Los métodos de deconvolución han obtenido una gran relevancia y por consecuencia un mayor uso para la interpretación avanzada de pruebas de presión.
Existiendo aún un desconocimiento grande sobre el tema, este trabajo tiene el propósito de brindar de forma gráfica y sencilla el resultado del uso de la deconvolución en datos sintéticos y reales.
Durante el estudio se planteraron dos métodos principales: Von Schroeter, et al (2002), y Levitan (2005); siendo estos los algoritmos más robustos y por su fiabilidad, los más utilizados por software especializados.
Adicionalmente, se realizó una comparación de estos métodos en su aplicación a través de casos reales y sintéticos. Se analizan sus alcances y sus limitaciones, con la finalidad de que el usuario no utilice la deconvolución como una caja negra y obtenga resultados que no puedan ser interpretados.
A través de estos métodos, hacemos uso de nuestras propias versiones de algoritmos para su resolución; esto, con la finalidad de que puedan ser más entendibles. Este trabajo, otorgó una base para cualquiera que disponga de su tiempo para aprender a utilizar una herramienta poderosa, como lo es la deconvolución.
Te puede interesar: Recuperación mejorada con surfactantes
Para comprender de mejor manera el concepto de deconvolución es necesario introducirlo a través del proceso de análisis de las pruebas de presión. Así, la obtención del modelo de interpretación ha sido una aplicación especial de la teoría general del análisis de señales (Jouanna y Fras, 1979).
Al considerar a las pruebas de presión y su análisis dentro del contexto de la teoría de señales (Gringarten, 1979); fue más sencillo entender el alcance y las limitaciones de su análisis. Bajo este concepto, el procesamiento de señales es descrito esquemáticamente como:
Asimismo, la deconvolución es una herramienta para los datos mismos. Debe ser comparada con los datos convencionales de la derivada de la respuesta del sistema. Adicionalmente, de forma importante debe ser consistente con la información geológica previa. Igualmente, validada a través del ajuste histórico basado en un modelo posible del yacimiento.
Sigue leyendo: Modelos dinámicos en construcción de campos
Basados en el desempeño de nuestros algoritmos podemos resumir de forma sencilla y corta los siguientes puntos para cada algoritmo. Nuestra implementación del método de von Schroeter et al mostró que el algoritmo es capaz de soportar inconsistencias en los datos de presión y gasto.
Igualmente, el algoritmo permite que la presión inicial y los gastos sean tratados como incógnitas en la deconvolución. La suposición de la tendencia de pendiente unitaria del efecto de almacenamiento antes del primer nodo causa cierta discordancia con la verdadera respuesta cuando no existe el efecto de almacenamiento; sin embargo, el efecto desaparece pronto y permite observar los efectos posteriores.
Adicionalmente, la implementación del método de Levitan: El algoritmo es capaz de soportar inconsistencias en los datos de presión y gasto. Asimismo, el algoritmo permite que la presión inicial y los gastos se traten como incógnitas en la deconvolución.
Del mismo modo, el algoritmo remueve la suposición de la tendencia de pendiente unitaria del efecto de almacenamiento. Por ende puede reconstruir la respuesta correcta a periodos muy cortos de tiempo incluso si los datos no muestran señales del efecto de almacenamiento.
El trabajo fue presentado por los Ingenieros Marcos Emiliano López Jiménez y Daniel Sánchez Esquivel en la reciente edición del Congreso Mexicano del Petróleo (CMP).
