Escolar Documentos
Profissional Documentos
Cultura Documentos
Octubre 2013
1 Introducción
Este proyecto fue dividido en cuatro etapas:
En la primera etapa se hizo una revisión de diferentes ecuaciones que
han sido propuestas para modelar un flujo monofásico que se difunde
a través de un medio poroso que, por sus propiedades, producen una
difusión anómala.
En la segunda etapa se eligó la ecuación de Tarasov para modelar la di-
fusión anómala en un dominio que puede tener uno o varios pozos. Se
aplicó el método de los elementos finitos basados en volúmenes de control
(MEFVC) para resolver numéricamente la ecuación diferencial asociada.
En la tercera etapa se planteó el modelo transitorio de difusión usando el
modelo de Tarasov. MEFVC fue aplicado para resolver numéricamente el
problema.
En la última etapa se formuló un problema para poder estimar los pa-
rámetros fractales de la ecuación transitoria, a partir de un conjunto de
mediciones de la caída de presión registrada en un punto particular del
dominio del problema, tomando varias mediciones en diferentes instantes
de tiempo.
1
rias. Para el caso de pozos con geometría radial se estudiaron varias ecua-
ciones. Una de ellas fue la ecuación de Metzler-Glökle-Nonnenmacher (MGN)
[Camacho-Velázquez 08]:
∂α pD
1 ∂ β
∂pD
r = (1)
r β+θ ∂rD D ∂rD ∂t α
D D
1 ∂
r d pr ,
pt = r ≤ r ≤ re , t > 0. (2)
r D−1 ∂r
p(r, 0) = 0, r ≤ r ≤ re . (3)
∂p
= −1, t > 0. (4)
∂r r=r
∂p
= 0, t > 0. (5)
∂r r=re
Se puede ver que la solución de esta ecuación se puede expresar en térmi-
nos de la transformada de Laplace P̄ de p. Para el caso de una reserva acotada
con producción bajo el régimen de tasa constante (condiciones de frontera (4)
y (5)), la solución está dada por
α/ 2 Θ α/ 2 Θ
s r s r
r νΘ ν−1 Θ
eD
K ν (s α/ 2 r Θ / Θ) + K ν−1 Θ
eD
ν (sα/ 2 r Θ / Θ)
P̄ = α/ 2 α/ 2 Θ α/ 2 Θ (6)
s s r s r
Kν−1 (sα/ 2 / Θ)ν−1 Θ
eD
− ν−1 (sα/ 2 / Θ)Kν−1 Θ
eD
Θ = (D − d + 1)/ 2,
1−d
ν = .
D−d+1
El cálculo de la transformada inversa requiere el uso de un método numérico
[Davies 79, de Hoog 82]. En la Fig. 1 se muestran el comportamiento de la
caída de presión, del flujo y del flujo acumulativo medidos en la pared de pozo
r = 1 que tiene un radio exterior re = 500, al variar el parámetro α del modelo,
que tiene que ver con el orden de la derivada temporal fraccionaria.
2
104 100
α = 1.00
α = 0.90
α = 0.80 10−1
103 α = 0.70
Pressure drop
10−2
q(1, t)
2
10
10−3
101 α = 1.00
10−4 α = 0.90
α = 0.80
α = 0.70
100 10−5
101 102 103 104 105 106 107 108 109 101 102 103 104 105 106 107 108 109
Time Time
108
107
106
105
Q(t)
104
103
α = 1.00
102 α = 0.90
α = 0.80
101 α = 0.70
3
medio obedece una relación de potencia,
22−D D−2 2
2
X
c3 (D, r, r0 ) = kr − r 0 k , kr − r 0 k = (k − k0 )2 .
(D/ 2) k=1
El punto r 0 ∈ W es el punto inicial de la integral fractional. Entonces
22−D
Z
MD (W) = ( D ρ)(r 0 ) = ρ(r)kr − r 0 kD−2 d1 d2 . (8)
(D/ 2)
W
d ∂α
Z Z Z
α dAD = dAD + α · n dd . (10)
dt ∂t
W ∂W
donde n =
P
k nk ek es el vector normal a ∂W, y
21−d
dd = c2 (d, R) d1 , c2 (d, R) = kRkd−1 .
(d)
4
Entonces, por el teorema de la divergencia
Z Z Z
α · n dd = αc2 (d, R) · n d1 = ∇ · [αc2 (d, R)] dA2
∂W ∂W W
Z
= c−1
3
(D, R)∇ · [αc2 (d, R)] dAD
W
Por (9), si tomamos α = ρ(R, t), (11) debe ser igual a la integral de q sobre W,
para todo W centrado en r 0 , por lo que
∂ρ ( D
2
) 2D−d−1
+ kRk2−D ∇ · (kRkd−1 ρ ) = q, (12)
∂t (d)
donde 1 < d < D < 2.
Por otra parte, se define la compresibilidad del fluido, cƒ , como
1 ∂ρ
cƒ = ,
ρ ∂p T
en una temperatura fija T. Integrando la expresión anterior con respecto a p,
se obtiene
ρ = ρ0 ecƒ (p−p ) ,
0
ρ ≈ ρ0 [1 + cƒ (p − p0 )].
Entonces
5
∂ρ ∂p
. ≈ cƒ ρ0 (13)
∂t ∂t
Adicionalmente, si suponemos que el flujo cumple la ley de Darcy,
= −κ∇p,
al sustituir esta expresión y (13) en (12), obtenemos la ecuación transitoria de
Tarasov
∂p ( D
2
) 2D−d−1
cƒ ρ 0
− k − 0 k2−D ∇ · (k − 0 kd−1 ρ κ∇p) = q, (14)
∂t (d)
donde 0 ∈ Ω está dado, ƒ (, t) es un término fuente y d < D ≤ 2. En principio,
al variar los parámetros D y d de la ecuación anterior podemos controlar la
forma en que la difusión ocurre.
6
4
4
● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ●
●
●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ●
2
2
● ● ●
● ● ● ● ●
● ●
●
● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
nodes[, 2]
nodes[, 2]
● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ●
● ●
●
0
0
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ●
● ●
●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
●
●
● ● ● ●
● ● ● ●
−2
−2
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ●
● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
−4
−4
● ● ● ●
● ●
y las entradas de la matriz A = [Aj ] tienen que ver con las trasmisibilidades
Tj asociadas a los nodos y j, calculadas sobre las aristas de los volúmenes de
control:
6= j,
¨
−Tj ,
Aj = P
k∈S Tk , = j, S índices de los nodos vecinos al nodo .
7
Las consideraciones que tomamos para construir y resolver (16) son las
siguientes:
29800 nodos
59004 elementos triangulares
88804 aristas
|pk − p( , tk )|
, (17)
|p( , tk )|
8
1.2
1.0
D=2.00, d=1.00 D=2.00, d=1.00
D=1.85, d=1.00 D=2.00, d=1.15
1.0
D=1.70, d=1.00 D=2.00, d=1.30
0.8
D=1.55, d=1.00 D=2.00, d=1.45
0.8
0.6
Presion
Presion
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.5 1.0 1.5 2.0 0.0 0.5 1.0 1.5 2.0
Tiempo Tiempo
t = 2.0 t = 20.0
Solucion analitica
Solucion numerica
0.00025
10
Caida de presion
Error relativo
0.00020
5
0.00015
2
Tiempo Tiempo
Fig. 4: Soluciones en (1, 0) para D = 2.0 y d = 1.0, y gráfica del error relativo.
9
intervalo de tiempo [0, 104 ] usando un tamaño de paso Δt = 0.5. Aunque in-
crementamos el intervalo de tiempo y el tamaño de paso, el error relativo se
mantiene dentro del rango anterior. Los tiempos registrados para obtener los
resultados usando cuatro procesadores se muestran en la Tabla 1.
100 200
Solucion analitica
Solucion numerica
Caida de presion
50
0.00020
Error relativo
20
10
5
0.00010
2
Tiempo Tiempo
Fig. 5: Soluciones en (1, 0) para D = 1.85 y d = 0.75, y gráfica del error relativo
entre ellas.
10
Solución Error relativo
11
8 9
Solucion analitica
Solucion numerica
1e−03
7
Caida de presion
Error relativo
8e−04
5
4
6e−04
3
4e−04
20 50 100 500 2000 5000 0 2000 4000 6000 8000 10000
Tiempo Tiempo
Fig. 7: Soluciones en (1, 0) para D = 1.85 y d = 0.75, y gráfica del error relativo
entre ellas, para re = 150.
12
Para simplificar el problema aún más, podemos considerar la ecuación 1D,
que es más sencilla y podemos tener la expresión de la solución analítica en
términos de la transformada de Laplace de la presión, como se explica en la
siguiente sección. La ventaja de esto es que podemos simular estos valores
más rápido y podemos enfocarnos en el método de estimación de parámetros,
el cual no esta asociado a la forma particular en que se generaron los datos.
{ ( t , p ) }m
=1
, t1 < t2 < ... < tm .
En la Fig. 9 se muestra un ejemplo de este conjunto. A partir de esté
queremos estimar los valores D y d, de modo que el valor p(t ; d, D) de la
200
100
x
50
Caída de presión
x
x
20
x
x
x
10
x
x x
x x x
x x
x x
5
x x
x x
2
Tiempo
Fig. 9: Las marcas indican las muestras ( t , p ) que tenemos para resolver el proble-
ma.
13
solución de la ecuación en el instante t se aproxime a p . Una forma de medir
las diferencias en todo el conjunto de valores es mediante el error cuadrático
de las diferencias,
m
X
[p(t ; d, D) − p ]2 ,
=1
Caída de presión
20
20
10
10
5
5
1e+02 1e+03 1e+04 1e+05 1e+06 1e+02 1e+03 1e+04 1e+05 1e+06
Tiempo Tiempo
Fig. 10: Curvas de la caída de presión obtenidas al variar uno de los parámetros, D
o d.
14
D=1.62, d=0.85
D=1.62, d=0.91
50
D=1.65, d=0.88
D=1.68, d=0.85
D=1.68, d=0.91
Caída de presión
20
10
5
Tiempo
15
del punto d = 0.88 y D = 1.65, que son los verdaderos valores de los parámet-
ros fractales que se usaron para generar las observaciones.
12
10 12
8 10
6 8
4
6
2
4 1.5
02 1.6
2 1.7
1.9 1.6
1.8 1.8 D
1.4 0 1.6
D 1.7 1.2 1.4 1.9
1 1.2 1
1.6 0.8 d d
0.8 0.6 2
1.50.6
2 10
1.9 8
1.8 6
D
1.7 4
1.6 2
1.5 0
0.6 0.8 1 1.2 1.4 1.6
d
En este ejemplo se puede ver que cerca del óptimo la superficie cae ráp-
idamente a cero. Esto se aprecia mejor en la Fig. 14, con los perfiles de la
gráfica de error, E(d, 1.65) y E(0.88, D). Cerca del óptimo la pendiente de la
16
curva cambia abrutamente. Es por esto que para resolver el problema (19) que
están básados en derivadas pueden tener problemas de convergencia.
6
4
3
4
Error
Error
3
2
1
1
0 0
0.6 0.8 1 1.2 1.4 1.6 1.5 1.6 1.7 1.8 1.9 2
d D
Debido a que sólo son dos parámetros que hay que calcular, y que para no
tener problemas con métodos de optimización que requieren la estimación de
derivadas, aplicamos el método de Nelder-Mead [Press 07]. Este método tiene
las siguientes características:
17
4.3 Experimentos realizados
En esta sección desarrollamos varias pruebas para saber la dificultad que tiene
encontrar una buena estimación de los parámetros del modelo. Para ello fi-
jamos los valores de d y D, y generamos el conjunto de datos del problema
{ ( t , p ) }m
=1
, t1 < t2 < ... < tm ,
Las pruebas las dividimos en dos casos: en uno de ellos tenemos los datos
sin ruido y en el otro agregamos una cierta cantidad de ruido.
18
Tabla 2: Prueba con datos sin ruido y varios valores d∗ y D∗ .
d∗ D∗ n dn Dn E(dn , Dn ) d∗ D∗ n dn Dn E(dn , Dn )
1.4 1.9 23 1.4000 1.9000 0.0009 1.4 1.7 27 1.3999 1.7000 0.0007
1.3 1.9 23 1.2999 1.8999 0.0007 1.3 1.7 26 1.2999 1.7000 0.0011
1.2 1.9 22 1.2000 1.8999 0.0009 1.2 1.7 28 1.1999 1.6999 0.0008
1.1 1.9 23 1.1000 1.9000 0.0013 1.1 1.7 29 1.0999 1.7000 0.0010
1.0 1.9 25 0.9983 1.9019 0.0374 1.0 1.7 33 0.9984 1.7011 0.0376
0.9 1.9 27 0.8999 1.9001 0.0012 0.9 1.7 28 0.8999 1.7000 0.0011
0.8 1.9 28 0.7999 1.9000 0.0006 0.8 1.7 29 0.8000 1.7000 0.0016
0.7 1.9 33 0.6999 1.9000 0.0004 0.7 1.7 32 0.7000 1.6999 0.0005
0.6 1.9 36 0.5999 1.9000 0.0005 0.6 1.7 27 0.5999 1.7001 0.0011
1.4 1.8 28 1.3999 1.7999 0.0014 1.4 1.6 32 1.4000 1.6000 0.0010
1.3 1.8 24 1.3001 1.7999 0.0011 1.3 1.6 29 1.3000 1.5999 0.0011
1.2 1.8 25 1.2000 1.8000 0.0008 1.2 1.6 28 1.2000 1.5999 0.0016
1.1 1.8 25 1.0999 1.8000 0.0012 1.1 1.6 26 1.0999 1.6000 0.0010
1.0 1.8 25 0.9984 1.8014 0.0376 1.0 1.6 32 1.0021 1.5996 0.0376
0.9 1.8 27 0.9000 1.7999 0.0010 0.9 1.6 24 0.8999 1.6000 0.0011
0.8 1.8 28 0.8000 1.7999 0.0011 0.8 1.6 31 0.8000 1.5999 0.0011
0.7 1.8 27 0.7000 1.7999 0.0009 0.7 1.6 27 0.6999 1.6000 0.0008
0.6 1.8 39 0.6000 1.7999 0.0004 0.6 1.6 26 0.6000 1.5999 0.0007
Tabla 3: Prueba con datos sin ruido, variando el número de muestras y el intervalo
en donde se encuentran.
Intervalo: [50, 106 ]
d∗ D∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 26 0.59994 1.60003 0.0004
0.6 1.6 50 26 0.60004 1.59995 0.0005
0.6 1.6 100 26 0.60004 1.59995 0.0007
0.6 1.6 200 26 0.60004 1.59995 0.0010
Intervalo: [50, 103 ]
d ∗ D ∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 32 0.59978 1.60049 0.0002
0.6 1.6 50 34 0.60009 1.59983 0.0002
0.6 1.6 100 32 0.60010 1.59979 0.0004
0.6 1.6 200 30 0.60008 1.59985 0.0005
Intervalo: [105 , 106 ]
d ∗ D ∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 31 0.60007 1.59995 0.0004
0.6 1.6 50 31 0.60007 1.59995 0.0006
0.6 1.6 100 32 0.60000 1.59999 0.0005
0.6 1.6 200 32 0.60000 1.59999 0.0008
19
4.5 Pruebas con los datos con ruido
Repetimos algunas de las pruebas anteriores agregando ruido a los datos. Si
p es el valor de la presión en el instante sin ruido, perturbamos estos valor
del problema de modo que el valor perturbado pε cumpla con
p − pε
<ε
p
m p(t ; d, D) − pε 2
X
E(d, D) = .
=1
pε
102
Presion
101
105 106
Tiempo
Fig. 15: Ejemplo del conjunto de datos del problema. Los que no tienen ruido están
marcado con ’+’ y los que datos perturbados con 40% de ruido se indican con ’o’.
20
Tabla 4: Prueba con datos con ruido, variando el número de muestras y el intervalo
en donde se encuentran con ε = 0.2.
Intervalo: [50, 106 ]
d ∗ D ∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 28 0.58502 1.63380 0.5230
0.6 1.6 50 26 0.61256 1.59286 0.7962
0.6 1.6 100 23 0.61941 1.57982 1.1143
0.6 1.6 200 27 0.61503 1.59456 1.6846
Intervalo: [50, 10 ]
3
d∗ D∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 36 0.88483 1.01314 0.5251
0.6 1.6 50 35 0.54019 1.74054 0.8013
0.6 1.6 100 37 0.47938 1.85346 1.1375
0.6 1.6 200 28 0.60716 1.61777 1.6943
Intervalo: [105 , 106 ]
d∗ D∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 29 0.56482 1.62585 0.5232
0.6 1.6 50 29 0.60164 1.60259 0.8016
0.6 1.6 100 31 0.61518 1.59460 1.1376
0.6 1.6 200 32 0.60187 1.60496 1.6941
21
Tabla 5: Prueba con datos con ruido, variando el número de muestras y el intervalo
en donde se encuentran con ε = 0.4.
Intervalo: [50, 106 ]
d ∗ D ∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 29 0.59326 1.67818 1.0575
0.6 1.6 50 24 0.64473 1.59837 1.6265
0.6 1.6 100 27 0.67166 1.56008 2.2742
0.6 1.6 200 28 0.65294 1.60464 3.4523
Intervalo: [50, 10 ]
3
d∗ D∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 37 0.92408 1.02894 1.0882
0.6 1.6 50 36 0.54603 1.85965 1.6336
0.6 1.6 100 69 0.52115 1.89378 2.3619
0.6 1.6 200 32 0.68302 1.60893 3.4665
Intervalo: [105 , 106 ]
d∗ D∗ m n dn Dn E(dn , Dn )
0.6 1.6 25 37 0.53804 1.67291 1.0525
0.6 1.6 50 34 0.61520 1.61777 1.6339
0.6 1.6 100 38 0.65018 1.59861 2.3431
0.6 1.6 200 32 0.61529 1.62516 3.4651
22
100
d=0.600, D=1.600
d=0.615, D=1.625
50
Caída de presión
20
10
5
Tiempo
Fig. 16: Comparación entre la curva de la caída de presión generada con los ver-
daderos valores de los parámetros (en rojo) y la curva obtenida con los parámetros
estimados (en azul).
Referencias
[Camacho-Velázquez 08] Rodolfo Camacho-Velázquez, Gorgonio Fuentes-Cruz
& Mario Vásquez-Cruz. Decline curve analysis of frac-
tured reservoirs with fractal geometry. SPE Res. Eval.
& Eng., vol. 11, no. 3, pages 606–619, 2008. SPE-
104009-PA.
[Chen 07] Zhangxin Chen. Reservoir simulation: mathematical
techniques in oil recovery. CBMS-NSF regional confer-
ence series in applied mathematics; 77. SIAM, 2007.
[Davies 79] B. Davies & B. L. Martin. Numerical inversion of
Laplace transform: A survey and comparison of
methods. Journal of Computational Physics, vol. 33,
no. 1, pages 1–32, 1979.
[de Hoog 82] F. R. de Hoog, J. H. Knight & A. N. Stokes. An improved
method for numerical inversion of the Laplace trans-
23
forms. SIAM J. Stat. Comput., vol. 3, no. 3, pages
357–366–, 1982.
24