura 7-2: SOImod aplicado à segunda camada do modelo UNISIM I-D.
Figura 7-3: SOImod aplicado à terceira camada do modelo UNISIM I-D.
40
Entre as camadas 4 e 20 obtivemos os seguintes resultados:
Figura 7-4: SOImod aplicado entre as camadas 4 e 11 do modelo UNISIM I-D.
41
Figura 7-5: SOImod aplicado entre as camadas 12 e 19 do modelo UNISIM I-D.
Como pode ser notado nas figuras de SOImod, as camadas abaixo da terceira (Figuras
7-4 e 7-5) obtiveram resultados muito baixos em todas as células, não possuindo
nenhuma célula entre as 20% mais promissoras.
O ROImod foi aplicado nas exatas mesmas condições do SOImod. Os resultados
obtidos podem se conferidos nas Figuras 7-6, 7-7, 7-8, 7-9 e 7-10. As Figuras 7-6, 7-7, e
7-8 mostram os mapas das camadas mais importantes, isto é, das três primeiras
camadas.
42
Figura 7-6: ROImod aplicado à primeira camada do modelo UNISIM I-D.
Figura 7-7: ROImod aplicado à segunda camada do modelo UNISIM I-D.
Figura 7-8: ROImod aplicado à terceira camada do modelo UNISIM I-D.
43
Entre as camadas 4 e 20 obtivemos os seguintes resultados:
Figura 7-9: ROImod aplicado entre as camadas 4 e 11 do modelo UNISIM I-D.
44
Figura 7-10: ROImod aplicado entre as camadas 12 e 19 do modelo UNISIM I-D.
Como pode ser notado nas figuras de ROImod, as camadas abaixo da terceira (Figuras
7-9 e 7-10) obtiveram resultados muito baixos em todas as células, não possuindo
nenhuma célula entre as 20% mais promissoras.
Observando os mapas gerados por ROImod e SOImod (Figuras de 7-1 a 7-10), podemos
notar que as camadas profundas do modelo, em relação ao ROImod (Figuras 7-9 e 7-10),
apresentaram um resultado melhor do que as do SOImod (Figuras 7-4 e 7-5).
45
Contudo, nenhuma das células presentes em camadas abaixo da terceira camada esteve
entre as 15% melhores células.
A partir dos resultados obtidos nos índices SOImod e ROImod, apresentados nos Mapas
de Qualidade e nas tabelas, foi possível compreender algumas características do modelo
UNISIM I-D. Uma característica direta vem do fato de que todas as células que
retornaram valores altos estarem presentes nas três primeiras camadas do campo,
ressaltando a indicação, já abordada, de estas serem as camadas comerciais do mesmo,
devendo, assim, serem as camadas mais produtivas consideradas neste trabalho.
Podemos notar ainda que os Mapas de Qualidade gerados pelos índices ROImod e
SOImod apresentaram muitas características distintas e algumas semelhanças. O ROImod
apontou uma diversidade de células de alta produtividade muito maior do que o SOImod,
nas 3 camadas em que o estudo se concentrou. Notou-se também que, apesar da maioria
das células que retornaram os maiores valores para o SOImod estarem entre as que
retornaram altos valores para o ROImod, estas células não estão entre os valores maiores
do ROImod.
Todos os mapas gerados pelos ROImod e SOImod são hábeis para definir áreas onde os
poços produtores com muita certeza atingem alta produtividade.
7.2. Histogramas das propriedades do reservatório
Nesta seção são apresentados os histogramas dos valores das principais
propriedades do reservatório, nas áreas que retornaram os maiores valores dos
índices dos mapas ROImod e SOImod. Estes histogramas nos fornecem uma perspectiva
de como escolher as melhores áreas em um campo de petróleo. O SOImod e o ROImod
46
obtiveram os histogramas e as tabelas respectivas que são apresentados nas Figuras
7-11 até 7-22.
Figura 7-11: Histograma da porosidade nas melhores células do SOImod.
Figura 7-12: Histograma da Permeabilidade no eixo I nas melhores células do SOImod.
Figura 7-13: Histograma da Permeabilidade no eixo J nas melhores células do SOImod.
Porosidade Frequência
0,28 0
0,29 9
0,3 23
0,31 0
Perm I Frequência
800 0
900 1
1000 5
1100 18
1200 8
Perm J Frequência
800 0
900 1
1000 5
1100 18
1200 8
47
Figura 7-14: Histograma da Permeabilidade no eixo K nas melhores células do SOImod.
Figura 7-15: Histograma da Saturação de óelo nas melhores células do SOImod.
Perm K Frequência
1100 0
1200 4
1300 3
1400 4
1500 9
1600 6
1700 4
1800 2
Oil Sat Frequência
0,79 0
0,8 4
0,81 3
0,82 4
0,83 9
0,84 6
48
Figura 7-16: Histograma do Net to Gross Ratio nas melhores células do SOImod.
Figura 7-17: Histograma da Porosidade nas melhores células do ROImod.
Figura 7-18: Histograma da Permeabilidade no eixo I nas melhores células do ROImod.
NTG Frequência
0,9 2
0,91 4
0,92 0
0,93 1
0,94 5
0,95 5
0,96 3
0,97 6
0,98 1
0,99 3
1 2
Porosidade Frequência
0,28 0
0,29 128
0,3 59
0,31 0
Perm I Frequência
800 0
900 56
1000 54
1100 62
1200 15
49
Figura 7-19: Histograma da Permeabilidade no eixo J nas melhores células do ROImod.
Figura 7-20: Histograma da Permeabilidade no eixo K nas melhores células do ROImod.
Figura 7-21: Histograma da Saturação de óleo nas melhores células do ROImod.
Perm K Frequência
1000 16
1100 31
1200 34
1300 19
1400 34
1500 22
1600 20
1700 9
1800 2
Perm J Frequência
800 0
900 56
1000 54
1100 62
1200 15
Oil Sat Frequência
0,72 1
0,74 1
0,77 2
0,78 4
0,79 1
0,8 1
0,81 9
0,82 1
0,83 167
50
Figura 7-22: Histograma do Net to Gross Ratio nas melhores células do ROImod.
Observando os histogramas das propriedades do reservatório (Figuras 7-11 a 7-22),
algumas características se repetiram unanime ou quase unanimemente nas células
consideradas de alta produtividade pelos índices. Essas características podem ser
entendidas como condições promissoras para uma célula ser considerada de alta
produtividade, análise que já poderia descartar previamente determinadas localizações
do reservatório.
Ainda através da análise dos histogramas das propriedades do reservatório, pode-se
destacar os seguintes resultados:
Para o caso do SOImod, a saturação de óleo (Figura 7-15), a porosidade (Figura 7-
11) e as permeabilidades j e k (Figuras 7-12 e 7-13) foram as propriedades que
apresentaram menor desvio para as células promissoras, mostrando a
importância dessas propriedades;
No caso do ROImod, apenas a porosidade (Figura 7-17) e a saturação de óleo
(Figura 7-21) se sobressaíram. Mostrando que o ROImod “aceita” uma gama
maior de valores para propriedades como permeabilidades (Figuras 7-18, 7-19 e
7-20) e NTG (Figura 7-22).
NTG Frequência
0,6 1
0,7 25
0,8 25
0,9 45
1 91
51
7.3. Experimento I – Áreas de alta produtividade e áreas de baixa
produtividade
Nesta seção são apresentados os resultados obtidos no primeiro experimento. Com
base nos Mapas de Qualidade gerados pelo SOImod e pelo ROImod (apresentados na seção
anterior) foi realizado este experimento. Foi feita a comparação de 4 poços posicionados
nas áreas de alta produtividade indicadas por cada um dos Índices e 4 poços
posicionados em áreas contraindicadas pelos dois índices, em duas simulações distintas.
O posicionamento dos poços produtores, definidos pelo índice SOImod, pode ser
visto na Tabela 7-1 e na Figura 7-23. A Figura 7-24 mostra os poços alocados no mapa
3D e as Figuras 7-25, 7-26, 7-27 e 7-28 mostram as trajetórias sugeridas para os poços
P1, P2, P3 e P4 dentro da formação rochosa do Campo de Namorado.
Tabela 7-1: Posição dos poços para o experimento I, segundo SOImod.
Figura 7-23: Posicionamento dos poços com relação às melhores e às piores posições segundo o SOImod.
P1 P2 P3 P4 BP1 BP2 BP3 BP4
Camada 1 24, 42 12, 39 34, 44 67, 24 51, 5 36, 23 55, 41 72, 33
Camada 2 24, 43 12, 41 36, 46 65, 23 51, 5 36, 23 55, 41 72, 33
Camada 3 24, 44 12, 43 38, 48 63, 22 51, 5 36, 23 55, 41 72, 33
52
Figura 7-24: Vista 3D dos poços colocados em áreas produtivas e não produtivas segundo o SOImod.
Figura 7-25: Trajetória sugerida para o poço P1 no experimento 1 (SOImod).
53
Figura 7-26: Trajetória sugerida para o poço P2 no experimento 1 (SOImod).
Figura 7-27: Trajetória sugerida para o poço P3 no experimento 1 (SOImod).
Figura 7-28: Trajetória sugerida para o poço P4 no experimento 1 (SOImod).
54
Note na Figura 7-29 os poços perfurados nas áreas definidas pelo índice ROImod. A
Tabela 7-2 mostra as posições dos poços e a Figura 7-30 mostra o posicionamento
destes no mapa 3D. As Figuras 7-31, 7-32, 7-33 e 7-34 mostram as trajetórias sugeridas
para os poços P1, P2, P3 e P4 dentro da formação rochosa do Campo de Namorado.
Tabela 7-2: Posição dos poços para o experimento I, segundo ROImod.
Figura 7-29: Posicionamento dos poços com relação às melhores e às piores posições segundo o ROImod.
Figura 7-30: Vista 3D dos poços colocados em regiões produtivas e não produtivas segundo o ROImod.
P1 P2 P3 P4 BP1 BP2 BP3 BP4
Camada 1 24, 42 9, 45 24, 26 67, 24 51, 5 36, 23 55, 41 72, 33
Camada 2 24, 43 12, 41 27, 24 65, 23 51, 5 36, 23 55, 41 72, 33
Camada 3 24, 44 15, 37 30, 22 63, 22 51, 5 36, 23 55, 41 72, 33
55
Figura 7-31: Trajetória sugerida para o poço P1 no experimento 1 (ROImod).
Figura 7-32: Trajetória sugerida para o poço P2 no experimento 1 (ROImod).
Figura 7-33: Trajetória sugerida para o poço P3 no experimento 1 (ROImod).
56
Figura 7-34: Trajetória sugerida para o poço P4 no experimento 1 (ROImod).
Com base no posicionamento dos poços mostrados nas Figuras 7-23 e 7-29 foram
realizadas duas simulações distintas. A primeira usando os poços perfurados nas
posições indicadas por ROImod (Figura 7-23). A segunda utilizando poços perfurados nas
posições indicadas por SOImod (Figura 7-29). Em ambos os casos, os poços localizados
em regiões com alto potencial foram nomeados P1, P2, P3 e P4 e os poços localizados
em regiões sem potencial foram chamados BP1, BP2, BP3 e BP4. Os 8 poços, nos dois
casos, produziram durante cinco anos, com uma restrição de vazão máxima de 4000
m³/dia de líquido e tiveram os resultados mostrados nas Figuras 7-35 e 7-36:
Figura 7-35: Taxa mensal de produção de petróleo nos poços posicionados segundo o SOImod.
57
Figura 7-36: Taxa mensal de produção de petróleo nos poços posicionados segundo o ROImod.
Fica claro, através das Figuras 7-35 e 7-36, que tanto ROImod quanto SOImod
obtiveram sucesso em indicar regiões que conseguiriam uma produtividade alta e
também regiões em que não deveriam ser perfurados poços produtores. Esse sucesso
valida o experimento e torna ainda mais significativa a importância de se comparar e
analisar mais a fundos os resultados.
A fim de se comparar ROImod e SOImod e de se ter, com mais clareza, a ideia de qual
índice apresentou melhor desempenho no caso do modelo UNISIM-I-D, no final das
simulações, que revelaram o sucesso tanto de SOImod quanto de ROImod, na identificação
de áreas produtivas (Figura 7-35 e 7-36), analisou-se o total da produção acumulada de
petróleo dos poços indicados por SOImod e ROImod. Obtendo -se os seguintes resultados,
mostrados nas Figuras 7-37 e 7-38.
58
Figura 7-37: Total de óleo produzido acumulado pelos poços posicionados segundo o SOImod.
Figura 7-38: Total de óleo produzido acumulado pelos poços posicionados segundo o ROImod.
Nos resultados apresentados nas Figuras 7-37 e 7-38, uma vantagem do ROImod
sobre o SOImod fica evidente. Os poços indicados pelo ROImod acumularam quase um
total de 20 milhões de m³ de petróleo ao final dos cinco anos, enquanto os poços em
regiões indicadas pelo SOImod se limitaram a um pouco mais de 15 milhões de m³ de
petróleo no período.
Essa diferença, poderia se dizer inconclusiva, pois o resultado foi obtido através de
2 simulações diferentes. Porém, o fato do resultado ter sido tomado de 2 simulações
59
diminuiu a interferência entre os poços e a rápida depletação, o que é muito vantajoso
para a análise das regiões.
7.4. Experimento II – Comparação entre os índices
Ainda usando os Mapas de Qualidade gerados (seção 7.1) foi realizado o
Experimento II. Este segundo experimento foi feito com base numa única simulação
com a perfuração de 6 poços, todos em regiões consideradas produtivas, sendo:
2 em regiões indicadas produtivas tanto no ROImod quanto no SOImod, chamados
ROI SOI 1 e ROI SOI 2
2 em regiões consideradas produtivas no SOImod, chamados SOI 1 e SOI 2;
2 em regiões consideradas produtivas no ROImod, chamados ROI 1 e ROI2.
A configuração final é a mostrada na tabela 3 e na Figura 7-39 e o mapa 3D é
mostrado na Figura 7-40. As Figuras de 7-41 a 7-46 mostram as trajetórias sugeridas
para os poços SOI1, SOI2, ROI1, ROI2, SOIROI1 e SOIROI2 dentro da formação
rochosa do Campo de Namorado.
Tabela 7-3: Posição dos poços para o experimento II, segundo SOImod e ROImod.
Note que os poços ROI1, ROI2, SOI ROI2 são direcionais.
SOI1 SOI2 ROI1 ROI2 SOIROI1 SOIROI2
Camada 1 12, 39 34, 44 9, 45 24, 26 24, 42 67, 24
Camada 2 12, 42 36, 46 12, 41 27, 24 24, 43 65, 23
Camada 3 12, 45 38, 48 15, 37 30, 22 24, 44 63, 22
60
Figura 7-39: Posicionamento dos poços com relação às melhores posições segundo o ROImod, segundo o SOImod e nas
interseções.
Figura 7-40: Vista 3D dos poços colocados com relação às melhores posições segundo o ROImod, segundo o SOImod e
nas interseções.
61
Figura 7-41: Trajetória sugerida para o poço SOI1 no experimento 2.
Figura 7-42: Trajetória sugerida para o poço SOI2 no experimento 2.
Figura 7-43: Trajetória sugerida para o poço ROI1 no experimento 2.
62
Figura 7-44: Trajetória sugerida para o poço ROI2 no experimento 2.
Figura 7-45: Trajetória sugerida para o poço SOIROI1 no experimento 2.
Figura 7-46: Trajetória sugerida para o poço SOIROI2 no experimento 2.
63
A simulação também teve a duração de cinco de anos e a restrição de vazão máxima
de 4000 m³/dia de líquido. Os resultados da produção acumulada de petróleo para os 6
poços podem ser vistos na Figura 7-47:
Figura 7-47: Total de óleo produzido acumulado por cada poço posicionado segundo o ROImod, segundo o SOImod
e nas interseções.
Os resultados mostram uma produtividade maior do poço SOI ROI 2, localizado
numa área indicada por ambos os índices, seguido pelo poço ROI 2, posicionado em
uma área indicada pelo ROImod, ambos estão muito destacados e com uma produtividade
bastante maior do que os demais. Na sequência tivemos SOI ROI 1, ROI 1, SOI 2 e SOI
1.
Estes resultados indicam as seguintes afirmações:
As áreas de alta produtividade indicadas pelos dois índices realmente se
sobressaíram, mostrando a grande aplicabilidade de ambos no modelo UNISIM-
I-D;
Quando analisados individualmente, os poços localizados em áreas indicadas
pelo ROImod tiveram resultados bem superiores àqueles localizados em áreas
indicadas pelo SOImod, concluindo que, neste caso, o melhor é o ROImod.
64
Outro fator importante é a relevância das três camadas que foram produzidas através
da análise da produtividade destas camadas para o entendimento se de fato são camadas
economicamente interessantes. As Figuras 7-48, 7-49, 7-50, 7-51, 7-52 e 7-53 mostram
os resultados da produção por camadas dos poços perfurados neste experimento.
Figura 7-48: Produção acumulada do poço SOI ROI 1, por camada.
Figura 7-49: Produção acumulada do poço SOI ROI 2, por camada.
65
Figura 7-50: Produção acumulada do poço SOI 1, por camada.
Figura 7-51: Produção acumulada do poço SOI 2, por camada.
66
Figura 7-52: Produção acumulada do poço ROI 1, por camada.
Figura 7-53: Produção acumulada do poço ROI 2, por camada.
Dos resultados das produtividades dos poços por camadas, temos que:
O poço ROI 1 teve maior produtividade na camada 2 e menor na camada 1;
O poço ROI 2 teve maior produtividade na camada 1 e menor na camada 3;
O poço SOI 1 teve maior produtividade na camada 2 e menor na camada 1;
O poço SOI 2 teve maior produtividade na camada 1 e menor na camada 2;
O poço SOI ROI 1 teve maior produtividade na camada 1 e menor na camada 3;
67
O poço SOI ROI 2 teve maior produtividade na camada 3 e produtividade quase
nula na camada 1.
Dos seis poços, três obtiveram melhor resultado na camada 1, dois na camada 2 e
um na camada 3, sendo este último o que teve melhor produtividade entre os seis poços.
Esse resultado mostra o excelente desempenho de todas as 3 camadas, corroborando a
escolha delas como camadas a serem exploradas.
68
8. Análise dos resultados
Como visto no Capítulo anterior, tanto os índices SOI como ROI podem obter
regiões de alta produtividade no reservatório, confirmando os resultados que tem sido
publicado na literatura.
Primeiramente, é importante expor que a normalização dos Índices de
Produtividade aplicados obteve o sucesso esperado e a comparação entre os resultados
foi feita de forma facilitada e direta, não sendo necessária nenhuma transformação nos
valores obtidos para que estes fossem analisados. Da mesma forma, as modificações nas
fórmulas matemáticas tornaram toda a aplicação possível para o modelo UNISIM-I-D,
para a data de início, como previsto nas premissas do trabalho.
Em relação aos índices modificados, o índice ROImod gerou Mapas de Qualidade
com áreas de produtividade muito maiores de que o índice SOImod.
Figura 8-1: Os Mapas de Qualidade gerados pelo ROImod, e SOImod para primeira e segunda camadas do modelo.
Na Figura 8-1, pode ser notado que tanto em relação à primeira camada como
em relação à segunda, o índice ROImod gera áreas muito maiores que o índice SOImod.
69
Note que, além de determinar maiores áreas, o índice ROImod, muitas vezes, gera áreas
que incluem as áreas geradas pelo SOImod. Isto significa que o índice ROImod indica áreas
que tem maior possibilidade de alta produção que são negligenciadas pelo SOImod.
No Experimento I, pode ser observado que os poços perfurados nas áreas ROImod
tiveram uma produção maior que os poços perfurados na região SOImod (vide Figuras 7-
35 e 7-36). Isto significa dizer que o índice ROImod tem um potencial para gerar maiores
e melhores áreas de alta produtividade que o índice SOImod. Os resultados apresentados
nas Figuras 7-37 e 7-38 confirmam o melhor desempenho de ROImod.
No Experimento II, pode ser notado que os poços perfurados nas regiões ROImod
tiveram, como no Experimento I, resultados bem superiores àqueles perfurados em
regiões indicadas pelo SOImod (Figura 7-47) concluindo que, neste caso, o melhor é o
ROImod.
Na medida em que o índice ROImod mostrou melhor desempenho que o SOImod
em todas as simulações que realizamos, dentro de todos os experimentos. Além disso,
mostrando maiores áreas de alta produtividade (Figura 8-1), com melhor desempenho
dos poços perfurados nestas áreas, concluímos que, em relação a este estudo, o índice
ROI é melhor ao índice SOI.
O estudo apresentado se mostrou eficaz no reconhecimento das camadas de
maior produtividade, importante fator na análise da viabilidade econômica que é
decisiva para a escolha do plano de desenvolvimento da produção no Campo de
Namorado, ou de qualquer outro campo de petróleo.
É importante avaliar, ainda, o desempenho individual das células do modelo,
através dos histogramas gerados, para que possamos entender o peso de cada
propriedade na definição se a célula está inserida numa região de alta produtividade ou
não. Percebe-se que Saturação de Óleo e Porosidade obtiveram sempre valores altos
70
para células posicionadas em áreas de alta produtividade, tanto para SOImod quanto para
ROImod, mostrando que células que não apresentam valores muito altos destas,
provavelmente, não estarão dentro das zonas de maior produtividade, ainda que
apresentem alto valor nas outras propriedades, como Porosidade I, Porosidade J,
Porosidade K e Net Gross Ratio.
71
9. Pesquisas futuras
Para o futuro do desenvolvimento de trabalhos voltados para Índices de
Oportunidade, três vertentes parecem ser as mais plausíveis e devem ser os caminhos a
serem tomados. A evolução dos índices existente com a adaptabilidade dos mesmos aos
campos de interesse tem sido uma fórmula de sucesso e que deve ser mantida para o
futuro próximo. Outro caminho, esse sim muito inovador e inexplorado, é a utilização
dos índices para o aperfeiçoamento da colocação de poços injetores de diferentes tipos
de fluidos.
O uso de Índices de Oportunidade é muito interessante no que diz respeito à análise
econômica dos campos, ou seja, é uma ferramenta que pode vir a ser fundamental para
diminuir as incertezas acerca do plano de desenvolvimento dos campos, uma vez que os
estudos passarão a ter uma visão muito mais completa da depletação ao longo da
produção dos poços colocados a partir dos Índices de Oportunidade, produção esta que
tende a ser alta. A grande diversidade de modelos matemáticos possíveis e a diversidade
infinita nos diferentes campos de recursos energéticos tornam os trabalhos voltados para
os temas supracitados uma realidade que continuará a se desenvolver no futuro e uma
certeza para todos os pesquisadores da área.
É importante deixar claro que, em geral, Índices de Oportunidade e Mapas de
Qualidade são construídos sobre modelos de simulação de reservatórios, sem levar em
conta as incertezas geológicas, que são inerentes a estes modelos. Por esta razão, para o
futuro, além dos dois caminhos acima, apesar da complexidade, uma perspectiva muito
interessante é considerar a construção de Índices de Oportunidade e Mapas de
Qualidade levando em consideração todas as incertezas geológicas envolvidas.
72
10. Conclusões
O desenvolvimento do presente trabalho pautou-se na análise dos índices SOImod
e ROImod na realidade do Campo de Namorado, representado pelo modelo de simulação
UNISIM I-D. Para isso, foi necessário estabelecer definições e princípios, formalizar
entendimentos de conceitos adquiridos na academia e no meio profissional e,
principalmente, revisar aspectos matemáticos que fossem pertinentes ao proposto.
Examinaram-se as propriedades geológicas, as camadas do modelo e as aplicações
dos índices, bem como as possibilidades de colocações de poços e todas as variáveis
pertinentes a este tema. A título de exemplo, foram apontadas e efetuadas 3 simulações
diferentes, respeitando-se todos os elementos base do processo. Também se mencionou
grande gama de índices existentes no universo de Mapas de Qualidade e as constantes
evoluções destes nos artigos pelo mundo.
Ademais, o presente trabalho examinou os resultados de todas 3 simulações, dando
a devida importância a cada detalhe resultante delas. Ainda sobre as simulações, ficou
evidenciada a importância da aplicação de índices como estes e de trabalhos nesta área.
Foi relatada também a importância de um estudo econômico por camadas de campos
de petróleo, com a posterior comprovação desta. Além disso, o trabalho ocupou-se de
trazer análises das células do modelo, colocando em pauta um importante tema pouco
presente nos trabalhos de Mapas de Qualidade. A presença dos histogramas, pautados
pelos Mapas de Qualidade, permitiu que esta relevante análise das propriedades fosse
possível.
Através dos resultados apresentados, verifica-se a possibilidade de aplicação tanto
do SOImod quanto do ROImod ao Campo de Namorado. Os índices obtiveram sucesso em
73
todos os pontos de análise e simulação, ou seja, demonstraram eficiência mesmo sem
sofrer nenhuma adaptação para que fossem aplicados.
Analisando as áreas retornadas pelos índices, verificou-se a necessidade de
utilização de poços direcionais, com completação em múltiplas camadas. Essas escolhas
se mostraram muito acertadas e resultaram numa produção bem balanceada entre as três
camadas, para os dois índices.
Verifica-se uma possibilidade de otimização proeminente quando da utilização
destes índices, trazendo a discussão de que outros índices semelhantes quando aplicados
a outros campos também podem ter resultados tão bons quanto ou ainda melhores do
que os que aqui foram apresentados.
Pelos resultados obtidos, verifica-se um aumento da eficiência quando considerados
tanto o ROImod quanto o SOImod para a escolha das regiões a serem exploradas.
Entretanto, quando analisados individualmente, o ROImod se mostrou levemente
superior, revelando uma adaptação melhor do termo ao modelo de campo.
Em síntese, conclui-se que tanto o Índice de Oportunidade do Reservatório quanto o
Índice de Oportunidade de Simulação, da forma em que foram aplicados, se mostraram
índices muito interessantes para aplicação em modelos reais, no caso específico, para o
Campo de Namorado. Ademais, o ROImod aponta para uma eficácia superior, com
excelentes índices de todos os pontos importantes: taxa de produção, produção
acumulada e produção por camada.
74
Referências bibliográficas
ABDY, Y., AMARI, M., SHARIFZADEH, A., AL-ANZI, E., AL-ANSARI, M., 2012.
“Compressible Streamlines and Three-Phase History Matching”. SPE Kuwait International
Petroleum Conference and Exhibition, 10-12 December, Kuwait City, Kuwait.
AGÊNCIA NACIONAL DE PETRÓLEO, 2016. “Plano de Desenvolvimento Aprovado
Reunião de Diretoria nº 850 de 04/07/2016 Resolução nº 495/2016”.
ATAEI, A., SONI, S., CHUAH, B., HO, Y. H., 2014. “Reservoir Opportunity Index - Advance
in Well and Subsurface Design for Cost Effective Field Development”. SPE Asia Pacific Oil &
Gas Conference and Exhibition, 14-16 October, Adelaide, Australia.
AVANSI, G. D., SCHIOZER, D. J., 2013. “UNISIM-I: Synthetic Model for Reservoir
Development and Management Applications”. International Journal of Modeling and Simulation
for the Petroleum Industry.
CAMARGO A., 1999. “Prioritizing opportunities for new well locations and well workovers”.
Geoquest Forum, Venezuela.
CANADIAN FUEL ASSOCIATION., 2013. “The Economics of Petroleum Refining:
Understanding the business of processing crude oil into fuels and other value added products”.
CARPENTER, C., 2016. “An Integrated Methodology To Locate Oil Opportunities in Mature
Reservoirs”. Journal of Petroleum Technology.
CAVALCANTE FILHO, J.S. de A., 2005. “Methodology for Quality Map Generation to Assist
with the Selection and Refinement of Production Strategies”. SPE Annual Technical Conference
and Exhibition, 9-12 October, Dallas, Texas.
75
CRUZ, P. S. da., HORNE, R., DEUTSCH, C. V., 2004, “The Quality Map: A Tool for
Reservoir Uncertainty Quantification and Decision Making”. Society of Petroleum Engineers,
SPE Reservoir Evaluation & Engineering.
DOSSARY, M., AL-TURKI, A., HARBI, B., FALEH, A., 2017. “Progressive-Recursive Self-
Organizing Maps PR-SOM for Identifying Potential Drilling Target Areas”, SPE Middle East
Oil & Gas Show and Conference, 6-9 March, Manama, Kingdom of Bahrain.
FAQEHY, M., KATAMISH, H., AL-TOWIJRI, A., AL-ISMAEL, M., 2017. “Reservoir Fluids
Saturation Diagnostic and Hydrocarbon Targets Identification Workflow”. SPE Middle East Oil
& Gas Show and Conference, 6-9 March, Manama, Kingdom of Bahrain.
GASPAR, A. T., SANTOS, A., MASCHIO, C., AVANSI, G., HOHENDORFF FILHO, J.,
SCHIOZER, D., 2015. “Study Case for Reservoir Exploitation Strategy Selection based on
UNISIM-I Field”. Research Group in Reservoir Simulation and Management.
GUIMARAES, M. da S., SCHIOZER, D. J., MASCHIO, C., 2005, “Use of Streamlines and
Quality Map in the Optimization of Production Strategy of Mature Oil Fields”. SPE Latin
American and Caribbean Petroleum Engineering Conference, 20-23 June, Rio de Janeiro,
Brazil.
HEJNY, S., NIELSEN, J., 2003. “Past, Present, & Future of Petroleum”. ENG 297B.
ITE, U., OSAYANDE, N., ONAOLAPO, B., 2015. “Towards Sustainable Community
Development: A Case Study of SPDC Community Transformation and Development Index
(SCOTDI)”. SPE Nigeria Annual International Conference and Exhibition, 4-6 August, Lagos,
Nigeria.
76
JURBERG, R. F., 2016. “A evolução da indústria petrolífera mundial e os impactos no
comércio internacional de petróleo do século xxi após o início da exploração de fontes não
convencionais pelos estados unidos”. Universidade Federal do Rio de Janeiro, Instituto de
economia.
KARIM, M. G. A., RAUB, M. R. B. A., 2011. “Optimizing Development Strategy and
Maximizing Field Economic Recovery through Simulation Opportunity Index”. SPE Reservoir
Characterisation and Simulation Conference and Exhibition, 9-11 October, Abu Dhabi, UAE.
KUMAR, M., RAO, H. S., 2012. “Well Placement Optimization in a Mature Carbonate
Waterflood using Streamline-based Quality Maps”. SPE Oil and Gas India Conference and
Exhibition, 28-30 March, Mumbai, India.
LE RAVALEC-DUPIN, M., 2012. “Optimizing Well Placement With Quality Maps Derived
From Multi-fidelity Meta-models”. SPE Europec/EAGE Annual Conference, 4-7 June,
Copenhagen, Denmark.
LOUREIRO, A. C., FRESKY, M. G., 2005. “Optimized Well Location by Combination of
Multiple-Realisation Approach and Quality Map”. SPE Annual Technical Conference and
Exhibition, 9-12 October, Dallas, Texas.
MASCHIO, C., NAKAJIMA, L., SCHIOZER, D. J., 2008. “Production Strategy Optimization
Using Genetic Algorithm and Quality Map”. Europec/EAGE Conference and Exhibition, 9-12
June 2008, Rome, Italy.
MOLINA, A. R., RINCON, A. A., 2009. “Exploitation Plan Design Based on Opportunity
Index Analysis in Numerical Simulation Models”, Latin American and Caribbean Petroleum
Engineering Conference, 31 May-3 June, Cartagena de Indias, Colombia.
77
NAKAJIMA, L., SCHIOZER, D. J., 2003. “Horizontal Well Placement Optimization Using
Quality Map Definition”. Canadian International Petroleum Conference, 10-12 June, Calgary,
Alberta.
OMARA, E. A., EL HAWARY, A. F., NOSSEIR, M., SAMIEH, A., BAYDOON, M., 2014.
“Identifying Opportunities in a Complex Mature Oil Reservoir; a Company”. International
Petroleum Technology Conference, 19-22 January, Doha, Qatar.
PERTUSIER, R. R., 2004. “Sobre a eficácia da opep como cartel e de suas metas como
parâmetros de referência para os preços do petróleo”. Universidade Federal do Rio de Janeiro,
Instituto de economia.
PIMENTEL, D. A., 2006. “Indicadores de vulnerabilidade de produtores de petróleo: o caso
da opep”. Dissertação submetida ao corpo docente da coordenação dos programas de pós-
graduação de engenharia da Universidade Federal do Rio de Janeiro como parte dos requisitos
necessários para a obtenção do grau de mestre em ciências em planejamento energético.
ROSA, A. J., CARVALHO, R., XAVIER, J. A., 2006. Engenharia de Reservatórios de
Petróleo. Editora Interciência.
SAPUTRA, W., 2016. “Simulation Opportunity Index, A Simple and Effective Method to Boost
the Hydrocarbon Recovery”. SPE Annual Technical Conference and Exhibition, 26-28
September, Dubai, UAE.
TAWARE, S. V., PARK, H., DATTA-GUPTA, A., BHATTACHARYA, S., TOMAR, A. K.,
VARELA-PINEDA, A., HUTHELI, A. H., MUTAIRI, S. M., 2014. “Development of Mature
Fields Using Reservoir Opportunity Index: A Case Study from a Saudi Field”. SPE Saudi
Arabia Section Technical Symposium and Exhibition, 21-24 April, Al-Khobar, Saudi Arabia.
78
Anexo I – Transferência das propriedades
Programação em Python:
79
80
Anexo II – Valores das propriedades
Tabelas com valores e posições dos melhores poços para SOImod:
Tabela A-1: Células com melhores resultados do SOImod na camada 1.
Tabela A-2: Células com melhores resultados do SOImod na camada 2.
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
24 40 0.29 985 985 1312.5 0.83 0.9679
24 41 0.3 1066.0 1068.0 1530.0 0.83 0.9224
24 42 0.3 1042.0 1042.0 1488.0 0.83 0.9469
25 42 0.29 911.0 913.0 1113.0 0.83 0.9889
24 43 0.3 1031.0 1031.0 1485.0 0.83 0.9778
25 43 0.29 977.0 979.0 1336.5 0.83 0.9916
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
11 40 0.29 1017.0 1016.0 1125.0 0.83 0.961
12 40 0.29 1063.0 1063.0 1206.0 0.83 0.9457
13 40 0.3 1049.0 1050.0 1414.5 0.83 0.8986
12 41 0.3 1075.0 1079.0 1324.5 0.83 0.9667
13 41 0.3 1086.0 1088.0 1482.0 0.83 0.9348
14 41 0.3 1059.0 1060.0 1503.0 0.83 0.903
12 42 0.29 990.0 989.0 1182.0 0.83 0.9621
13 42 0.29 1017.0 1015.0 1210.5 0.83 0.9485
13 43 0.3 1085.0 1084.0 1536.0 0.83 0.9015
24 43 0.29 900.0 898.0 1155.0 0.83 0.9875
81
Tabela A-3: Células com melhores resultados do SOImod na camada 3.
Tabelas com valores e posições dos melhores poços para ROImod:
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
17 37 0.3 1104.0 1103.0 1615.5 0.83 0.8665
16 38 0.3 1159.0 1159.0 1728.0 0.83 0.937
17 38 0.3 1153.0 1153.0 1722.0 0.83 0.9675
16 39 0.3 1104.0 1104.0 1615.5 0.83 0.9822
15 40 0.3 1063.0 1064.0 1455.0 0.83 0.9998
9 46 0.29 981.0 983.0 1278.0 0.83 0.9501
7 47 0.3 1107.0 1107.0 1476.0 0.7946929 0.9359
8 47 0.3 1110.0 1110.0 1410.0 0.83 0.9084
9 47 0.3 1094.0 1094.0 1543.5 0.83 0.9579
8 48 0.3 1134.0 1136.0 1660.5 0.8055273 0.9424
9 48 0.3 1141.0 1142.0 1642.5 0.83 0.9323
37 48 0.3 1071.0 1071.0 1533.0 0.8084936 0.9357
38 48 0.3 1077.0 1078.0 1525.5 0.8286092 0.9475
9 49 0.3 1040.0 1039.0 1428.0 0.8025689 0.9519
14 49 0.3 1083.0 1087.0 1432.5 0.83 0.903
11 50 0.3 1067.0 1066.0 1369.5 0.806588 0.9612
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
47 21 0.29 874.0 872.0 1086.0 0.83 0.7276
25 24 0.29 937.0 938.0 1332.0 0.83 0.6556
26 24 0.29 823.0 824.0 1036.5 0.83 0.6872
22 25 0.29 873.0 871.0 1180.5 0.83 0.6061
24 25 0.29 942.0 940.0 1312.5 0.83 0.6179
25 25 0.29 978.0 981.0 1372.5 0.83 0.6382
22 26 0.29 1007.0 1009.0 1425.0 0.83 0.603
23 26 0.3 1096.0 1095.0 1588.5 0.83 0.6031
24 26 0.3 1089.0 1090.0 1599.0 0.83 0.6294
25 26 0.29 877.0 884.0 1198.5 0.83 0.6507
22 27 0.3 1087.0 1088.0 1590.0 0.83 0.6028
23 27 0.3 1106.0 1104.0 1605.0 0.83 0.625
24 27 0.3 1088.0 1087.0 1579.5 0.83 0.6062
25 27 0.29 852.0 852.0 1096.5 0.83 0.6558
82
Tabela A-4: Células com melhores resultados do ROImod na camada 1.
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
22 28 0.29 833.0 836.0 1068.0 0.83 0.612
23 28 0.3 1051.0 1053.0 1504.5 0.83 0.6333
24 28 0.29 1006.0 1006.0 1390.5 0.83 0.6
25 28 0.29 869.0 869.0 1015.5 0.83 0.6281
23 40 0.29 927.0 926.0 1252.5 0.83 0.8815
24 40 0.29 985.0 985.0 1312.5 0.83 0.9679
21 41 0.29 820.0 823.0 1053.0 0.83 0.7555
22 41 0.3 1017.0 1017.0 1479.0 0.83 0.8194
23 41 0.3 1071.0 1069.0 1530.0 0.83 0.8648
24 41 0.3 1066.0 1068.0 1530.0 0.83 0.9224
25 41 0.29 880.0 879.0 1102.5 0.83 0.9889
22 42 0.3 1026.0 1029.0 1491.0 0.83 0.7455
23 42 0.3 1131.0 1131.0 1668.0 0.83 0.8015
24 42 0.3 1042.0 1042.0 1488.0 0.83 0.9469
25 42 0.29 911.0 913.0 1113.0 0.83 0.9889
22 43 0.29 893.0 896.0 1242.0 0.83 0.85
23 43 0.29 943.0 938.0 1302.0 0.83 0.9035
24 43 0.3 1031.0 1031.0 1485.0 0.83 0.9778
25 43 0.29 977.0 979.0 1336.5 0.83 0.9916
26 43 0.29 835.0 836.0 1023.0 0.83 1.0
8 44 0.29 855.0 858.0 1144.5 0.83 0.6432
9 44 0.29 897.0 898.0 993.0 0.83 0.6694
10 44 0.29 920.0 919.0 1024.5 0.83 0.6583
11 44 0.29 881.0 879.0 1023.0 0.83 0.6772
12 44 0.29 880.0 881.0 981.0 0.83 0.7111
13 44 0.29 867.0 868.0 1054.5 0.83 0.8554
24 44 0.29 945.0 942.0 1215.0 0.83 0.95
25 44 0.29 866.0 863.0 1093.5 0.83 0.9806
26 44 0.29 828.0 826.0 1075.5 0.83 1.0
8 45 0.29 998.0 998.0 1339.5 0.83 0.7195
9 45 0.29 1016.0 1016.0 1393.5 0.83 0.6806
10 45 0.29 1004.0 1004.0 1333.5 0.83 0.7029
11 45 0.29 972.0 970.0 1254.0 0.83 0.7306
12 45 0.29 955.0 953.0 1219.5 0.83 0.8285
13 45 0.29 811.0 811.0 1045.5 0.83 0.9138
8 46 0.29 993.0 992.0 1312.5 0.83 0.7075
9 46 0.3 1047.0 1045.0 1462.5 0.83 0.7028
10 46 0.29 965.0 964.0 1155.0 0.83 0.7278
11 46 0.29 942.0 939.0 1176.0 0.83 0.7972
8 47 0.29 895.0 896.0 1023.0 0.83 0.7638
9 47 0.29 910.0 911.0 1012.5 0.83 0.7774
8 48 0.29 856.0 854.0 942.0 0.83 0.7504
83
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
15 36 0.29 852.0 850.0 1026.0 0.83 0.7139
14 37 0.29 934.0 933.0 1072.5 0.83 0.7708
15 37 0.29 937.0 937.0 1161.0 0.83 0.7384
14 38 0.29 965.0 966.0 891.0 0.83 0.7328
15 38 0.29 888.0 891.0 1030.5 0.83 0.7357
13 39 0.29 1043.0 1041.0 970.0 0.83 0.8636
14 39 0.29 1022.0 1022.0 1183.5 0.83 0.8485
15 39 0.29 853.0 853.0 1017.0 0.83 0.7611
16 39 0.29 885.0 886.0 1113.0 0.83 0.7375
11 40 0.29 1017.0 1016.0 1125.0 0.83 0.961
12 40 0.29 1063.0 1063.0 1206.0 0.83 0.9457
13 40 0.3 1049.0 1050.0 1414.5 0.83 0.8986
14 40 0.29 998.0 1000.0 1393.5 0.83 0.8416
15 40 0.29 968.0 968.0 1323.0 0.83 0.855
16 40 0.29 858.0 857.0 1108.5 0.83 0.862
11 41 0.29 997.0 996.0 978.0 0.83 0.9771
12 41 0.3 1075.0 1079.0 1324.5 0.83 0.9667
13 41 0.3 1086.0 1088.0 1482.0 0.83 0.9348
14 41 0.3 1059.0 1060.0 1503.0 0.83 0.903
15 41 0.3 1017.0 1019.0 1459.5 0.83 0.8686
16 41 0.29 859.0 860.0 1122.0 0.83 0.8685
11 42 0.29 932.0 932.0 1174.5 0.83 0.9471
12 42 0.29 990.0 989.0 1182.0 0.83 0.9621
13 42 0.29 1017.0 1015.0 1210.5 0.83 0.9485
14 42 0.3 1039.0 1037.0 1396.5 0.83 0.8806
15 42 0.29 912.0 911.0 1191.0 0.83 0.8758
12 43 0.29 1006.0 1007.0 1290.0 0.83 0.9147
13 43 0.3 1085.0 1084.0 1536.0 0.83 0.9015
14 43 0.29 994.0 993.0 1309.5 0.83 0.8643
23 43 0.29 925.0 924.0 1311.0 0.83 0.8473
24 43 0.29 900.0 898.0 1155.0 0.83 0.9875
11 44 0.29 883.0 880.0 1144.5 0.83 0.9166
12 44 0.29 928.0 929.0 1185.0 0.83 0.8875
13 44 0.29 852.0 852.0 961.5 0.83 0.8589
10 45 0.29 822.0 823.0 1110.0 0.83 0.9941
11 45 0.29 899.0 900.0 1225.5 0.83 0.925
11 46 0.29 826.0 830.0 1062.0 0.83 0.988
8 49 0.29 961.0 962.0 1309.5 0.76 0.978
84
Tabela A-5: Células com melhores resultados do ROImod na camada 2.
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
65 22 0.29 828.0 827.0 1045.5 0.83 0.9385
65 23 0.29 1019.0 1018.0 1386.0 0.83 0.897
66 23 0.29 940.0 940.0 1174.5 0.83 0.8605
28 24 0.29 839.0 841.0 1146.0 0.83 0.7053
29 24 0.3 1027.0 1024.0 1455.0 0.83 0.7286
30 24 0.29 867.0 867.0 1180.5 0.83 0.8016
64 24 0.29 847.0 847.0 1009.5 0.83 0.9283
65 24 0.29 845.0 844.0 1047.0 0.83 0.9172
66 24 0.29 903.0 903.0 1203.0 0.83 0.864
28 25 0.29 952.0 956.0 1329.0 0.83 0.6734
29 25 0.3 1070.0 1071.0 1540.5 0.83 0.6719
28 26 0.29 959.0 958.0 1341.0 0.83 0.7
29 26 0.29 864.0 867.0 1182.0 0.83 0.6781
35 32 0.29 822.0 821.0 1101.0 0.83 0.726
34 33 0.29 877.0 879.0 1189.5 0.83 0.7325
12 36 0.29 860.0 861.0 996.0 0.83 0.9942
14 36 0.29 870.0 871.0 981.0 0.83 0.8375
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
19 35 0.29 981.0 979.0 1339.5 0.83 0.854
20 35 0.29 991.0 989.0 1350.0 0.83 0.905
17 36 0.29 838.0 839.0 1119.0 0.83 0.8467
18 36 0.3 1026.0 1026.0 1465.5 0.83 0.8177
19 36 0.3 1022.0 1021.0 1431.0 0.83 0.8263
20 36 0.29 1003.0 1005.0 1390.5 0.83 0.8916
16 37 0.3 1037.0 1035.0 1486.5 0.83 0.8021
17 37 0.3 1104.0 1103.0 1615.5 0.83 0.8665
18 37 0.3 1111.0 1112.0 1636.5 0.83 0.8652
19 37 0.29 958.0 958.0 1327.5 0.83 0.8594
15 38 0.3 1051.0 1052.0 1335.0 0.83 0.8411
16 38 0.3 1159.0 1159.0 1728.0 0.83 0.937
17 38 0.3 1153.0 1153.0 1722.0 0.83 0.9675
18 38 0.3 1047.0 1051.0 1471.5 0.83 0.9283
15 39 0.29 1044.0 1044.0 1317.0 0.83 0.9523
16 39 0.3 1104.0 1104.0 1615.5 0.83 0.9822
17 39 0.3 1078.0 1075.0 1537.5 0.83 0.949
85
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
15 40 0.3 1063.0 1064.0 1455.0 0.83 0.9998
16 40 0.3 1091.0 1093.0 1554.0 0.83 0.9478
17 40 0.3 1087.0 1087.0 1525.5 0.83 0.9754
15 41 0.3 1096.0 1098.0 1579.5 0.83 0.9604
16 41 0.3 1128.0 1127.0 1642.5 0.83 0.9333
14 42 0.3 1013.0 1015.0 1443.0 0.83 0.9363
15 42 0.3 1116.0 1116.0 1636.5 0.83 0.9427
16 42 0.3 1091.0 1092.0 1554.0 0.83 0.9632
13 43 0.29 970.0 971.0 1294.5 0.83 0.9322
14 43 0.3 1054.0 1053.0 1516.5 0.83 0.9146
13 44 0.29 1018.0 1019.0 1132.5 0.83 0.9805
14 44 0.29 974.0 973.0 1234.5 0.83 0.9528
5 45 0.29 1014.0 1013.0 1354.5 0.77 0.9308
10 45 0.29 828.0 825.0 1090.5 0.83 0.971
6 46 0.3 1058.0 1058.0 1272.0 0.77 0.91
7 46 0.29 1010.0 1011.0 1161.0 0.83 0.9208
8 46 0.29 950.0 950.0 1144.5 0.83 0.9323
9 46 0.29 981.0 983.0 1278.0 0.83 0.9501
10 46 0.29 970.0 972.0 1333.5 0.83 0.9284
18 46 0.29 855.0 853.0 999.0 0.83 0.9164
7 47 0.3 1107.0 1107.0 1476.0 0.79 0.9359
8 47 0.3 1110.0 1110.0 1410.0 0.83 0.9084
9 47 0.3 1094.0 1094.0 1543.5 0.83 0.9579
10 47 0.29 907.0 906.0 1171.5 0.83 0.9539
11 47 0.29 832.0 827.0 1039.5 0.83 0.9513
38 47 0.29 845.0 841.0 1096.5 0.83 0.9014
39 47 0.29 848.0 844.0 988.5 0.83 0.875
40 47 0.29 858.0 855.0 1096.5 0.83 0.814
8 48 0.3 1134.0 1136.0 1660.5 0.81 0.9424
9 48 0.3 1141.0 1142.0 1642.5 0.83 0.9323
10 48 0.29 932.0 937.0 1243.5 0.83 0.953
11 48 0.29 876.0 876.0 1147.5 0.83 0.9314
12 48 0.29 860.0 857.0 1036.5 0.83 0.9333
13 48 0.29 874.0 873.0 877.5 0.83 0.9389
17 48 0.29 867.0 867.0 912.0 0.83 0.8131
36 48 0.3 1011.0 1014.0 1447.5 0.76 0.9256
37 48 0.3 1071.0 1071.0 1533.0 0.81 0.9357
38 48 0.3 1077.0 1078.0 1525.5 0.83 0.9475
39 48 0.29 953.0 954.0 1233.0 0.83 0.9
86
Tabela A-6: Células com melhores resultados do ROImod na camada 3.
I J POROS PERM I (mD) PERM J (mD) PERM K (mD) OIL SAT NTG
40 48 0.29 938.0 940.0 1263.0 0.83 0.8628
9 49 0.3 1040.0 1039.0 1428.0 0.80 0.9519
10 49 0.29 868.0 867.0 1120.5 0.83 0.9589
11 49 0.29 922.0 920.0 1144.5 0.83 0.9389
12 49 0.29 884.0 884.0 904.5 0.83 0.9154
13 49 0.29 942.0 944.0 1038.0 0.83 0.9318
14 49 0.3 1083.0 1087.0 1432.5 0.83 0.903
15 49 0.29 1071.0 1073.0 1083.0 0.83 0.906
16 49 0.29 991.0 996.0 1086.0 0.81 0.8456
17 49 0.29 982.0 979.0 913.5 0.80 0.925
37 49 0.3 1046.0 1046.0 1513.5 0.72 0.9631
38 49 0.29 957.0 957.0 1330.5 0.79 0.9103
39 49 0.29 996.0 996.0 1264.5 0.80 0.8833
40 49 0.29 989.0 987.0 1333.5 0.80 0.8676
10 50 0.29 967.0 968.0 1231.5 0.77 0.9621
11 50 0.3 1067.0 1066.0 1369.5 0.81 0.9612
12 50 0.29 1038.0 1031.0 982.5 0.81 0.9639
13 50 0.3 1072.0 1070.0 1308.0 0.80 0.9333
14 50 0.3 1138.0 1141.0 1459.5 0.78 0.9185
15 50 0.3 1103.0 1102.0 1374.0 0.74 0.8971