Você está na página 1de 90

Felipe Timóteo da Costa

Modelagem Geoestatística do Campo de Namorado na Bacia de Campos

Brasil

2013

Felipe Timóteo da Costa

Modelagem Geoestatística do Campo de Namorado na Bacia de Campos

Dissertação de Mestrado apresentada ao Pro- grama de Pós-graduação em Geologia e Geo- física Marinha, LAGEMAR, da Universidade Federal Fluminense, como parte dos requisi- tos necessários a obtenção do título de Mes- tre em Geologia e Geofísica Marinha.

Universidade Federal Fluminense

Instituto de Geociências/LAGEMAR

Programa de Pós Graduação

Orientador: Bruno Yann Nicolas Goutorbe Coorientador: Adalberto da Silva

Brasil

2013

Felipe Timóteo da Costa

Modelagem Geoestatística do Campo de Namorado na Bacia de Campos

Dissertação de Mestrado apresentada ao Pro- grama de Pós-graduação em Geologia e Geo- física Marinha, LAGEMAR, da Universidade Federal Fluminense, como parte dos requisi- tos necessários a obtenção do título de Mes- tre em Geologia e Geofísica Marinha.

Trabalho aprovado. Brasil, 8 de outubro de 2013:

Bruno Yann Nicolas Goutorbe Orientador

Adalberto da Silva Coorientador

Prof.Dr.Cleverson Guizan Silva Dept o . de Geologia - LAGEMAR-UFF

Dr. Marcos A. Gallotti Guimarães Geonunes

Prof.Dr. Alexandre Motta Borges Dept o . de Geologia - LAGEMAR-UFF

Brasil

2013

Agradecimentos

Primeiramente, gostaria de agradecer ao meu orientador Adalberto da Silva pelos ensinamentos, conselhos e sugestões que possibilitaram a realização desse trabalho.

Aos meus pais, Antônio Rodriguês e Maria da Penha, pelo apoio incondicional nessa empreitada. E à toda minha família.

Aos meus queridos amigos, por acreditarem sempre na minha capacidade e torce- rem por mim a cada instante. Especialmente os amigos Daniel Franco, Felipe Gonçalves, Thiago Capone, Thiago Barros, Wagner Gomes e Vivian Andrade.

Aos colegas na Universade Federal Fluminense: Beatriz, Denis, Fábio, Israel, Ja- queline, Jonne, Manoela, Roberto, Victor e todos aqueles que me ajudaram com seus conselhos, dicas e sugestões.

Aos professores do LAGEMAR pelos preciosos ensinamentos. E à todos aqueles que em algum momento contribuíram para a finalização desse trabalho.

E por fim, a minha eterna namorada Gabriela Zuquim, que esteve ao meu lado sempre me apoiando.

Muito Obrigado.

“Para examinar a verdade, é necessário, uma vez na vida, colocar todas as coisas em dúvida o máximo possível” (René Descartes)

Resumo

A abordagem geoestatística permite a quantificação da variabilidade espacial diretamente

dos dados através do variograma, possibilitando assim a criação de modelos de reserva- tório que simulem, com bastante realismo, a heterogeneidade do sistema. A modelagem geoestatística proposta nesse trabalho foi aplicada ao Campo de Namorado na Bacia de Campos. O Campo de Namorado foi formado pela coalescência de canais e lobos turbi- díticos situados no topo da Formação Macaé. Foram utilizados os perfis de Raios Gama, Densidade “Bulk”, Porosidade Neutrônica e o parâmetro DRDN dos 37 poços do Campo de Namorado para a análise geoestatística através do software SGeMS. Os modelos va- riográficos adotados possuem comportamento isotrópico em relação ao plano horizontal apresentando anisotropia com relação à direção vertical. A krigagem ordinária não for- neceu um modelo de reservatório satisfatório pois os resultados obtidos para todas as

propriedades possuem um comportamento em “blocos”, não capturando dessa forma a

heterogeneidade inerente ao sistema. A simulação sequencial gaussiana foi realizada para

o parâmetro DRDN, que é uma variável contínua que permite a classificação das litofá-

cies, e para a propriedade densidade bulk, utilizada para o cálculo da porosidade efetiva nas regiões onde a fácie reservatório foi classificada pela variável DRDN. Foram gera-

das 10 realizações para cada propriedade e produzidos seus respectivos mapas E-type. A distribuição espacial das litofácies obtida com a simulação sequencial gaussiana forneceu geometrias de reservatório que são coerentes com os sistemas de deposição descritos na literatura. Por fim, os resultados da validação cruzada mostram que os modelos criados a partir da simulação sequencial gaussiana apresentam estabilidade, dessa forma represen- tando bem a variabilidade dos dados e garantindo a heterogeneidade esperada do modelo.

Palavras-chaves: Modelagem de Reservatórios, Geoestatística, Krigagem Ordinária, Si- mulação Sequencial Gaussiana, Campo de Namorado.

Abstract

The geostatistical methods have been applied increasingly to reservoir modeling as they allow the estimative of the spatial (or temporal) uncertainty related to natural resources. The geostatistical approach permits to obtain the spatial variability quantification directly from actual data using the variogram thus providing means to build reservoir models that simulate realistically the system heterogeneities. In this work, this approach is applied to the Namorado Field sandstone reservoir formed by the coalescence of a channel-lobe tur- bidite system on the top of Macaé Fm in Campos Basin, Brazil. Gamma ray, bulk density, neutron porosity and DRDN well logging data from 37 wells have been analyzed under the geostatistical suite SGeMS and the modeled variograms have an isotropic behavior in the horizontal directions and an anisotropic behavior to the vertical. The resulting ordi- nary kriging models for these four variables are ‘blocky’ and do not capture the inherent heterogeneities of the turbidite system. A total of ten realizations for DRDN — a con- tinuous variable that allows a good lithofacies classification on this reservoir — and for bulk density — used to calculate the reservoir porosity and restricted to the porous facies derived from DRDN — were made applying a gaussian sequential simulation algorithm in order to generate their respective E-type maps. The resulting spatial lithofacies dis- tribution is coherent with the geometries for Namorado Field turbidite system described in the literature. In addition, the analysis of cross validation scores shows the stability of the generated models and their ability to realistically represent the variability and heterogeneity of the natural system.

Key-words: Reservoir Modeling, Geostatistics, Ordinary Kriging, Sequential Gaussian Simulation, Namorado Field.

Lista de ilustrações

Figura 1 – Localização da Bacia de Campos com os 41 campos de exploração pe- trolífera. O campo de Namorado (em rosa) foi descoberto em 1975.

(BRUHN et al., 2003)

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

27

Figura 2 – Carta Estratigráfica da Bacia de Campos. ( Modificado de Rangel e

Martins (1998)

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

29

Figura 3 – Seção Esquemática Geológica da Bacia de Campos, representado as principais formações estratigráficas da bacia (retidado de Dias et al.

(1990 apud CRUZ,

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

31

Figura 4 – Modelo esquemático propondo a evolução paleogeográfica para a área do Campo de Namorado. Sequência 0: Sistema de lobos turbidíticos confinados. Sequência 1: Progressivo preenchimento da calha deposi- cional ainda mantendo um carácter fortemente confinado. Sequência 2: Presença de uma geometria de lobos progradacionais e fácies que correspondem ao transbordamento ou preenchimento final da depres- são. Sequência 3: Sistema ainda com características de confinamento, porém se distribuem mais lateralmente apresentando geometrias mais espraiadas (retirado de Barboza

33

Figura 5 – Função distribuição de probabilidade (REMY; BOUCHER; WU, 2009). 36

Figura 6 – As componentes de um variograma, o patamar é adotado como a vari- ância da variável em estudo, o alcance é a distância na qual o patamar é alcançado e o efeito pepita é a variabilidade em curta

.

39

Figura 7

Localização dos poços utilizados no Campo de Namorado.

 

.

.

.

.

.

.

.

49

Figura 8 – Conjunto de curvas geradas pelo STRATER R para o poço

 

51

Figura 9 – Distribuição das distância e direções entre os poços, histograma em rosácea do número de poços por direção e resumo estatístico relacio- nando a direção dos poços, criados no MatLab R . Note a concentração de poços na direção alinhados próximos a direção de 120 o , que coincide com a orientação do paleocanal interpretado por Barboza

 

53

Figura 10 – Esquema que representa a transformação dos poços direcionais para verticais. As coordenadas da base foram assumidas como a posição do

 
 

poço vertical

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

53

Figura 11 – Matriz com os gráficos de dispersão entre as propriedades mais rele- vantes. Na diagonal estão os respectivos

57

Figura 12 – (a)Variograma Omnidirecional, (b)Variograma Horizontal e (c) Vario- grama Vertical da variável GR. Os “x” em vermelho representam os valores calculados para o variograma a partir dos dados e a linha con- tínua representa o modelo ajustado aos

59

Figura 13 – (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Vario- grama Vertical da variável RHOB. Os “x” em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contínua representa o modelo ajustado aos

60

Figura 14 – (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Vario- grama Vertical da variável NPHI. Os “x” em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contínua representa o modelo ajustado aos

61

Figura 15 – (a)Variograma Omnidirecional,(b)Variograma Horizontal e (c) Vario- grama Vertical da variável DRDN. Os “x” em vermelho representam os valores calculados para o variograma a partir dos dados e a linha contínua representa o modelo ajustado aos

62

Figura 16 – Comparação entre os histogramas dos dados (a) e histogramas estima-

 

dos por KO (b) da variável DRDN

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

66

Figura 17 – Grid de krigagem Ordinária para a variável GR juntamente com o grid

da variância do erro.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

67

Figura 18 – Grid de krigagem Ordinária para a variável RHOB juntamente com o

grid da variância do erro.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

68

Figura 19 – Grid de krigagem Ordinária para a variável NPHI juntamente com o

grid da variância do erro.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

69

Figura 20 – Grid de krigagem Ordinária para a variável DRDN juntamente com o

grid da variância do erro.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

70

Figura 21 – Variabilidade da variância com o aumento do número de realizações em função do número de realizações geradas por

72

Figura 22 – Comparação entre os histogramas dos dados (a) e (c) e histogramas simulados por SSG (b) e (d) para as variáveis DRDN (primeira linha)

e RHOB (segunda linha)

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

73

Figura 23 – Representação do empilhamento dos grids para a geração do mapa E- type da variável DRDN. Na figura estão representadas apenas uma das seções horizontais de cada grid tridimensional. A determinação do valor de cada célula do mapa E-type foi calculado através da média das 10 realizações equiprováveis com as mesmas coordenadas

74

Figura 24 – Representação do empilhamento dos grids para a geração do mapa E- type da variável RHOB. Também foram utilizadas 10 realizações equi- prováveis para a geração do mapa E-type. A variável RHOB foi utilizada

 

para o cálculo da porosidade efetiva.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

75

Figura 25 – Mapa E-type da variável DRDN (primeira coluna) e mapa E-type para

 

a

porosidade efetiva (segunda coluna).As seções horizontais (g) e (h)

correspondem a porção inferior do grid tridimensional. A distribuição das litofácies dessas seções sugerem um sistema deposicional de canais confinados alinhados à direção N-S, na porção inferior da seção, e um alinhamento na direção NW-SE, na porção superior da seção. Nas se- ções verticais (c), (d), (e) e (f) é possível observar os diversos eventos .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

76

Figura 26 – Mapa E-type da variável DRDN (primeira coluna) e mapa E-type para

 

a

porosidade efetiva (segunda coluna). As seções horizontais (g) e (h)

correspondem a porção superior do grid tridimensional. É possível no- tar a mudança da direção preferencial dos canais em relação a figura 25. A distribuição das litofácies tornam-se mais espraiadas sugerindo a

evolução do sistema deposicional. As seções verticais (c), (d), (e) e (f)

apresentam os diversos eventos turbiditícos.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

77

Figura 27 – Validação Cruzada entre os valores estimados/simulados para a variável

 
 

DRDN.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

79

Figura 28 – Validação Cruzada entre os valores estimados/simulados para a variável

 
 

RHOB.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

80

Lista de tabelas

Tabela 1 – Coordenadas dos poços com topo e base do Reservatório Namorado –

Tabela 2

Resumos estatistísticos para as variáveis

54

55

Tabela 3 – Coeficiente de correlação entre as

56

Lista de abreviaturas e siglas

VA

Variável Aleatória

FA

Função Aleatória

fda

Função distribuição acumulada

fdp

Função densidade de probabilidade

KO

Krigagem Ordinária

SSG

Simulação Sequencial Gaussiana

SGeMS

Stanford Geostatistical Modeling Software

Lista de símbolos

γ

Função Variograma

a

Alcance

h

vetor lag

σ 2

Variância.

F (z)

Função

distribuição acumulada

f (z)

Função densidade de probabilidade

z

Realização de uma variável aleatória

Z

Variável Aleátoria

Z(u)

Função Aleatória

Z

Variável

Estimada

Z s

Variável Simulada

µ

Média

C(h)

Covariância entre duas variáveis aleatórias separadas pelo vetor h

C(0)

Covariância para o vetor separação h = 0. É também a variância de uma variável aleatória.

ρ(h)

correlograma

exp

Exponencial

Sumário

Introdução

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

25

1 Geologia Regional

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

27

1.1 Bacia de Campos

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

27

1.2 O Campo de Namorado

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

31

2 Geoestatística

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

35

2.1 Variáveis e Funções Aleatórias

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

35

2.2 Variáveis Regionalizadas

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

36

2.3 Estacionaridade da função aleatória

 

36

2.4 A hipótese intrínseca e o Variograma

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

37

2.5 A relação entre o variograma e a covariância

 

38

2.6 Principais características do Variograma

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

39

2.7 Krigagem Ordinária

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

41

2.8 Simulação Sequencial Gaussiana

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

3 Materiais e Métodos

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

49

3.1 Base de Dados

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

49

3.2 SGeMS

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

55

3.3 Análise Estatística dos dados

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

55

3.4 Análise Espacial dos dados - Variograma Experimental

.

.

.

.

.

.

.

.

.

.

.

58

3.5 Perfis utilizados para a modelagem de reservatório

 

63

4 Resultados e Discussões

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

65

4.1 Krigagem Ordinária dos dados

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

65

4.2 Simulação Sequencial Guassiana

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

71

4.3 Validação Cruzada

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

74

Considerações finais

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

81

Referências

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

83

Anexos

85

ANEXO A

Código Matlab R : Validação Cruzada

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

87

25

Introdução

Os métodos geoestatísticos vêm sendo cada vez mais utilizados para a modelagem de reservatórios de petróleo, complementando os métodos convencionais ou até mesmo, em casos extremos, substituindo-os. A vantagem dos métodos geoestatísticos sobre os outros métodos é que a abordagem geoestatística é capaz de capturar o comportamento espacial diretamente dos dados através da análise das funções aleatórias, estimando ou simulando, dessa forma, a propriedade de interesse com bastante realismo.

A utilização dos métodos geoestatísticos possibilita a redução de custos ao mesmo

tempo que oferece mais acurácia e precisão à modelagem de reservatório, além de for- necer uma solução mais ágil ao problema. Sabendo que a complexidade dos fenômenos geológicos não pode ser adequadamente descrita por modelos físicos determinísticos sim- plificados, a incerteza espacial inerente aos fenômenos naturais pode ser capturada pelas várias realizações equiprováveis produzidas por uma simulação estocástica. Dessa maneira, a modelagem geoestatística pode fornecer resultados com relativa confiabilidade mesmo com escassez de dados.

A metodologia abordada nesse trabalho foi aplicada ao Campo de Namorado na

Bacia de Campos utilizando apenas dados de poços com as respectivas marcações de topo e base do reservatório interpretadas previamente na sísmica e nos perfis de poço. O Campo de Namorado possui uma abundância de estudos e os resultados obtidos nesse trabalho

poderão ser comparados com os modelos de reservatórios já propostos por alguns autores.

Essa dissertação está organizada da seguinte maneira: no primeiro capítulo é feita uma revisão do conhecimento geológico da Bacia de Campos e do Campo de Namorado apresentando suas principais características; no capítulo 2 é realizada uma revisão dos principais conceitos envolvidos na teoria geoestatística deduzindo as equações de kriga- gem e simulação sequencial Gaussiana; no terceiro capítulo são apresentados os dados e as ferramentas utilizadas para a modelagem de reservatório; no quarto capítulo são apresen- tados os modelos de reservatórios obtidos por krigagem ordinária e simulação sequencial Gaussiana, além disso, são discutidos esses resultados a luz da validação cruzada; e por fim, são expostas as considerações finais.

27

1 Geologia Regional

1.1 Bacia de Campos

A Bacia de Campos está localizada na porção sudeste do Brasil, ao longo da costa

norte do Estado do Rio de Janeiro. Possui uma área aproximada de 100 mil km 2 , sendo

500 km 2 relativos à porção emersa, atingindo lâminas d’água de até 3000 m (RANGEL;

MARTINS, 1998). Ao norte, a bacia é parcialmente isolada da Bacia do Espírito Santo

na região de águas rasas, pelo Alto de Vitória; em águas profundas, não existe elemento

estrutural de separação efetiva entre as Bacias de Campos e do Espírito Santo. Ao sul, a

Bacia de Campos é limitada pelo Alto de Cabo Frio que a destaca da Bacia de Santos. Seu

limite oriental alcança o Platô de São Paulo enquanto seu limite ocidental é estabelecido

pelos afloramentos cristalinos do embasamento no continente (Figura 1).

cristalinos do embasamento no continente (Figura 1). Figura 1 – Localização da Bacia de Campos com

Figura 1 – Localização da Bacia de Campos com os 41 campos de exploração petrolífera. O campo de Namorado (em rosa) foi descoberto em 1975. (BRUHN et al.,

2003)

Os reservatórios de águas profundas da Bacia de Campos, constituídos de turbidi-

tos e fácies de águas profundas associadas, compreendem as mais importantes acumulações

de petróleo do Brasil, alcançando aproximadamente 80% das reservas de óleo e gás do país.

28

Capítulo 1. Geologia Regional

À luz da Teoria da Tectônica de Placas, a Bacia de Campos é classificada como do tipo margem continental passiva ou do tipo Atlântico. Sua história geológica inicia-se aproximadamente há 140 milhões de anos (Eo-Cretáceo) estando relacionada ao rompi- mento do supercontinente Gondwana e à evolução do oceano Atlântico Sul.

Durante o estágio rifte, que ocorreu entre o Neocomiano até o início do Aptiano, as rochas foram depositadas em vários tipos de ambientes, desde lagos rasos a profundos, salinos ou de água doce, incluindo deltas, planícies aluviais e leques aluviais (BARBOZA, 2005). Na fase inicial, o rifteamento esteve associado à intensa atividade vulcânica que re- sultou na extrusão de grande volume de lavas basálticas - Formação Cabiúnas (Figura 2). Posteriormente, expressiva quantidade de sedimentos siliciclásticos e carbonáticos (For- mação Lagoa Feia) depositou-se em lagos tectonicamente controlados. A sedimentação ocorreu em ambiente lacustre, cujo corpo d’água era salino e alcalino (DIAS et al., 1990).

Os folhelhos escuros da Formação Lagoa Feia são considerados como as principais rochas geradoras da Bacia de Campos, havendo dois sistemas distintos: pelitos (margas e folhelhos) lacustrinos do Neocomiano Inferior, depositados em ambientes salobro e hi- persalino, e pelitos do Neocomiano Superior depositados em ambiente lacustre, salino e alcalino. De acordo com Barboza (2005), a fase de rifte continental é a mais importante na geração de hidrocarbonetos na Bacia de Campos.

Após a fase rifte, ou Sequência Continental, dá-se início a Sequência Transicional Evaporítica. Esse estágio caracteriza a passagem de um ambiente deposicional continental para um ambiente marinho. O intervalo de tempo desta fase inicia-se no Aptiano, e dura até o início do Albiano. A sedimentação nessa etapa é composta por complexos leques aluviais associados a fácies clásticas finas, carbonáticas e lacustrinas, folhelhos ricos em matéria orgânica, nódulos carbonáticos e estromatólitos. Essa fase é marcada por uma espessa seção de clásticos cobertos por um espesso pacote de evaporitos, com predomi- nância de halitas e anidritas (DIAS et al., 1990).

1.1.

Bacia de Campos

29

ce_campos.pdf

Figura 2 – Carta Estratigráfica da Bacia de Campos. ( Modificado de Rangel e Martins

(1998)

30

Capítulo 1. Geologia Regional

O estabelecimento de condições estritamente marinhas no proto Oceano Atlântico

Sul marca o início da Megassequência Marinha, que pode ser subdividida em: Sequência Carbonática Nerítica Rasa, Sequência Oceânica Hemipelágica e Sequência Oceânica Pro- gradante.

Durante o Eo/Meso Albiano, devido ao afastamento progressivo entre as placas Sul Americana e Africana, ocorreu a implementação definitiva da fase pré-oceânica e a instalação de ampla plataforma clástico-carbonática. A Sequência Carbonática Nerítica Rasa corresponde à porção inferior da Formação Macaé. É nessa fase que tem-se o pri- meiro registro do desenvolvimento da tectônica adiastrófica relacionada à movimentação do sal (DIAS et al., 1990).

A porção superior da Formação Macaé e a porção basal da Formação Campos

englobam a Sequência Oceânica Hemipelágica, período entre o Meso Albiano e Neo Pa- leoceno. A movimentação halocinética é bastante intensa nessa fase, originando falhas de crescimento. Ainda durante essa fase formam-se expressivos corpos arenosos turbidíticos, aparentemente de fundo plano. Estes depósitos são informalmente denominados como Arenito Namorado. É também durante essa fase que se estabelece a fase oceânica, com um ambiente marinho profundo no qual a sedimentação é composta principalmente por folhelho e margas.

A Sequência Oceânica Progradante, que dura desde o Meso Eoceno até o período

recente é caracterizada pelos sedimentos depositados em ambiente tectonicamente pouco ativo, com contínua subsidência permitindo que se estabeleça um espesso pacote predo- minantemente siliciclástico (BARBOZA, 2005). Durante o Mioceno houve a reativação da tectônica salina provocada pelo grande acúmulo de sedimentos que provocaram grandes falhas de crescimento. Após esse período, as reativações tectônicas e as movimentações halocinéticas tornaram-se bastante raras.

Conforme Cruz (2003), o grande volume de petróleo descoberto na Bacia de Cam- pos está diretamente relacionado ao grande potencial de geração de hidrocarbonetos indi- cado pelas rochas geradoras. Estas rochas são folhelhos depositados durante a fase rifte do Barremiano (Formação Lagoa Feia) e os folhelhos apresentam teores de carbono orgânico entre 4 e 9%. Grandes acumulações estão distribuídas em reservatórios de diversas idades, incluindo arenitos lacustres da Megassequência Continental, arenitos marinhos da Megas- sequência Marinha Restrita (Sequência Carbonática Nerítica Rasa e Sequência Oceânica Hemipelágica) e arenitos turbidíticos da Sequência Oceânica Progradante.

1.2.

O Campo de Namorado

31

Fig.4 – Seção Esquemática Geológica da Bacia de Campos, representando as principais formações estratigráficas da
Fig.4 – Seção Esquemática Geológica da Bacia de Campos, representando as principais formações
estratigráficas da bacia, modificado de Dias et al., (1990).
15

Figura 3 – Seção Esquemática Geológica da Bacia de Campos, representado as principais formações estratigráficas da bacia (retidado de Dias et al. (1990 apud CRUZ,

2003)).

1.2 O Campo de Namorado

O Campo de Namorado, localizado na Bacia de campos, foi um dos primeiros gran-

des produtores de petróleo da Petrobrás. Descoberto em 1975, a cerca de 80 km do litoral

e sob uma lâmina d’água de 110 a 250 m, foi o primeiro campo gigante a ser descoberto

na plataforma continental brasileira. Sua locação foi baseada em interpretação sísmica de

um alto estrutural presente no topo da Formação Macaé (carbonatos de idade albiana).

Entretanto os óleos do Campo de Namorado foram encontrados em arenitos turbidíticos,

em profundidades entre 2940 m à 3300 m (SOUZA, 1997).

Conforme Barboza, Tomazelli e Viana (2003), o reservatório foi chamado, informal-

mente de Arenito Namorado e foi interpretado como tendo sido formado pela coalescência

de canais e lobos depositados sobre uma superfície deposicional irregular. A área onde se

encontra o campo de óleo comportava-se como um baixio onde os turbiditos foram trapea-

dos. Como resultado da atividade estrutural relacionada ao movimento de sal no Cretáceo

Superior, ocorreu uma inversão de relevo. Segundo Bacoccoli, Morales e Campos (1980)

o reservatório é um domo alongado, parcialmente falhado pelo alto estrutural, indicando

um forte controle tectônico associado ao movimento de sal na sedimentação, conferindo ao

campo uma estratigrafia complexa. Assim, a acumulação de óleo no Campo de Namorado

é controlada pela estratigrafia e estrutura.

32

Capítulo 1. Geologia Regional

Ainda de acordo com Bacoccoli, Morales e Campos (1980), o reservatório do Are- nito Namorado é encontrado no topo da Formação Macaé, imediatamente acima dos car- bonatos. A Formação Macaé Superior teve sua sedimentação iniciada no final do Albiano e finalizada no Santoniano. É composta por uma sequência de sedimentos clásticos/químicos (conglomerados, arenitos, folhelhos, margas e diamictitos), de caráter geral transgressivo. Como limites possui na base a Formação Macaé Inferior de idade albiana, composta de sedimentação rasa e dominantemente química (calcirruditos, calcarenitos calcisiltitos, e calcilutitos) e no topo o Membro Ubatuba da Formação Campos, de idade Campaniana, composta essencialmente por folhelhos e margas de ambientes de águas profundas.

Barboza et al. (2005) propõe um modelo deposicional para o Campo de Namorado, definindo quatro sistemas turbidíticos. Essas sequências evoluem, em termos de geome- tria deposicional, de um sistema de canal confinado para um sistema de lobos espraiados, caracterizando um progressivo preenchimento da calha deposicional e uma retrogradação dos sistemas deposicionais (Figura 4).

De acordo com esse modelo há um empilhamento de leques turbidíticos, onde esses depósitos preencheram uma depressão estreita e alongada. A deposição apresenta na base uma arquitetura de preenchimento do tipo canalizada e tende a geometria lobada para o topo do intervalo, essa evolução é pontuada por ciclos regressivos e apresenta em termos de evolução uma tendência transgressiva.

1.2.

O Campo de Namorado

33

1.2. O Campo de Namorado 33 Figura 4 – Modelo esquemático propondo a evolução paleogeográfica para

Figura 4 – Modelo esquemático propondo a evolução paleogeográfica para a área do Campo de Namorado. Sequência 0: Sistema de lobos turbidíticos confinados. Sequência 1: Progressivo preenchimento da calha deposicional ainda mantendo um carácter fortemente confinado. Sequência 2: Presença de uma geometria de lobos progradacionais e fácies que correspondem ao transbordamento ou preenchimento final da depressão. Sequência 3: Sistema ainda com caracterís- ticas de confinamento, porém se distribuem mais lateralmente apresentando geometrias mais espraiadas (retirado de Barboza (2005)).

35

2 Geoestatística

A Geoestatística tem se tornado um importante conjunto de ferramentas para

solução de problemas, em particular avaliações das incertezas espaciais e temporais de

fenômenos físicos relacionados com recursos naturais. Matheron (1971) define a Geoes-

tatística como a aplicação da teoria das variáveis regionalizadas para a estimativa de

depósitos minerais. Entretanto, atualmente a Geoestatística é utilizada em diversas áreas

do conhecimento como petróleo, hidrologia, meio ambiente, oceanografia e etc

Os métodos geoestatísticos lidam com os fenômenos distribuídos e correlacionados

espacialmente permitindo a quantificação da correlação espacial e usando-a para inferir

quantidades em localizações não amostradas.

2.1 Variáveis e Funções Aleatórias

Uma variável aleatória (VA) é uma variável na qual seus valores são gerados ale-

atoriamente de acordo com algum mecanismo probabilístico como, por exemplo, um lan-

çamento de um dado ou uma moeda. As VA’s são tipicamente representadas por letras

maiúsculas (Z), enquanto seus resultados ou realizações são representados por letras mi-

núsculas (z). A função distribuição acumulada (fda), retratada como um histograma acu-

mulado, fornece a probabilidade de uma VA não exceder um dado limite z .

F (z) = P rob{Z z}

(2.1)

Já a função densidade de probabilidade, retratada como um histograma, é definida

como a derivada ou a inclinação da fda nos valores em que F é diferenciável.

f(z) = dF dz (z)

(2.2)

A chave para a interpretação probabilística de uma variável z é a modelagem de

sua função distribuição, fda ou fdp, da correspondente variável aleatória Z. Note que tais

modelagens não significam necessariamente ajustar uma função à fda ou fdp: uma série

de classes com as respectivas probabilidades é um modelo válido. Essas funções de distri-

buição devem levar em conta toda a informação disponível, dessa forma, fornecendo tudo

que é necessário para quantificar a incerteza de uma realização de uma variável z.

36

Capítulo 2. Geoestatística

1

p

F(z) z 0 z z máx
F(z)
z
0 z
z
máx

(a) Função distribuição acumulada

f(z) z a b 0 z mín z máx
f(z)
z
a
b
0 z mín
z máx

(b) Função densidade de probabilidade

Figura 5 – Função distribuição de probabilidade (REMY; BOUCHER; WU, 2009).

Uma função aleatória (FA), representada por Z(u), é um conjunto de VA’s depen- dentes {Z(u), u S}, onde u é o vetor posição de um campo ou área de estudo S. Assim como uma VA é caracterizada por uma função de distribuição, uma FA é caracterizada por sua função distribuição multivariada (REMY; BOUCHER; WU, 2009):

P rob{Z(u) z, u S}

(2.3)

2.2 Variáveis Regionalizadas

As variáveis regionalizadas são constituídas por um duplo aspecto contraditório:

pela sua característica “aleatória”, apresenta irregularidades e variações imprevisíveis de um ponto para outro; pela sua característica “estrutural”, apresenta relações existentes entre os pontos no espaço motivadas pela sua gênese. Dessa maneira uma variável regio- nalizada pode ser definida como uma função numérica com uma distribuição espacial, que varia de um lugar para outro com continuidade aparente, mas cujas variações não podem ser representadas por uma função determinística (MATHERON, 1971).

Assim os valores de uma variável regionalizada tendem a estar relacionados. Valores em dois lugares próximos um do outro tendem a ser mais parecidos do que valores que estão separados por grandes distâncias. Ao mesmo tempo que esses valores respeitam uma distribuição probabilística (WEBSTER; OLIVER, 2007).

2.3 Estacionaridade da função aleatória

Uma função aleatória é dita estacionária quando suas propriedades ou resumos estatísticos são invariantes, independentemente de sua localização. Desse modo, a estaci- onaridade de primeira ordem é definida quando assumimos que a média de uma função aleatória, ou momento de primeira ordem, é constante para qualquer localização:

2.4.

A hipótese intrínseca e o Variograma

37

µ =

N

i=1

Z(u i ) = E[Z(u i )]

Sendo a função covariância definida como:

Cov[Z(u i ), Z(u j )] = E[(Z(u i ) µ)(Z(u j ) µ)]

(2.4)

(2.5)

onde Z(u i ) e Z(u j ) são realizações da função aleatória em localizações distintas e µ

a média da função aleatória. A estacionaridade de segunda ordem é definida quando

assumimos que a função covariância é finita e assim, como a estacionaridade de primeira

ordem, não depende da localização. Entretanto a função covariância depende do vetor

separação entre as amostras (h = u i u j ) conhecido como lag. Dessa forma a função

covariância pode ser reescrita como:

C(h) = E[Z(u)Z(u+h) µ 2 ]

(2.6)

A função covariância entre duas funções aleatórias de mesma localização define a

variância de uma função aleatória:

C(0) = E[Z(u)Z(u) µ 2 ] = σ 2

(2.7)

A função covariância depende da escala em que a função aleatória é medida, fre-

quentemente é mais conveniente trabalharmos com uma função sem escala, isso pode ser

obtido calculando a seguinte razão denominada correlograma.

ρ(h) = C(h) C(0)

(2.8)

2.4 A hipótese intrínseca e o Variograma

A hipótese intrínseca descreve o comportamento espacial da variável regionalizada

dentro do espaço em que essa função é uma característica intrínseca da regionalização. A

função intrínseca é na verdade o chamado semivariograma. Em outras palavras, a Geoes-

tatística assume que a distribuição das diferenças entre dois pontos amostrais (estatística

de dois pontos) é a mesma para toda a região e que ela depende apenas da distância e

orientação entre dois pontos. Essa é a conceituação geoestatística da hipótese intrínseca.

A variação espacial é estacionária se ela puder ser reconhecida em todas as partes do

espaço, ou seja, o variograma é o mesmo onde quer que se amostre (YAMAMOTO, 2001).

Assim, a hipótese intrínseca pode ser expressa com as seguintes relações:

38

Capítulo 2. Geoestatística

  E[Z(u + h) Z(u)]

E[Z(u + h) Z(u)] 2

= 0

= 2γ(h)

(2.9)

onde a segunda expressão é a definição do semi variograma, ou simplesmente variograma.

2.5 A relação entre o variograma e a covariância

O variograma é definido como a metade do valor esperado da diferença quadrática

entre duas funções aleatórias separadas por uma distância h.

γ(h) =

1

2 E[Z(u) Z(u + h)] 2

(2.10)

Usando as propriedades do valor esperado podemos expandir o termo ao quadrado

da equação 2.10, que fica:

γ(h) = 1 2 (E[Z(u) 2 ]+ E[Z(u+h) 2 ] 2E[Z(u)Z(h)])

(2.11)

Reescrevendo as equações 2.6 e 2.7 da seguinte forma

  E[Z(u)Z(u + h)]

E[Z(u)Z(u)]

e substituindo na equação 2.11

=

=

C(h) + µ 2

E[Z(u + h)Z(u + h)] = C(0) + µ 2

γ(h) = C(0) C(h)

(2.12)

(2.13)

Dessa maneira fica estabelecida a relação entre o semi variograma, a variância e a

covariância.

2.6.

Principais características do Variograma

39

2.6 Principais características do Variograma

O variograma pode ser entendido como uma medida da dissimilaridade entre as

variáveis aleatórias Z(u) e Z(u+h) separadas pela distância h, ou seja, possui maior

valor à medida que as variáveis estão menos associadas, ao contrário do que ocorre com a

função covariância que possui maior valor quando as variáveis estão mais correlacionadas.

A Figura 6 ilustra as principais características presentes em um variograma que são: efeito

pepita (C 0 ), Alcance (Range), Patamar (Sill) descritas por Isaaks e Srivastava (1989).

 patamar EFEITO PEPITA ALCANCE DISTÂNCIA (h)
patamar
EFEITO
PEPITA
ALCANCE
DISTÂNCIA
(h)

Figura 6 – As componentes de um variograma, o patamar é adotado como a variância da variável em estudo, o alcance é a distância na qual o patamar é alcançado e o efeito pepita é a variabilidade em curta escala.

Efeito Pepita. Em teoria o valor do variograma na origem h = 0 deveria ser

zero (veja a equação 2.10). Entretanto, fatores como microestruturas ou “ruído geoló-

gico”, variabilidade em escalas menores que a amostragem e erros de amostragem ou

posicionamento; podem fazer com que amostras separadas por pequenas distâncias sejam

extremamente diferentes provocando uma descontinuidade na origem do variograma. Esse

salto no valor do variograma na origem, mesmo para distâncias de separação muito pe-

quenas, é conhecido como efeito pepita.

40

Capítulo 2. Geoestatística

Alcance. Com o aumento da distância de separação entre os pares, o valor cor-

respondente da função variograma geralmente também aumenta. Naturalmente, para dis-

tâncias cada vez maiores, os aumentos na distância não causarão aumentos na diferença

quadrática média entre os pares, dessa forma, o variograma atingirá um limite. Essa dis-

tância limite é conhecida como alcance. Isso significa que para distâncias maiores que o

alcance as amostras não possuem mais correlação espacial.

Patamar. Quando a distância na qual os dados não possuem mais correlação es-

pacial é alcançada, temos que o valor do variograma se estabiliza. Esse valor é conhecido

como patamar. Teoricamente o patamar deve ser igual a variância (σ 2 ) dos dados.

Para utilizarmos essa descrição da continuidade espacial dos dados com propósi-

tos de estimativas e simulações precisamos definir o comportamento do variograma (ou

covariância) para qualquer lag. Uma vez construído o variograma experimental com base

nos dados, é necessário ajustar uma curva aos dados para que uma função descreva o

comportamento da continuidade espacial em todos os pontos.

Todos os variogramas teóricos têm a distância h como parâmetro. Essa distân-

cia é calculada a partir da decomposição do vetor h em três componentes principais,

h V , h H + e h H . Onde h V é a direção vertical, h H + é a direção horizontal com maior conti-

nuidade e h H é a direção horizontal com menor continuidade. O alcance também é levado

em conta nesse cálculo, obtido a partir dos variogramas experimentais, e é representado

por a V para direção vertical, a H + para direção horizontal com maior continuidade e a H

para direção horizontal com menor continuidade.Assim a distância h é calculada por:

h =

h H + a H +

2 + h H 2 + h V

a H

a

V

2

(2.14)

Assim, os variogramas teóricos mais utilizados são:

Modelo Efeito Pepita Puro

γ(h) =

Modelo Esférico

Modelo Exponencial

se h = 0

0

  para qualquer outro.

1

(2.15)

2.7.

Krigagem Ordinária

41

Modelo Gaussiano

γ(h) = 1 exp(3 h 2 )

(2.17)

Todos esses modelos crescem monotonamente e são limitados por 1. Assim o vario- grama modelado pode ser constituído de N estruturas de acordo com a seguinte equação:

γ(h) = c 0 γ (0) (h)+

N

i=1

c i γ (i) (h)

(2.18)

onde c 0 γ (0) (h) é a contribuição do efeito pepita, e i=1 c i γ (i) (h) são as N estruturas que o variograma modelado pode possuir, sendo c i 0, as contribuições para o estabelecimento do patamar.

N

2.7 Krigagem Ordinária

A Krigagem Ordinária (Ordinary Kriging) é um método que tem por objetivo ser

o melhor estimador linear não enviesado, ou seja, um estimador no qual os parâmetros dos valores estimados coincidem com os parâmetros obtidos a partir do conjunto de dados. Dessa forma a KO é linear pois suas estimativas são determinadas por pesos de combina- ções lineares dos dados disponíveis, é não enviesada pois o resíduo ou erro médio é igual a zero e é a melhor pois tenta minimizar a variância do erro (ISAAKS; SRIVASTAVA, 1989).

A KO leva esse nome, pois é o tipo mais comum de krigagem já que é um método

extremamente robusto. Ela se baseia na suposição que a média não é conhecida porém constante, ao contrário do que acontece com a krigagem simples onde a média é conhecida em todos os pontos. Primeiramente, se considerarmos o caso pontual, a estimativa da VA Z em um ponto u 0 não amostrado é dada pela combinação linear dos dados reais z(u i ):

Z (u 0 ) =

N

i=1

λ i Z(u i )

(2.19)

onde Z (u 0 ) é o valor estimado e λ i são os pesos da krigagem.

Se definirmos como erro, R(u 0 ), a diferença entre o valor estimado e o valor real na mesma localização:

R(u 0 ) = Z (u 0 ) Z(u 0 ).

(2.20)

Então, para garantirmos que a estimativa seja não enviesada, o valor esperado do erro deve ser zero:

42

Capítulo 2. Geoestatística

E[R(u 0 )] = E[Z (u 0 )] E[Z(u 0 )] = 0.

(2.21)

Substituindo a equação 2.19 na equação anterior e assumindo que FA é estacioná-

ria, ou seja, a média é invariante por translação, obtemos que:

E[R(u 0 )] = E

N

i=1

λ i Z(u i )

E[Z(u 0 )]

N


=

i=1

λ i E[Z(u i )] E[Z(u 0 )]

= E[Z]

N

i=1

λ i 1 = 0.

(2.22)

Assim fica definida a condição de não enviesamento:

N

i=1

λ i = 1.

(2.23)

Como a KO é um método de estimativa que tem por objetivo ser a “melhor”

2

estimativa, então devemos assumir que a variância do erro σ R seja mínima.

σ

2

R

=

=

1

N

1

N

N

i=1

N

i=1

(R

m R ) 2

[Z (u 0 ) Z(u 0 ) 1

N

N

i=1

(Z (u 0 ) Z(u 0 ))] 2 .

(2.24)

Como o valor esperado do erro é zero, a equação 2.24 pode ser simplificada:

σ

2 1

R

=

N

N

i=1

[Z (u 0 ) Z(u 0 )] 2

= V ar[Z (u 0 ) Z(u 0 )]

(2.25)