Escolar Documentos
Profissional Documentos
Cultura Documentos
Risco
Junio de 2014
Contexto
Exploração ... Avaliação ...Desenvolvimento ... Produção ... IOR ... Abandono
Argentina
Incertezas
Non Conventional – Shale and Tight
Reservatório / Fluidos
Investimentos maiores
Financeiras (preço)
Pouca flexibilidade (vinculado ao
Tecnológicas (longo prazo)
programa de estimulação possível e
Operacionais
necessário(
“Políticas”
Evolução tecnológica em
Risco desenvolvimento (curva de
Decisão com altos investimentos aprendizado)
envolvidos e pouca informação Muitos atributos e parâmetros
Dependência de programas de toma de desconhecidos
dados Novas tecnologias por aparecer
Na Fase de Desenvol. / Producción Há Forte dependência do modelo
menor incerteza que Exploração mas econômico/político/ambiental
maior complexidade e menos graus de (contexto atual)
liberdade
DESAFIOS GERAIS
Maior complexidade e pouco conhecimento das áreas
Dificuldades em quantificar as incertezas
Maiores investimentos e custos
Fronteiras Tecnológicas
Balancear flexibilidade, informação e robustez
Integração multidisciplinar
Outros
Estágios da vida útil do campo
No início da vida do campo, as incertezas de reservatório são
as mais impactantes. Outro ponto crucial é a data do primeiro
óleo, que depende especialmente da disponibilidade da
sonda, da plataforma e do cronograma de entrada de poços.
Para campos maduros, as incertezas operacionais e
tecnológicas são as mais relevantes (custos de intervenção,
problemas de elevação com alta produção de água, novas
tecnologias que podem aumentar a estimativa de reservas,
etc.).
Já no estágio de abandono, as incertezas mais importantes
estariam relacionadas a integridade do sistema de produção,
efeito ambiental crescente, cálculo de reservas remanentes e
os termos de contrato de explotação da área.
Metodologia de Análise de Risco com simulação
Definição dos atributos incertos
Caso base- Otimização
Análise de Sensibilidade
Integrada
Simulação de Fluxo
Tratamento estatístico
Modelos Representativos
Análise de Risco
P10, P50,P90 Integração com
Otimização da outros tipos de
estratégia incerteza
Análise de decisão
Quantificar incertezas
“que sabemos que sabemos”
“que sabemos que não sabemos”
“que não sabemos que não sabemos”
Goode (2012) estimou que o total de perdas no E&P por ano em função de
decisões ruins fica em torno de 30 bilhões de U$.
GLOBAL Integrated Workshop Series: Production Forecasting
SPE Forum Getting to Robust Production Forecast
(2009)-Cádiz
(2012)-Rio de Janeiro
(2013) Stuttgart
Melhores práticas para previsões:
Metodologias mais consistentes e interdisciplinares
Mais estatísticas de falhas na perfuração, completação,etc
Mais estatísticas de falhas ocorridas durante a produção devido a
ineficiência nos equipamentos de subsuperfície e superfície.
Mais tempo para elaboração das curvas de curto prazo
Cronogramas mais consistentes e REALISTICOS!
Preciosismo:
Alguns autores defendem que:
Se a função objetivo do estudo for de produção (Np, Wp,etc)
Nome mais adequado é curva de distribuição do Np
Se a função objetivo do estudo for econômica
Curva de risco (VPL)
Mitigação
MITIGAÇÃO DOde Risco
RISCO
ROBUSTEZ FLEXIBILIDADE
REDUÇÃO DE INCERTEZA
Mitigação de Risco
ROBUSTEZ (via projeto alternativo)
Projeto Original Projeto Alternativo
Incerteza:
Grau de atuação do aqüífero.
ROBUSTEZ FLEXIBILIDADE
REDUÇÃO DE INCERTEZA
Mitigação de Risco (6/6)
REDUÇÃO DE INCERTEZAS
Incerteza:
Ocorrência de óleo e qualidade permo-porosa no
contexto do canyon.
ROBUSTEZ FLEXIBILIDADE
Ação Mitigadora de Risco:
Perfuração de Poços ADR.
ADR - 03
ADR - 01
VARIABILIDADE X
INCERTEZA
VARIABILIDADE X INCERTEZA
Não confundir variabilidade do atributo com incerteza
Variabilidade está relacionada com a variação do atributo (grau de
heterogeneidade)
Incerteza com o tipo (grau) de informação que se tem
Histograma - Porosidade
1000
Freqüência
879
900
800
“Se o histograma for o único
700 conhecimento com relação a um
Freqüência [%]
600
500
atributo, pode utilizar a distribuição
400
403
de frequência para quantificar a
300
incerteza, no entanto, poderia
existir um grande erro em funcão
200
135
82
100 61
18
0
0
<0
0
25 - 30
0
> 30
da representatividade dos
Faixa de Porosidade [%] dados e do fenómeno sob
Mostra a variabilidade- Não há probabilidades análise!” (Bratvold&Begg)
envolvidas.
Distribuições mais utilizadas
UNIFORME TRIANGULAR
1,2 1,0
2,5 1,0
0,9 0,9
1
0,8 2 0,8
0,7
Probabilidade acumulada
0,8 0,7
Probabilidade acumulada
Probabilidade
Probabilidade
0,6 1,5 0,6
0,6 0,5 0,5
0,4 1 0,4
0,4
0,3 0,3
0,1 0,1
0 0 0,0
0,0
0 0,5 1 1,5 2 0 0,5 1 1,5 2 0 0,5 1 1,5 2 0 0,5 1 1,5 2
NORMAL LOGNORMAL
4,5 1 1,8 1,0
4 0,9 0,9
1,6
3,5 0,8 0,8
1,4
Probabilidade acumulada
0,7
Probabilidade acumulada
3 0,7
Probabilidade acumulada
1,2
Probabilidade
0,6 0,6
2,5 1,0
0,5 0,5
2
0,8
0,4 0,4
1,5
0,6
0,3 0,3
1
0,2 0,4
0,2
0,5
0,1 0,2 0,1
0
0 - -
0,6 0,8 1 1,2 1,4
0,6 0,8 1 1,2 1,4 0,0 0,5 1,0 1,5 2,0 0 0,5 1 1,5 2
Atributo Atributo Atributo Atributo
Objetivo do estudo
Representatividade da área em análise
Tipo de informação disponível
Complexidade do campo
Grau de incerteza e risco
Integracão de disciplinas
Processo de quantificação de incertezas
“Incerteza é função do nosso conhecimento. Contudo, a distribuição
de probabilidade para descrever a incerteza pode ser diferente do
histograma que quantifica a variabilidade”. Bratvold &Begg
Cenários de desenvolvimento
Como atribuir as incertezas operativas?
INTRODUÇÃO
Ajuste de histórico
Análise tradicional
Ajuste de histórico -> gera um ou alguns modelos
ajustados
Análise de incerteza no período de previsão
Processos são realizados separadamente
Novo desafio:
Propor metodologia para redução de incertezas
utilizando dados observados
Integrar o ajuste de histórico com a análise
(probabilística) de incertezas
Dados observados redução de incertezas mitigar risco nas decisões de
gerenciamento do reservatório
Ajuste de Histórico
Ajuste de histórico:
Calibração do histórico através da malha fina utilizando
simulação por linhas de fluxo para seleção dos cenários
geológicos?
Manual ou assistido?
Assistido já é uma realidade?
Totalmente automático?
Futuro distante?
Não perder de vista
Verificar a calibração do caso base com relação ao
histórico
Checar representatividade
Realizar análise detalhada para definição dos
atributos incertos
Explorar a AS (“perder tempo pode ser ganhar”)
Idéia básica
Mudança na curva de distribuição do atributo em
função do desajuste entre os dados observados e os
resultados da simulação
Nível com baixo desajuste probabilidade alta
priori posteriori
F.O: Função objetivo
Deviation Factor
diobs
disim
Time
Análise multivariada de inferência estatística
Análise multivariada: Grande número de métodos e técnicas que
utilizam, simultaneamente, todas as variáveis na interpretação teórica
do conjunto de dados obtidos.
Inferência estatística: Ramo da estatística cujo objetivo é fazer
afirmações a partir de um conjunto de valores representativo (amostra)
sob um universo disponível (bayesiana ou condicional)
A inferência bayesiana é um tipo de inferência estatística que
descreve as incertezas sobre pequenas quantidades de forma
probabilística. Incertezas são modificadas periodicamente após
observações de novos dados obtidos ou resultados.
A operação que calibra a medida das incertezas é conhecida como
operação bayesiana e é baseada na fórmula de Bayes, desprendida
doTeorema de Bayes.
Análise multivariada de inferência estatística
A1 A2 A3 ... An
- - - ... -
- - - ... -
- - - ... -
n
d (obsi sim i ) 2
i 1
1.2 4
1.0 4
3
0.8 3
Norm error
Dis t.exp
0.6 2
0.4 2
expdf(Fit) 1
0.2 1
Fit
0.0 0
0 500 1000 1500 2000 2500
P ermeability (mD)
Uncertainty
assessment
Schiozer, D.
Análise multivariada de inferência estatística
Em teoria da probabilidade o Teorema de Bayes mostra a
relação entre uma probabilidade condicional e a sua
inversa; por exemplo, a probabilidade de uma hipótese dada
a observação de uma evidência e a probabilidade da
evidência dada pela hipótese. Esse teorema representa uma
das primeiras tentativas de modelar de forma matemática a
inferência estatística, feita por Thomas Bayes
Teorema de Bayes
O teorema de Bayes é um corolário do teorema da
probabilidade total que permite calcular a seguinte
probabilidade:
Previsão probabilística
Passos da modelagem dinâmica sob incerteza
1. Sensibilidade e
Análise de
Incerteza inicial Abordagem 1:
Otimização
determinística
Abordagem 3:
Otimização
3. Predição sob incerteza determinística
seguida de
otimização do plano de
probabilística
desenvolvimento
sob incerteza
Diferentes Abordagens
Abordagem 1: Otimização determinística Abordagem 2: Aproximação probabilística
ppii i pi
pi
Ex1
Análise de casos
Ex 2
Range de incerteza inicial adotado: n1 < KX < 1200
Area:2 Combinação
Dwoc:3 cresce
exponencialmente
Por:3
Perm:3
Total de combinações: 54
•Cada ramal final apresenta uma
probabilidade final (combinação de
cada nível de cada atributo)
•O somatório das probabilidades das
Nós de
combinações = 1
chance
•Única rodada para composição da
curva de risco
Exemplo
Suponha que no processo de análise de sensibilidade foram selecionados 3
atributos críticos para a composição da curva de risco. E que cada atributo
apresente respectivamente as seguintes probabilidades de ocorrência:
Decisão 1: 2 alternativas
Decisão 2: 2 alternativas
Decisão 3: 2 alternativas
Total: 8 combinações
VPLi VME Pi
2
– Variância: i 1
– Desvio padrão:
DP 2
– Coeficiente de variação:
Consiste na escolha de modelos próximos aos valores dos percentis P10, P50 e P90 relativos a curva de
risco e com considerável variação em relação a uma função-objetivo secundária adotada.
Conjunto engloba aspectos ligados à velocidade da recuperação, bem como da quantidade recuperada.
1400
Úteis, por exemplo,
1200
no dimensionamento de
instalações de P10
1000
produção, detalhamento posterior
VPL Milhões US$ P50
dos planos de 800
desenvolvimento e avaliação da
flexibilidade entre 600
esses planos, para cada uma das
expectativas de 400
realização
200
0
40 45 50 55
Fr (%)
Modelos Representativos (MR)
Modelos que representam todas as incertezas combinadas
Escolhidos com base nas funções-objetivo (VPL, recuperação, produção, volume)
Pesquisas recentes 6 a 9 modelos necessários para a maioria das aplicações
50
45
40
35
30
25
0 200 400 600 800 1000 1200
VPL (milhões US$)
Modelos Representativos (MR)
Obtenção das curvas probabilísticas do projeto complementar
por ordem Com poços (RC3100A) Sem poços (sem RC3100A) Diferença
de DeltaNp ff imagem kr permk Np Npat imagem kr permk Np Npat DeltaNp DeltaNpat Prob
1 2 2 2 2 2432.3 676.7 2 2 2 1946.3 386.5 486 290.20 0.987654321
2 2 2 0 2 2771.5 741.9 2 0 2 2284.1 450.4 487.4 291.50 0.975308642
3 2 2 0 0 2747.2 741.6 2 0 0 2249 444.4 498.2 297.20 0.962962963
4 2 2 2 0 2432.2 687.3 2 2 0 1926.2 391.2 506 296.10 0.950617284
5 2 2 0 1 2613.2 732.7 2 0 1 2083.3 425.2 529.9 307.50 0.938271605
6 2 2 1 2 2875.3 777.7 2 1 2 2341.7 466.6 533.6 311.10 0.925925926
7 2 2 1 0 2876.2 780.9 2 1 0 2342 469.8 534.2 311.10 0.913580247
P90 8 2 2 1 1 2881.8 790.6 2 1 1 2347 478.3 534.8 312.30 0.901234568
9 2 2 2 1 2439.4 711.3 2 2 1 1902.6 404.4 536.8 306.90 0.888888889
10 0 2 0 2 2845.5 820.2 2 0 2 2284.1 450.4 561.4 369.80 0.87654321
11 0 2 2 2 2512.9 740.3 2 2 2 1946.3 386.5 566.6 353.80 0.864197531
12 0 2 0 0 2816.4 818.9 2 0 0 2249 444.4 567.4 374.50 0.851851852
13 0 2 2 0 2519.7 752.3 2 2 0 1926.2 391.2 593.5 361.10 0.839506173
14 1 2 2 2 2540.7 772.5 2 2 2 1946.3 386.5 594.4 386.00 0.827160494
15 1 2 2 0 2544.7 783.3 2 2 0 1926.2 391.2 618.5 392.10 0.814814815
16 1 2 0 2 2903 878.6 2 0 2 2284.1 450.4 618.9 428.20 0.802469136
17 1 2 0 0 2872.9 877.1 2 0 0 2249 444.4 623.9 432.70 0.790123457
18 0 2 2 1 2530.9 774.9 2 2 1 1902.6 404.4 628.3 370.50 0.777777778
19 0 2 0 1 2725.9 813.5 2 0 1 2083.3 425.2 642.6 388.30 0.765432099
20 1 2 2 1 2551 802.4 2 2 1 1902.6 404.4 648.4 398.00 0.75308642
21 1 2 0 1 2762.1 859.6 2 0 1 2083.3 425.2 678.8 434.40 0.740740741
22 0 2 1 2 3058.2 897.4 2 1 2 2341.7 466.6 716.5 430.80 0.728395062
23 0 2 1 0 3060.4 901.6 2 1 0 2342 469.8 718.4 431.80 0.716049383
24 0 2 1 1 3075.7 914.9 2 1 1 2347 478.3 728.7 436.60 0.703703704
25 2 0 2 2 2792.1 844.8 0 2 2 2031.9 403.1 760.2 441.70 0.691358025
26 2 1 0 2 3535.1 974.1 1 0 2 2772.1 552.9 763 421.20 0.679012346
27 2 1 2 2 3121.1 903.2 1 2 2 2356.1 503.5 765 399.70 0.666666667
28 2 1 0 0 3482.4 966.7 1 0 0 2706.5 546.5 775.9 420.20 0.654320988
29 1 2 1 2 3124.9 960.9 2 1 2 2341.7 466.6 783.2 494.30 0.641975309
…81
Curva de Risco
100%
60%
40%
20%
0%
0
400
500
600
200
300
100
700
-100
-300
-200
Estratégia
otimizada
probabilidade acumulada (%)
60%
40% Centenas de
modelos
20%
possíveis
0%
200
300
400
500
600
700
100
-200
-300
-100
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
probabilidade acumulada (%)
100%
0,0
80%
-0,5
60% -0,9
13 23 33 43 53 63 73 83
Np (m3) Milhões
40%
20%
0%
400
500
600
700
100
200
300
-100
-300
-200
função objetivo
Árvore de Derivação com Simulação
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
probabilidade acumulada (%)
probabilidade acumulada (%)
100%
100%
0,0
80%
80%
-0,5
60%
60% -0,9
13 23 33 43 53 63 73 83
Np (m3) Milhões
40%
40%
20%
20%
0%
0%
400
400
500
500
600
600
700
700
100
200
200
300
300
-100
-100
100
-300
-300
-200
-200
0
0
função
funçãoobjetivo
objetivo
Árvore de Derivação com Simulação
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
probabilidade acumulada (%)
probabilidade acumulada (%)
100%
100%
0,0
80%
80%
-0,5
60%
60% -0,9
13 23 33 43 53 63 73 83
Np (m3) Milhões
40%
40%
20%
20%
0%
0%
400
400
500
500
600
600
700
700
100
200
200
300
300
-100
-100
100
-300
-300
-200
-200
0
0
função
funçãoobjetivo
objetivo
Árvore de Derivação com Simulação
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
probabilidade acumulada (%)
probabilidade acumulada (%)
100%
100%
0,0
80%
80%
-0,5
60%
60% -0,9
13 23 33 43 53 63 73 83
Np (m3) Milhões
40%
40%
20%
20%
Bilhões
1,8
0%
0% 1,4
400
400
500
500
600
600
700
700
100
200
200
300
300
-100
-100
100
-300
-300
-200
-200
0
0
0,9
VPL (u$)
função
funçãoobjetivo
objetivo 0,5
0,0
-0,5
-0,9
15% 25% 35% 45% 55% 65%
FRo (%)
Árvore de Derivação com Simulação
Bilhões
65% 1,8
55%
1,4
0,9
VPL (U$)
FRo (%)
45%
0,5
35%
0,0
25% -0,5
15% -0,9
13 23 33 43 53 63 73 83 13 23 33 43 53 63 73 83
Np (m3) Milhões Np (m3) Milhões
Bilhões
1,8
Milhões
10
20 1,4
0,9
VPL (u$)
30
Wp (m 3)
40 0,5
50
0,0
60
-0,5
70
-0,9
13 23 33 43 53 63 73 83 15% 25% 35% 45% 55% 65%
3
Np (m ) Milhões FRo (%)
Modelos Representativos
100%
MR3 - 647
SIM
Probabilidade Acumulada (%)
90%
80% MR5 - 98 MR
70% P%
60%
50%
40% MR1 - 11
30%
20%
10% MR4 - 716
MR2 - 608
0%
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5
VPL (U$) Bilhões
Quais as aplicações dos MR?
Função do objetivo:
Podem ser selecionados para representarem as
curvas probabilísticas dos projetos representadas por
P10, P50 e P90.
Campo novo (fase de desenvolvimento)
Campo com histórico
Nesse caso atentar para a seleção dos MR do delta das funções
(Delta da F.O: Rodada com projeto – Rodada sem projeto)
Selecionados para a etapa de análise de decisão
Otimização da estratégia dos cenários P10, P50 e P90
Subsidiar decisão (análise pelo VMEmax)
novos poços
t
Análisis de Incertidumbres de Reservorios: Metodologías y Aplicaciones
Análise de Delta Np
• O ganho com um projeto tende a ser menor que a
produção dos novos poços.
• Caso extremo: o projeto complementar tem
somente poços injetores (será que o ganho do
projeto é nulo ?!?)
• Existe interferência entre os poços?
• Analisar o ganho do projeto (delta Np): diferença
na produção entre o modelo com os poços e sem
os poços. Mesma metodologia pode ser utilizada
para analisar o ganho com outras modificações,
não apenas novos poços.
Qual dos modelos é otimista?
• Vejamos um exemplo ilustrativo
Np Exemplo ilustrativo
Modelo 1: 7,3
Modelo 2: 7,1 Np Base Modelo 1
Np Base Modelo 2
(milhões de m3) Np Proj Modelo 1
Np Proj Modelo 2 Np
Entrada do novo
poço
Ganho de Np (Np)
Modelo 1: 1,2
Modelo 2: 1,9 VOIP VPL
Np Np
(milhões de m3)
Estudo do projeto complementar
Estudo dos poços MA-16, MA-17 e MA14
(MA-15 faz parte da mesma campanha de perfuração)
MA-019 23 MA-019 23
20 20
18 18
15 15
MA-006
13 13
MA-009 MA-009
10 10
MA-016 MA-015 MA-015
8 8
MA-014
5 5
MA-017 0.00 0.50 1.00 miles 0.00 0.50 1.00 miles
3 3
0.00 0.50 1.00 km 0.00 0.50 1.00 km
0 0
338,000 339,000 340,000 341,000 342,000 343,000 344,000 345,000 338,000 339,000 340,000 341,000 342,000 343,000 344,000 345,000
(de André)
Estudo do projeto complementar
Estudo do projeto complementar
Estudo do projeto complementar
Estudo do projeto complementar
Np
Np
t t
MA-014
MA-017
Estudo do projeto complementar
Np
Np
t t
Np
t
QUESTÕES:
No processo de quantificação de incertezas: