Conceptos Teoricos CURSO 2014

Quantificação de incertezas e Análise de
Risco
ANALISIS de INCERTIDUMBRES y RIESGO de

RESERVORIOS: Conceptos Teóricos
Gustavo Gabriel Becerra
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
Aumento do grau de maturidade dos campos,

aumentando a necessidade de estudos
probabilísticos considerando o histórico para
redução de incertezas.
DESAFIOS ESPECÍFICOS
 Estudos são função:
 Propósito do projeto (novo negocio, asoc., venda, certificação etc(
 Estágio da vida útil (grau de incerteza diferenciado)
 Tipo de informação disponível
 Cenários que representam estes desafios:

 Campos na fase de desenvolvimento
 Modelo estático em evolução contínua
 Modelo dinâmico conceitual
 Campos com longo histórico
 Modelagem estática/dinâmica de algumas zonas separadas com detalhe
 Maioria dos estudos por declínio/curva tipo/BM
 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”
 Edward Merrow comentou em entrevista a Newspaper Upstream sobre o

estudo da IPAA (Independent Petroleum Association of America) que analisou
mais de 1000 projetos de E&P. “Muitos falham com relação ao previsto e 1 em
8 são um desastre”. O desastre é ainda maior em megaprojetos (capital maior
que 1Bilhão de dólares).
 Campell et al. (2011) comenta que as previsões são sistematicamente

superestimadas (de 160 projetos analisados, 143 apresentaram o pico de
produção menor que o estimado)
 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
 Produção de curto prazo vs longo:

 Normalmente há uma tendência em superestimar a produção na
previsão a curto prazo (meses) e subestimar a de longo prazo. O
principal motivo para o viés de curto prazo reside no fato de
incertezas relacionadas ao início da produção não serem
consideradas no estudo. Para o viés de longo prazo, o fator
preponderante é a dificuldade de incorporar o impacto de novas
tecnologias.
 Principais dificuldades para a implementação de um processo de
previsão mais robusto: (1) a falta de comunicação entre os
diferentes grupos envolvidos no processo; (2) a falta de
identificação clara dos seus objetivos e (3) falta de integração
entre as ferramentas.
 Um dos aspectos que influenciam essas falhas são as

incertezas. Há evidências fortes que as pessoas tendem a
superestimar:
 O número de fatores de incerteza
 A magnitude da incerteza
 A complexidade da relação entre incertezas
 As consequências das incertezas.
 Usar mais análise “post-mortem” para incorporar lições

aprendidas.
Recomendação SPE Fórum

 (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!
 A grande maioria dos projetos analisados realizou curvas de

longo prazo dentro do range P10, P90, mas com viés inferior a
curva P50.
 Quanto maior a complexidade do reservatório, maior o desvio.
 Lucratividade dos projetos acima do previsto... Como função do
preço do barril do petróleo!
INCERTEZAS E RISCO
Reidar Bratvold e Steve Begg
 INCERTEZA: significa que uma pessoa não sabe se uma declaração

é verdadeira ou falsa. É uma declaração subjetiva do nosso estágio
de conhecimento. As incertezas representam o leque de
conhecimento das pessoas envolvidas.
 RISCO: magnitude (boa ou ruim) que quantifica o resultado de uma

acão.
 Normalmente se asocia a consequências negativas devido à incerteza com
probabilidade de ocorrência associada. É “pessoal” do decisor e essa
subjetividade determina que VALOR é indesejável.
 Oportunidade: Consequência desejável da incerteza (“risco bom”)
 INCERTEZA E RISCO (SPE Forum- Getting to robust production
forecast)
 Consenso de associar incerteza aos dados de

entrada, considerando sua probabilidade de
ocorrência e risco aos dados de saída, considerando,
além da probabilidade de ocorrência, o impacto
causado nos resultados;
INCERTEZA E RISCO
 A representação das probabilidades de ocorrência é feita
através de uma curva de densidade de probabilidade
acumulada, também denominada curva de risco.
 Geralmente associa-se P10 a estimativa otimista, P50 a

provável e P90 a estimativa pessimista.
 Estimativa Pn significa que existe n% de probabilidade de que o

valor real seja igual ou maior que o valor estimado.
 A avaliação do risco é também afetada pelo modelo de

estratégia de produção e pelo gerenciamento do processo
de decisão, especialmente para análise de reservatórios
complexos.
INCERTEZA E RISCO
Tipos de Incertezas
 Geológicas
 Modelo estrutural, modelo sedimentar, propriedades de rochas e
fluidos
 Econômicas
 Preço, custos, investimentos, etc
 Tecnológicas (novas tecnologias)
 Impacto principalmente em custos e aumento de produtividade
 Operacionais
 Impacto em produção (cronograma de perfuração de poços, falha
de equipamentos, erro de alocação de produção dos poços,etc)
 Políticas
 Regulatórias: Impostos, participação governamental
 Mudanças de diretrizes corporativas
Terminologia
Mais adequado:
Quantificação de incertezas e Análise de risco
 Primeiro quantifica (input)----Incertezas

 Depois analisa (output)----Risco
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
Seguir em frente assumindo os riscos

ou ...
Atrasar o projeto e coletar (comprar) mais informação para

REDUCAO DE INCERTEZA ou ...
Selecionar projetos que promovam ROBUTEZ (estratégia)

ou ...
Dotar o projeto de FLEXIBILIDADE
ROBUSTEZ FLEXIBILIDADE
REDUÇÃO DE INCERTEZA
Mitigação de Risco
ROBUSTEZ (via projeto alternativo)
Projeto Original Projeto Alternativo
Otimizado Esquema mais robusto:

para o caso de boa comunicação pela Eficiente, independente da
falha transmissibilidade da falha
Mitigação de Risco (3/6)
FLEXIBILIDADE
Incerteza:
Grau de atuação do aqüífero.
Ação Mitigadora de Risco:

Plataforma dotada de sistema de injeção de água.
Possibilidade de conversão de produtores em
injetores.
REDUÇÃO DE INCERTEZA
Mitigação de Risco (6/6)
REDUÇÃO DE INCERTEZAS
Incerteza:
Ocorrência de óleo e qualidade permo-porosa no
contexto do canyon.
Ação Mitigadora de Risco:
Perfuração de Poços ADR.
ADR - 03
REDUÇÃO DAS INCERTEZAS
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
0 - 0.1 0.1 - 1 1-5 5 - 10 10 - 15 15 - 20 20 - 25

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
Probabilidade
0,6 1,5 0,6
0,6 0,5 0,5
0,4 1 0,4
0,4
0,3 0,3
0,2 0,2 0,5 0,2
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
Atributo Atributo Permz Atributo
NORMAL LOGNORMAL
4,5 1 1,8 1,0
4 0,9 0,9
1,6
3,5 0,8 0,8
1,4
0,7
3 0,7
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
Quando utilizar uma ou outra?

•Função do grau de conhecimento
Processo de quantificação de incertezas
Alguns aspectos importantes:
 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
 Não há uma distribuição de probabilidade pré-definida que pode ser

recomendada para uma incerteza em particular. Depende do estágio
do conhecimento.
 Nenhum grau de conhecimento da incerteza-distribuição uniforme (B&B)
 A função triangular deve ser usada apenas quando não se tem nenhuma
alternativa a adotar (Newendorp, 1975).
 Na prática, em quase todos os casos se tem algum conhecimento da
incerteza
 O que diferentes distribuições podem mudar minha decisão?

 Fazer análise de sensibilidade do resultado com a escolha da distribuição
Geração de curvas probabilísticas
 De que forma recebemos a informação?
Modelo de reservatório:
 Modelo determinístico e inclusão das incertezas através de
fatores o scripts?
 Como fazer?
 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?
 E quando o histórico (dados observados) também tem

incerteza?
Como incorporar essa incerteza?
 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
Oil Cumulative Production
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.
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.
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:
Pr(A) e Pr(B) são as probabilidades a priori de A e B

Pr(B|A) e Pr(A|B) são as probabilidades a posteriori de B
condicional a A e de A condicional a B respectivamente.
A regra de Bayes mostra como alterar as probabilidades a
priori tendo em conta novas evidências de forma a obter
probabilidades a posteriori.
Novo desafio
Previsão probabilística
Passos da modelagem dinâmica sob incerteza
1. Sensibilidade e
Análise de
Incerteza inicial Abordagem 1:
Otimização
determinística
2. Ajuste de histórico Abordagem 2:

com redução Aproximação
de incerteza probabilística
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
L(pi)  p(ymin | pi)
L(θ) = p(FOMIN | xi)
ppii i pi
Abordagem 3: Otimização determinística seguida

de probabilística
L(θ) = p(FOMIN | xi)
pi
Análisis de Incertidumbres de Reservorios: Metodologías y Aplicaciones

Fluxos para otimizar o planejamento do
desenvolvimento
 Três características são fundamentais na tomada de decisão sob incerteza:
 Em cada passo de modelagem, a incerteza é propagada de
modelos anteriores e novas incertezas são agregadas.
 Na etapa dos modelos dinâmicos, o fato de realizar ajuste
de histórico, se possível, conduz a uma redução da
distribuição de incerteza “a priori” e a uma revisão e
possíveis mudanças nos modelos sísmicos e geológicos
analisados. Necessidade de scripts e conexões entre
programas
 A incerteza remanescente (resultante das distribuições “a
posteriori” e da inclusão de novos parâmetros controláveis
a otimizar) impacta na tomadas de decisão sobre os futuros
desenvolvimentos do projeto sob análise e tem que ser
considerada na análise de risco dos investimentos.
FLUXO DE TRABALHO
O fluxo a ser adotado para um estudo de análise de incerteza
com redução de incertezas pelo ajuste de histórico depende
de particularidades do caso estudado, mas as principais
etapas que devem ser consideradas são:
Análise inicial (calibração) para seleção dos cenários
geológicos juntamente com o geólogo, verificando o
afastamento de rodadas preliminares de simulação com
relação ao histórico. A identificação de inconsistências e
inclusão de informações adicionais nessa fase inicial pode
evitar problemas durante o ajuste.
 Calibração do caso mais provável (base)---detectar
inconsistências
Análise do Input e do Controle
Análise da qualidade dos dados de produção, filtrando
aqueles de duvidosa qualidade
Identificação dos parâmetros incertos e definição do range

de incerteza;
 Atentar para variabilidade x incerteza
Definição de critérios de quantificação da qualidade do

ajuste atingido (Função Objetivo) global
 Óleo, água, gás, pressão
Análise de casos
Ex1
Análise de casos
Ex 2
Range de incerteza inicial adotado: n1 < KX < 1200
Range adequado: n1’ < KX < 1200

KX1 KX2 KX3 KX4 PROD6
KX5 KX6 KX7 KX8

ARBORE DE DECISÃO
Árvore de decisão
Extremamente útil na compreensão da estrutura do

problema, já que propicia uma representação
esquemática e por etapas e ramos da situação da
decisão e as opções
Árvore de decisão
 Nós de decisão: Pontos as decisões devem ser tomadas.

 Nós de chance: Pontos onde há diferentes resultados. Nesses pontos não se
tem controle. A natureza ou a oportunidade deterrminam o evento. A
probabilidade determina a chance do evento ocorrer.
 Ramos de chance: Linhas que saem do nó de chance e representam os
possíveis resultados de um dado evento.
 Um nó de chance pode ser seguido por uma série de nós de chance ou de

decisão
Árvore de decisão
•Probabilidade ou chance: Possibilidade de um fato ocorrer que varia

entre zero (onde não há chance de um resultado ocorrer) e um (resultado
certo).
•Ponto ou nó terminal: Triângulo horizontal que determina o resultado
financeiro determinístico de uma decisão (VPL) e sua probabilidade de
ocorrência.
Árvore
Derivação
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:
 KPHI (otimista-20%; provável-60%; pessimista-20%)

 PVT (otimista-33%; provável-34%; pessimista-33%)
 Kv (otimista-20%; provável-60%; pessimista-20%)
 Admita a nomenclatura de 1 para o nível otimista, 0 para o provável e 2 para o nível
pessimista;
 KPHI1-20%; KPHI0-60%; KPHI2-20%)
 PVT (PVT1-33%; PVT1-34%; PVT2-33%)
 Kv (Kv1-20%; Kv0-60%; Kv2-20%)
 Monte a árvore de derivação e obtenha as probabilidades associadas a

cada combinação (siga a ordem dos atributos, conforme sequência)
Árvore de decisão
Ex: Concepção de plano de
desenvolvimento de um campo-
Múltiplas decisões
Decisão 1: 2 alternativas
Total: 8 combinações
Ex: Se a decisão 1 for número de poços, a decisão 2

está relacionada ao tipo de plataforma/FPSO e 3, com a
capacidade de separação.
Indicadores – sob incertezas
Valor monetário esperado (VME)
n
VME   piVPLi
i 1
Risco
– Amplitude: VPLP10-VPLP90
n 2
   VPLi  VME  Pi
2
– Variância: i 1
– Desvio padrão:
DP      2
– Coeficiente de variação:
– Amplitude+valor: (VPLP10-VPLP90 )/VPLP50

Seleção das curvas probabilísticas
 Como selecionar os modelos que representarão o P10, P50 e P90?
 Direto da curva de risco? Para uma função objetivo específica?
 Metodologia propõe a seleção desses modelos através do conceito de

MR (MODELOS REPRESENTATIVOS)
 A depender do estágio do projeto, a inclusão da função VPL é

representativa para subsidiar também esse processo.
 Onde utilizar este conceito? MR

 Para seleção dos modelos que representarão P10, P50 e P90
 Para avaliação do impacto da otimização da estratégia
 Função do grau de flexibilidade
 Para integração com outros tipos de incertezas
MODELOS REPRESENTATIVOS
Modelos Representativos (MR)
 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 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
P90 P50 P10

55
Fator de Recuperação (%)
50
45
40
35
30
25
0 200 400 600 800 1000 1200
VPL (milhões US$)
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%
probabilidade acumulada (%)

80%
60%
40%
20%
0%
0
400
500
600
200
300
100
700
-100
-300
-200
Direto da curva de risco

função objetivo
Modelos representativos
Estratégia
otimizada
100% para o modelo

80%
base
60%
40% Centenas de
modelos
20%
possíveis
0%
200
300
400
500
600
700
100
-200
-300
-100
função objetivo Modelos

Representativos
MR
OTIMIZAÇÃO DO MODELO BASE
Avaliação dos modelos
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
100%
0,0
80%
-0,5
60% -0,9
13 23 33 43 53 63 73 83
Np (m3) Milhões
40%
20%
0%
400
500
600
700
100
200
300
-100
-300
-200
função objetivo
Árvore de Derivação com Simulação
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
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
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
100%
100%
0,0
80%
80%
-0,5
60%
60% -0,9
13 23 33 43 53 63 73 83
Np (m3) Milhões
40%
40%
20%
20%
0%
0%
400
400
500
500
600
600
700
700
100
200
200
300
300
-100
-100
100
-300
-300
-200
-200
0
0
função
funçãoobjetivo
objetivo
Bilhões
1,8
1,4
0,9
VPL (U$)
0,5
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$)
função
funçãoobjetivo
objetivo 0,5
0,0
-0,5
-0,9
15% 25% 35% 45% 55% 65%
FRo (%)
Bilhões
65% 1,8
55%
1,4
0,9
VPL (U$)
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)
Integração com outros tipos de incertezas

 Econômicas, tecnológicas,etc
ANÁLISIS PROBABILISTICOS DE
DELTA NP
Projeto complementar
Como a analisar sob incertezas o ganho de um

projeto complementar?
 Analisar a produção dos novos poços?
Utilizar os modelos representativos (percentis

P10,P50 e P90) da análise com e sem o projeto para
definir um desenvolvimento complementar otimista e
pessimista?
> P90Proj-P90Base ?
Como implementar a análise do ganho no Cougar
e no CMOST?
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?
novos poços
t
Análisis de Incertidumbres de Reservorios: Metodologías y Aplicaciones
• 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 ?!?)
• 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)
CAMPO DE MARIMBA - RESERV. SANTONIANO CAMPO DE MARIMBA - RESERV. SANTONIANO

Oil Per Unit Area - Total (m) 1985-04-01 K layer: 7 Oil Per Unit Area - Total (m) 1985-04-01 K layer: 8
File: MarimbaBaseLocalPrev.irf File: MarimbaBaseLocalPre
338,000 339,000 340,000 341,000 342,000 343,000 344,000 345,000 User: BEU9 338,000 339,000 340,000 341,000 342,000 343,000 344,000 345,000 User: BEU9
Date: 31/05/2013 Date: 31/05/2013
Scale: 1:50644 Scale: 1:50644
7,495,000 7,494,000 7,493,000 7,492,000 7,491,000 7,490,000 7,489,000
7,495,000 7,494,000 7,493,000 7,492,000 7,491,000 7,490,000 7,489,000

Y/X: 1.00:1 Y/X: 1.00:1
Axis Units: m Axis Units: m
7,489,000 7,490,000 7,491,000 7,492,000 7,493,000
7,489,000 7,490,000 7,491,000 7,492,000 7,493,000

MA-020 MA-020
26 26
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)
Np
Np
t t
MA-014
MA-017
Np
Np
t t
O ajuste probabilístico dos

poços dessa zona é aceitável?
Np
Precisamos analisar a incerteza no

Incremental devido aos novos poços
t
QUESTÕES:
 No processo de quantificação de incertezas:
É possível integrar diferentes tipos de

incertezas(econômicas, operacionais,
tecnológicas,etc? É importante? Quais as dificuldades
/ desafios?
 Curva de risco (Análise de risco) deve ser o fim do

processo?
Previsão
 Como realizar uma boa previsão probabilística?
 Função dos objetivos do projeto?
 Qual o caminho? Identificação de fatores e quais métricas
aplicar, pode ser a chave.
 Previsão de produção probabilística robusta, quais as

dificuldades?
 Falta de comunicação entre as equipes, falta de identificação
clara dos objetivos do projeto, falta de integração entre as
ferramentas?
 Como melhorar?
 Reanálisar os estudos, incorporações de lições aprendidas e
boas práticas e maior discussão multidisciplinar?
Otimização
• O plano de drenagem deve ser fixo para todos os
cenários?
• Avaliar o grau de flexibilidade do projeto: A otimização

realizada para o caso base está otimizada para os demais
cenários?
FIN

Conceptos Teoricos CURSO 2014

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Conceptos Teoricos CURSO 2014

Enviado por

Direitos autorais:

Formatos disponíveis

Quantificação de incertezas e Análise de

ANALISIS de INCERTIDUMBRES y RIESGO de

Gustavo Gabriel Becerra

Aumento do grau de maturidade dos campos,

 Cenários que representam estes desafios:

 Edward Merrow comentou em entrevista a Newspaper Upstream sobre o

 Campell et al. (2011) comenta que as previsões são sistematicamente

 Produção de curto prazo vs longo:

 Um dos aspectos que influenciam essas falhas são as

 Usar mais análise “post-mortem” para incorporar lições

Recomendação SPE Fórum

 A grande maioria dos projetos analisados realizou curvas de

 INCERTEZA: significa que uma pessoa não sabe se uma declaração

 RISCO: magnitude (boa ou ruim) que quantifica o resultado de uma

 Consenso de associar incerteza aos dados de

 Geralmente associa-se P10 a estimativa otimista, P50 a

 Estimativa Pn significa que existe n% de probabilidade de que o

 A avaliação do risco é também afetada pelo modelo de

 Primeiro quantifica (input)----Incertezas

Seguir em frente assumindo os riscos

Atrasar o projeto e coletar (comprar) mais informação para

Selecionar projetos que promovam ROBUTEZ (estratégia)

Dotar o projeto de FLEXIBILIDADE

Otimizado Esquema mais robusto:

Ação Mitigadora de Risco:

REDUÇÃO DAS INCERTEZAS

0 - 0.1 0.1 - 1 1-5 5 - 10 10 - 15 15 - 20 20 - 25

0,2 0,2 0,5 0,2

Atributo Atributo Permz Atributo

Quando utilizar uma ou outra?

 Não há uma distribuição de probabilidade pré-definida que pode ser

 O que diferentes distribuições podem mudar minha decisão?

 E quando o histórico (dados observados) também tem

Oil Cumulative Production

Pr(A) e Pr(B) são as probabilidades a priori de A e B

2. Ajuste de histórico Abordagem 2:

L(pi)  p(ymin | pi)

L(θ) = p(FOMIN | xi)

Abordagem 3: Otimização determinística seguida

L(θ) = p(FOMIN | xi)

Análisis de Incertidumbres de Reservorios: Metodologías y Aplicaciones

Identificação dos parâmetros incertos e definição do range

Definição de critérios de quantificação da qualidade do

Range adequado: n1’ < KX < 1200

KX5 KX6 KX7 KX8

Extremamente útil na compreensão da estrutura do

 Nós de decisão: Pontos as decisões devem ser tomadas.

 Um nó de chance pode ser seguido por uma série de nós de chance ou de

•Probabilidade ou chance: Possibilidade de um fato ocorrer que varia

 KPHI (otimista-20%; provável-60%; pessimista-20%)

 Monte a árvore de derivação e obtenha as probabilidades associadas a

Ex: Se a decisão 1 for número de poços, a decisão 2

– Amplitude+valor: (VPLP10-VPLP90 )/VPLP50

 Metodologia propõe a seleção desses modelos através do conceito de

 A depender do estágio do projeto, a inclusão da função VPL é

 Onde utilizar este conceito? MR

P90 P50 P10

probabilidade acumulada (%)

Direto da curva de risco

100% para o modelo

função objetivo Modelos

Integração com outros tipos de incertezas

Como a analisar sob incertezas o ganho de um