Proyecto: "Inyección alternada de agua y gas

(WAG) como sistema de recuperación

mejorada"
CIMAT

Octubre 2013

1 Introducción
Este proyecto fue dividido en cuatro etapas:
ˆ 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.
ˆ 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.
ˆ En la tercera etapa se planteó el modelo transitorio de difusión usando el
modelo de Tarasov. MEFVC fue aplicado para resolver numéricamente el
problema.
ˆ 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.

2 Difusión para pozos con geometría radial

Existen varias propuestas para modelar el comportamiento subdifusivo de un
fluido en un medio poroso. En algunos enfoques se usan derivadas fracciona-

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
‚ Œ
1 ∂ β
∂pD
r = (1)
r β+θ ∂rD D ∂rD ∂t α
D D

donde θ es el índice de conductividad y β = dmƒ −θ−1, siendo dmƒ la dimensión

fractal de masa, y p la presión en un punto del dominio.
La solución de esta ecuación se puede expresar en forma analítica, en térmi-
nos de la transformada de Laplace de la presión. Por ejemplo, para el problema

1 ∂ €
r d pr ,
Š
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

donde Kν , ν son las funciones modificadas de Bessel de orden ν [Watson 96],

y

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

101 102 103 104 105 106 107 108 109

Time
Fig. 1: Cantidades calculadas a partir del modelo MGN, cuando se varía el parámetro
α del modelo. En el intervalo de tiempo (0, 109 ) se muestra el comportamiento de la
caída de presión, el flujo q(1, t) en la pared del pozo y el flujo acumulativo Q(t).

3 Modelo de difusión transitorio

El modelo de Tarasov introduce integrales fraccionarias sobre un medio con-
tinuo que permiten incorporar las propiedades fractales de un medio poroso
por medio de ciertos parámetros de la ecuación que se deriva de las leyes de
conservación. Estos parámetros corresponden a la dimensión fractal de las re-
giones bidimensionales y la dimensión fractal de sus fronteras, y al variarlos es
posible producir un efecto subdifusivo.

3.1 El modelo de Tarasov bidimensional

En el modelo de Tarasov [Tarasov 05] se reemplaza el medio fractal por un
medio continuo con masa de dimensión fractal, la cual es descrita por inte-
grales fraccionarias que toman en cuenta la fractalidad del medio. La masa del

3
medio obedece una relación de potencia,

M(R) = kRD (D < 2),

donde M es la masa del medio, R es el radio de un círculo que contiene a la
masa, y D es la dimensión fractal de la masa.
Sea W una región en R2 cuyo punto medio es . Denotamos por A(W ) al
área de W y MD (W ) a su masa. Se define la integral fraccional en R2 como
Z
( D ρ)(r 0 ) = ρ(r) dAD . (7)
W
donde dAD = c3 (D, r, r0 )d1 d2 y

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 d1 d2 . (8)
(D/ 2)
W

Para obtener la ecuación de continuidad para el medio fractal, se considera

una región W cuya masa tiene dimensión D y con frontera ∂W de dimensión d.
Entonces
dMD (W) d
Z Z Z
= q dAD i.e. ρ(R, t) dAD = q dAD (9)
dt dt
 W 

donde R = r − r 0 . Suponemos que la región W sePmueve con el medio. El

campo de velocidad es denotado por  = (R, t) = k k ek . Para una función
α dada, la derivada total temporal se define como

d ∂α
Z Z Z
α dAD = dAD + α · n dd . (10)
dt ∂t
W  ∂W

donde n =
P
k nk ek es el vector normal a ∂W, y

21−d
dd = c2 (d, R) d1 , c2 (d, R) = kRkd−1 .
(d)

4
Entonces, por el teorema de la divergencia

Z Z Z
α · n dd = αc2 (d, R) · n d1 = ∇ · [αc2 (d, R)] dA2
∂W ∂W W
Z
= c−1
3
(D, R)∇ · [αc2 (d, R)] dAD
W

Sustituyendo en (9) se tiene

∂α ∇ · [αc2 (d, R)]

Z ‚ Œ
d
Z
α dAD = + dAD (11)
dt ∂t c3 (D, R)
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 ∇ · [ρc2 (d, R)]

+ =q
∂t c3 (D, R)
Esto es,

∂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

donde ρ0 es la densidad en la presión de referencia p0 . Con los primeros dos

términos de la expansión de Taylor de la función anterior, tenemos la siguiente
aproximación

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.

3.2 Solución numérica del modelo de Tarasov

Para resolver la ecuación del modelo de Tarasov se utilizó el método de los
elementos finitos basados en volúmenes de control (MEFVC) [Chen 07].
Para obtener una idea del error en los cálculos, se resolvío el modelo de
Tarasov para el caso de un pozo acotado con geometría radial, para poder
comparar la solución numérica con la que se obtiene a partir de (6). En este
caso, en la ecuación 2D (14), tenemos que q = 0 y  0 = 0. por lo que la
podemos reescribir como
∂p
g() − ∇ · ( ()∇p ) = ƒ (, t) (15)
∂t
con
cƒ ρ0 (d)
g() = k −  0 kD−2 ,
( D
2
) 2D−d−1
() = k −  0 kd−1 ρ κ,
(d)
ƒ (, t) = D
k −  0 kD−2 q(, t).
( 2 ) 2 D−d−1

El dominio Ω se discretiza en triángulos, como se muestra en la Fig. 2(a).

A cada nodo de la discretización se le puede asociar un volumen de control,
como se muestra en la Fig. 2(b).

6
 4

4
● ●
● ● ● ●
● ● ● ●

● ● ● ● ● ●
● ● ● ●

● ● ● ●
● ● ● ●

● ● ● ●
●
●
● ● ● ●

● ● ● ●
● ● ● ●
● ● ●
2

2
● ● ●
● ● ● ● ●
● ●
●
● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
nodes[, 2]

nodes[, 2]
● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ●
● ●
●
0

0
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●

● ● ● ● ●
● ●
●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
●
●
● ● ● ●
● ● ● ●
−2

−2
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ●

● ● ● ● ● ● ● ●
● ●
● ● ● ●
● ● ● ●

● ● ● ●
● ● ● ● ● ●

● ● ● ●
−4

−4
● ● ● ●
● ●

(a) Discretización (b) Volúmenes de control

−4 −2 0 2 4 −4 −2 0 2 4
Fig. 2: Ejemplo de la triangulación del dominio y los volúmenes de control asociados
a la discretización. nodes[, 1] nodes[, 1]

La ecuación diferencial se integra en cada volumen de control. Para cada

volumen se obtiene una ecuación en la que aparecen como variables los val-
ores de la presión en los nodos de la discretización. A partir de estas ecua-
ciones y usando el esquema de Crank-Nicholson para resolver el problema,
obtenemos el sistema de ecuaciones de la forma
‚ Œ ‚ Œ
Δt Δt Δt
G+ A pk+1 = (Fk+1 + Fk + 2b) + G − A pk , (16)
2 2 2
donde pk es la solución en el instante de tiempo k-ésimo, el término b tiene
que ver con las condiciones de frontera del problema, G = diag(G1 , ..., Gn ),
Fk = (F1k , ..., Fnk )> , con
Z Z
G ≈ g d, Fk ≈ ƒ (, tk ) d,
V V

y las entradas de la matriz A = [Aj ] tienen que ver con las trasmisibilidades
Tj asociadas a los nodos  y j, calculadas sobre las aristas de los volúmenes de
control:

 6= j,
¨
−Tj ,
Aj = P
k∈S Tk ,  = j, S índices de los nodos vecinos al nodo .

7
 Las consideraciones que tomamos para construir y resolver (16) son las
siguientes:

ˆ Usar cómputo paralelo para calcular las entradas de las matrices A, G y

de los vectores Fk+1 y Fk .

ˆ Resolver el sistema lineal de ecuaciones (16) usando el algoritmo de gra-

diente biconjugado [Press 07], que es un algoritmo iterativo y que la con-
vergencia a la solución depende de los valores que se dan al vector p al
inicio del algoritmo.

ˆ Usar la solución pk del instante k para inicializar el algoritmo de solución,

porque si el incremento en el tiempo Δt es pequeño, el algoritmo hará
pocas iteraciones para converger a pk+1 .

Para el caso del problema transitorio 2D en un dominio anular, modelado

por la ecuación (??), en la Fig. 3 se muestran los perfiles de la caída de presión
registrada en un punto de la frontera interior, para diferentes valores de los pa-
rámetros D y d, así como los valores de la caída de presión en todo el dominio
para dos instantes de tiempo.
Por ejemplo, si fijamos r = 1, re = 10 y usamos una discretización de Ω que
tiene las siguientes características:

29800 nodos
59004 elementos triangulares
88804 aristas

Así, en cada paso de tiempo hay que resolver un sistema de ecuaciones de

29800 variables.
En la Fig. 4 se muestran las solución numérica y la analítica para D = 2.00 y
d = 1.00, que es el caso en que no hay difusión anómala. Para la resolución de
la gráfica, las dos curvas quedan superpuestas. Para resaltar las diferencias,
calculamos el error relativo entre las dos soluciones,

|pk − p(  , tk )|
, (17)
|p(  , tk )|

donde pk es el valor la solución numérica en el nodo   = (1, 0) en el instan-

te de tiempo tk , y p(  , tk ) el valor de la solución analítica correspondiente.
Los errores son del orden de 10−4 en todo el intervalo de tiempo. De este
modo, la solución numérica reproduce adecuadamente los valores de la solu-
ción analítica.

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

Fig. 3: Ejemplos de la solución del problema transitorio 2D.

Otro ejemplo se muestra la Fig. 5, en donde los parámetros selecciona-

dos fueron D = 1.85 y d = 0.75. En este caso se resuelve el problema en el
0.00030
20

Solucion analitica
Solucion numerica
0.00025
10
Caida de presion

Error relativo

0.00020
5

0.00015
2

10 20 50 100 200 500 1000 0 200 400 600 800 1000

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

20 50 100 500 2000 5000 0 2000 4000 6000 8000 10000

Tiempo Tiempo

Fig. 5: Soluciones en (1, 0) para D = 1.85 y d = 0.75, y gráfica del error relativo
entre ellas.

Tiempo para construir la matriz del sistema 0.008 segundos

Tiempo para construir los vectores independientes 313.673 segundos
Tiempo para resolver los sistemas de ecuaciones 4051.214 segundos
Tiempo total registrado 4466.225 segundos

Tabla 1: Tiempos registrados usando 4 procesadores.

Además de medir el error que se comete en un punto de la frontera interior,

podemos el error en todos los nodos   de la discretización del dominio para un
instante tiempo dado. Para ello fijamos el valor del tiempo tk = 10000 y para
cada r = k  k calculamos el valor de p(r , tk ) de la solución analítica a partir
de la ecuación de la transformada inversa (6), y lo comparamos con el valor
pk de la solución numérica en t = tk . En la Fig. 6 se muestra la solución en
tk = 10000 y el error relativo en todo el dominio. Se puede ver que los errores
más grándes quedan distribuidos en anillos y siguen siendo del mismo orden
que el error medido en el punto (0, 1), por lo que podemos esperar que el error
medido en ese punto es representativo de todo el dominio.
En otra prueba, cambiamos el dominio de modo que el radio exterior re =
150. Generamos una discretización con 60000 elementos y 30300 nodos.

10
 Solución Error relativo

Fig. 6: Solución en el instante t = 10000 para D = 1.85 y d = 0.75, y error relativo

medido en todo el dominio, para re = 10.

Queremos ver si esto afecta en el cálculo de la solución del problema transito-

rio. Lo resolvemos en el intervalo de tiempo [0, 10000] tomando un tamaño de
paso Δt = 0.5. La comparación entre las soluciones numérica y la analítica en
el punto (1, 0), así como el error relativo entre ellas se muestran en la Fig. 7. El
error es mayor al del caso anterior, pero aun es pequeño. Sin embargo, si med-
imos el error relativo en todo el dominio en el instante t = 10000 obtenemos
la gŕafica que se muestra en la Fig. 8. Vemos que los errores más grandes
ocurren cerca de la frontera exterior, donde los triángulos son más grandes.
Por tanto, hay que refinar más la discretización para mejorar la aproximación
en esa zona, aunque cerca de la frontera interior el error es pequeño.

4 Determinación de los parámetros fractales del

modelo
Si queremos estimar los parámetros d y D del modelo a partir de un conjunto
de mediciones {p1 , p2 , ..., pm } de la caída de presión en un punto dado del
dominio, registradas en los instantes de tiempo t1 < t2 < ... < tm , tenemos que
proponer valores para d y D, y para una pareja de éstos, hay que resolver la
ecuación diferencial para obtener los valores de la solución en los instantes t
y compararlos con los valores p . Hay dos inconvenientes:

ˆ Si se tienen que hacer varias pruebas de los valores de d y D, hay que

resolver muchas veces la ecuación diferencial, y esto puede ser computa-
cionalmente costoso.

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.

Solución Error relativo

Fig. 8: Solución en el instante t = 10000 para D = 1.85 y d = 0.75, y error relativo

medido en todo el dominio, para re = 150.

ˆ Si tm es grande, tenemos que discretizar el intervalo [0, tm ] finamente,

para que cuando resolvamos numéricamente la ecuación diferencial, el
error acumulado en cada paso de tiempo sea pequeño. Esto también hace
que se eleve el costo computacional para resolver la ecuación diferencial
para cada pareja (d, D).

Puesto que usualmente la presión que se puede medir en un pozo es la

pared del mismo, sólo deberíamos considerar que esa es la única información
disponible para hacer la estimación de los parámetros.

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.

4.1 Solución del problema para geometría radial

Consideremos el caso particular en que dominio tiene forma de anillo de radio
interior r y radio exterior re . El problema transitorio 1D a resolver está dado
por las ecuaciones (2), (4) y (5), cuya solución está dada por (6).

4.2 Planteamiento del problema

Supongamos que p representa el valor de la caída de presión medida en la
pared de pozo r en el instante de tiempo t . Queremos determinar el valor
de los parámetros fractales de la ecuación diferencia a partir de un conjunto
formado m registros de la caída de presión,

{ ( 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

1e+01 1e+03 1e+05

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

sin embargo, como vemos en la Fig. 9, los valores de la caída de la presión

aumentan conforme aumenta el tiempo, de modo que hay un sesgo y puede
ocurrir que se prefieran valores D y d que reduzcan las diferencias [p(t ; d, D) −
p ]2 para  grandes, que son los errores más signitificativos, pero no hagan un
buen ajuste para valores pequeños de .
En algunos casos los últimos valores p de la secuencia pueden ser los que
más pueden ayudar en la determinación de los valores D y d. Por ejemplo,
supongamos que los verdaderos valores son D = 1.65 y d = 0.88. En la gráfica
de la izquierda de la Fig. 10 se ve que si tenemos correcto el valor d y sólo
tenemos muestras para t < 104 hay varias soluciones de la ecuación que pasan
cerca de la curva que queremos reconstruir, por lo que es más dificil determinar
el valor de D. En cambio, si tenemos muestras para t > 105 , las curvas se
diferencian mejor y podemos dar una mejor estimación de D.
Por otro lado, en la gráfica de la derecha de la Fig. 10 se ve que si tuvieramos
correcto el valor de D y sólo tenemos que deteminar d, es mejor tener muestras
para t < 105 , ya que para para ese intervalo las curvas se diferencian mejor.
100

D=1.59, d=0.88 D=1.65, d=0.80

50

D=1.62, d=0.88 D=1.65, d=0.84

D=1.65, d=0.88 D=1.65, d=0.88
50

D=1.68, d=0.88 D=1.65, d=0.92

D=1.71, d=0.88 D=1.65, d=0.96
Caída de presión

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

1e+02 1e+03 1e+04 1e+05 1e+06

Tiempo

Fig. 11: Curvas de la caída de presión obtenidas al variar los parámetros D y d.

En general cuando variamos los dos parámetros D y d se obtienen curvas

como las que muestran en la Fig. 11. En este caso no es claro cuales muestras
son más importantes. Así, debemos normalizar las diferencias para que todas
contribuyan por igual en la determinación de D y d.
Dados D y d, calculamos la solución p(t ; d, D) de la ecuación en el instante
t y medimos el error global mediante la suma de los cuadrados de los errores
relativos,
m – p(t ; d, D) − p ™2
X  
E(d, D) = . (18)
=1
p
De este modo, el problema que queremos resolver es
m – p(t ; d, D) − p ™2
X  
(D∗ , d∗ ) = rg min E(d, D) =
d,D
=1
p (19)
sujeto a p(t; d,D) solución de (??) ,
0 < d < D ≤ 2, 1 < D.
Un ejemplo de la gráfica de la función de error E(d, D) se muestra en la Fig.
12. Para generarla se tomaron m = 100 distribuidas en el intervalo [50, 106 ].
Hay un óptimo global, que se identificar con más facilidad en la Fig. 13 cerca

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

Fig. 12: Gráfica de la función de error.

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

Fig. 13: Curvas de nivel de la función de error. El óptimo se encuentra en D = 1.65

y d = 0.88.

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.

E(d, 1.65) E(0.88, D)

7 5

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

Fig. 14: Perfiles de la función de error.

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:

ˆ Sólo requiere evaluaciones de la función a optimizar, sin que ésta tenga

que cumplir alguna condición de suavidad.

ˆ Puede aplicarse para optimizar funciones con cualquier número de vari-

ables, pero trabaja mejor en bajas dimensiones.

ˆ No hay garantía de que converga al óptimo global de la función, de modo

que depende de la inicialización.

ˆ Hay estrategias para reinicializarlo de forma automática de modo que

pueda hacer una mejor exploración del espacio de soluciones.

Para el caso en que estamos interesados, la función a optimizar no tiene

varios mínimos locales y el espacio de soluciones está acotado, por lo que
no es difícil inicializarlo. Para poder aplicarlo al problema (19) la versión que
implementamos maneja las restricciones 0 < d < D ≤ 2.

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 ,

Queremos ver como se comporta el algoritmo cuando

ˆ se tienen varias combinaciones de los parámetros d y D,

ˆ se cambia el número m de muestras, y

ˆ se cambia el intervalo [t1 , tm ] en donde tenemos las muestras.

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.

4.4 Pruebas con los datos sin ruido

Tomamos un pozo con radio exterior re = 500 y las muestras las generamos
dentro del intervalo de tiempo [50, 106 ]. Los vértices del triángulo inicialmente
están en los puntos

(1.2, 1.95), (1.2, 1.75), (1.45, 1.95).

En la Tabla 2 se muestra los verdaderos valores d∗ y D∗ con que se generaron

los datos, que son los óptimos de la función en cada caso. También se muestra
los valores dn y Dn a los que el algoritmo converge, el número n de iteraciones
requeridas y el valor de la función de error E en esos puntos. En todos los casos,
con menos de 40 iteraciones, el método converge muy cerca del óptimo. Los
errores relativos están por debajos de 0.21%. Se puede decir no hay una región
en el rectángulo 0.6 ≤ d∗ ≤ 1.4, 1.6 ≤ D∗ ≤ 1.9 que presente alguna dificultad
particular que afecte la convergencia del método. Por esto, para la siguientes
pruebas sólo tomamos una combinación de valores de d∗ y D∗ .
Fijamos d∗ = 0.6, D∗ = 1.6 y el radio exterior re = 500. En la Tabla 3 se
muestran los resultados de variar la cantidad de muestras y el intervalo de
tiempo en que se encuentran distribuidas. Vemos que aunque las muestras
estén distribuidas en [50, 106 ], o al principio de este intervalo o al final del
mismo, el método siempre converge al mismo resultado, sin importar demasi-
ado el número de muestras que se tomen.

De este modo, se puede decir que el método es robusto a estas variaciones.

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 

para un ε dado. De este modo, la cantidad en que se perturban los datos se

va escalando de acuerdo a la magnitud de los datos sin ruido.
Por ejemplo, en la Fig. 15 se muestran el conjunto de datos {p } y {pε }
cuando ε = 0.4.
Reemplazamos en la función de error los valores p por pε , de modo que

m – p(t ; d, D) − pε ™2
X  
E(d, D) = .
=1
pε

Al resolver el problema (19) usando los datos perturbados es de esperar que

entre más grande ser ε peor será la estimación de los valores d∗ y D∗ .

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

En la Tabla 4 se tienen los resultados para ε = 0.2. Lo que se observa es la

estimación de los parámetros es mejor cuando se tienen muestras de la caída
de presión para tiempos grandes. Los errores más grandes ocurren cuando se
tienen pocas muestras y están se toman en un intervalo corto al inicio de la
simulación. Si este es el caso, solo aumentando el número de muestras se
puede mejorar la estimación.
En la Tabla 5 se repite la prueba anterior usando ε = 0.4, y debido a que el
ruido es mayor, se observa que los resultados de la estimación de los parámet-
ros empeora. El mejor de los casos ocurre cuando se tiene la mayor cantidad
de muestras en instantes de tiempo grandes.
Para entender lo que implica equivocarse en la determinación de parámet-
ros, generamos las curvas de la caída de presión cuando se usan los ver-
daderos valores de los parámetros (d∗ = 0.6 y D∗ = 1.6) y uno de las estima-
ciones que obtuvimos en la prueba anterior, por ejemplo, cuando d = 0.6153
y D = 1.6252. En la Fig. 16 se comparan estas curvas. Hay diferencias entre
ellas y puede ocurrir que para tiempos más largos aumenten éstas.
Hay que tomar en cuenta que dependiendo de otros parámetros, como el
radio exterior re , el mismo nivel de ruido en las mediciones puede ser más
destructivo para cierto rando de valores de re . Por ejemplo, las pruebas ante-
riores se hicieron para re = 500 y vemos que podemos obtener buenas aproxi-
maciones para ε = 0.4 con m = 200 muestras. Si cambiamos el radio exterior,

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

de modo que re = 2000, la Tabla 6 se puede ver como se afecta a la estimación

de los parámetros cuando el nivel de ruido va en aumento. Sin ruido, la es-
timación es precisa, pero para ε = 0.15 ya hay diferencias importantes. Se
requiere aumentar el número de muestras de 100 a 400 para mejorar la esti-
mación de los parámetros cuando ε = 0.2. De este modo, para re = 500 un
ruido con ε = 0.2 es moderado, mientras que para re = 2000, ε = 0.2 es un
ruido destructivo si no se tienen suficientes muestras.
Tabla 6: Prueba con datos con ruido, variando el número de muestras y el intervalo
en donde se encuentran con ε = 0.4.
Intervalo: [120, 106 ]
d ∗ D ∗ m ε n dn Dn E(dn , Dn )
0.6 1.6 100 0.00 42 0.60002 1.59995 0.0003
0.6 1.6 100 0.05 42 0.59541 1.60781 0.2823
0.6 1.6 100 0.10 30 0.63696 1.50195 0.5691
0.6 1.6 100 0.15 27 0.65150 1.47050 0.8514
0.6 1.6 100 0.20 25 0.66302 1.45052 1.1358
0.6 1.6 200 0.20 31 0.66611 1.45642 1.6651
0.6 1.6 400 0.20 33 0.60321 1.61471 2.3123

22
 100
d=0.600, D=1.600
d=0.615, D=1.625

50
Caída de presión

20
10
5

1e+02 1e+03 1e+04 1e+05 1e+06

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.

[Press 07] W. H. Press, S. A. Teukolsky, W. T. Vetterling & B. P.

Flannery. Numerical recipes: The art of scientific
computing. Cambridge University Press, 3rd edition
edition, 2007.

[Tarasov 05] Vasily E. Tarasov. Fractional hidrodinamics equations

for fractal media. Annals of Physics, vol. 318, pages
286–307, 2005.

[Watson 96] G. N Watson. A treatise on the theory of bessel func-

tions. Cambridge University Press, 1996.

24