Simulación Monte Carlo PDF

b 1
QO  Qi (1  bDi t ) b
|
Año 2014
Dependency Di and b
D D
Año 2027
i
Simulación Monte Carlo
Análisis de Riesgos y Toma de Decisiones en Campos de Petróleo y Gas Natural Abril 2017
Índice
• Simulación Monte Carlo vs. Arboles de Decisión
• Definición de Variables de Entrada y Salida
• Secuencia en la Simulación Monte Carlo
• Error Estándar de la Media (SEM)
• Dependencia entre Variables Random
Simulación Montecarlo
“La Simulación Monte Carlo es el

proceso de crear múltiples
realizaciones de un modelo a través
del muestreo simultáneo de valores
de las distribuciones de entrada.
Los resultados típicamente
incluyen: una distribución para cada
variable de salida, un gráfico de
sensibilidad con el ranking de las
variables de entrada que afectan
más a cada variable de salida, así
como muchos gráficos y resúmenes
estadísticos que caracterizan las
variables de salida”.
Reglas de Oro de la Simulación Montecarlo
1. Apropiada selección de las distribuciones que caracterizan las variables de entrada y los
parámetros del modelo.
2. Adecuado truncamiento de las variables de entrada.
3. Verificar la dependencia probabilística entre las variables y considerar los correspondientes

factores de correlación.
4. Modelar las variables probabilísticamente una sola vez en todas las etapas del desarrollo del
modelo.
“Toda iteración de un modelo de Análisis de Riesgo debe corresponder a un escenario

físicamente posible”. – David Vose
Aplicaciones de la Simulación Montecarlo
• Estimación de Volúmenes de Hidrocarburos in situ y

Recuperables
• Modelado de Reservorios Multicapas y Prospectos Múltiples;
Estimación de volúmenes in situ y recuperables, número de reservorios con hidrocarburos
• Estimación de Inversiones y Costos
Estimación de costos de levantamiento “lifting cost” y operativos
• Pronósticos de Producción
Estimación de Pronósticos Probabilísticos y volúmenes recuperables
• Evaluación de Proyectos / Prospectos
Estimación de ingresos, VAN, TIR, EMV
• Plan Estratégico y Portfolio de Inversiones
Estimación del Capital Agregado, ingresos y VAN
Aplicaciones de Árboles de Decisión
• Se debería perforar un pozo considerando la historia de eventos de pozos

similares en el pasado? O se debería modificar el plan de perforación
para reducir la chance de una arremetida?
• Se debería perforar un segundo pozo de delimitación para declarar
comercialidad de un yacimiento, o se debería sancionar realizar una
prueba extendida para definir los límites del yacimiento y sancionar el
FID?
• Cuanto estaríamos dispuestos a pagar por información Sísmica 3D si
deseamos clarificar el cierre de la estructura?
• Se debería intentar pescar (y por cuanto tiempo) o realizar un sidetrack
luego de dejar un drillpipe en la boca de un pozo exploratorio, en un área
remota offshore?
Un Árbol de Decisión convertido a la Simulación Monte Carlo
Murtha J. Risk Analysis for the Oil Industry- HART´s E&P
Variables de Entrada y Salida
Variables de Entrada Modelo Variable de Salida

(Información) (Información) (Variable de decisión)
,083
(A+B+C)
,062
E
E= ,041
D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
1,000
,750
E
,500
,250
,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
ETAPA 1: ETAPA 2: ETAPA 3:

CUANTIFICACION DE LA INCERTIDUMBRE PROPAGACION DE LA CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LAS VARIABLES DE ENTRADA O INCERTIDUMBRE ASOCIADA A ASOCIADA A LA VARIABLE DE SALIDA O
CARACTERIZACION PROBABILISTICA DE LAS CADA VARIABLE EN EL MODELO RESULTADO, O CARACTERIZACION
VARIABLES DE ENTRADA MATEMATICO. PROBABILISTIA DEL RESULTADO
Variables de Entrada y Salida
Variables de Entrada Modelo Variable de Salida

(Información) (Información) (Variable de decisión)
,083
(A+B+C)
,062
E
E= ,041
D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
SOLUCIÓN NUMÉRICA SOLUCIÓN ANALÍTICA
Método de Simulación de Método de los Momentos

Montecarlo (Serie de Taylor) Abril 2017
Análisis de Riesgos y Toma de Decisiones en Campos de Petróleo y Gas Natural
Secuencia en la Simulación Monte Carlo
Secuencia en la Simulación Monte Carlo
Modelo Matemático
Caracterización Probabilística de las
Variables de Entrada
TT  t ACT1  t ACT 2  t ACT 3
Actividad No 1
Variable de Salida:
Actividad Total
Actividad No 2
Actividad No 3
Ejercicio: Simulación Monte Carlo
Determinar:
•Los estimados P90, P50 y P10 de hidrocarburos recuperables
•Valor esperado de hidrocarburos recuperables
Ejercicio: Simulación Monte Carlo
Se propone realizar un Mantenimiento Nivel “B” y el equipo de ingenieros necesita estimar el tiempo total
de la actividad, con la finalidad de optimizar la programación de recursos.
Suponga que para realizar este nivel de mantenimiento se realizan tres actividades básicas
(Act.1,Act.2,Act.3). En las siguientes tablas se presentan los tiempos para cada una de las actividades, a
partir de dos fuentes de información, datos históricos de pozos de estructura similar y opinión de expertos. Con esta
información conteste las siguientes preguntas:
1.- Cuál es la probabilidad que el mantenimiento se complete antes de 30 días.
2.- Si tuviese que suministrar sus estimados sobre el “Tiempo para realizar un Mantenimiento Nivel “B" , cual
sería su respuesta . Justifíquela
Act.1
12,805
11,603
12,634
10,243
6,572
15,218
Act.2 Act.3
14,397
17,782 Mínimo 4 Mínimo 2
25,959 Mas Probable 10 Mas Probable 8
19,044 Máximo 17 Máximo 32
19,926
19,311
19,578
18,365
9,778
15,345
11,222
18,483
14,091
11,778
El Error Estándar de la Media = SEM
Ejercicio: Estimación del SEM
Se dispone de la información del espesor neto promedio de 24 pozos. Se desea estimar lo

siguiente:
1.El valor promedio del espesor neto
2.Las cifras P90, P50 y P10 del espesor neto promedio para un cálculo probabilístico del OOIP
Pozo H (pies) Pozo H (pies) Pozo H (pies)
1 42 9 112 17 102
2 71 10 120 18 165
3 68 11 11 19 72
4 129 12 106 20 68
5 54 13 63 21 101
6 48 14 61 22 32
7 111 15 145 23 54
8 54 16 134 24 33
Dependencia entre Variables Random
Factor de Correlación: La intensidad de la dependencia probabilística se mide con un
indicador estadístico conocido como “Factor de Correlación, cuyos valores varían entre -1 y 1.
La correlación entre variables que son débiles no afecta el resultado del modelo de
simulación, más aún moderadas y altas correlaciones pueden producir un error significante si
este no es considerado explícitamente en el modelo de simulación.
HEES
Preferred
Parameter P90 Most Likely P10 Model
Distribution
Volumen (Acre-ft)* 429824 962941 662979 log-normal
ntg: 0.23 0.32 0.4 0.32 normal
Porosidad 0.2 0.215 0.23 0.22 normal
sw 0.18 0.23 0.27 0.23 normal
1/Bg 207 217 228 217.50 normal
1-shrinkage 0.9 0.94 0.96 0.93 normal
RF 0.78 0.8 0.82 0.80 log-normal
Condensate Yield 25 28 32 28.50 normal
NGL Yield 28 36 43 35.50 normal
EUR (BCF) 237.2
Condensate (MMSTB) 6.8
NGL (MMSTB) 8.4
EUR SPE (BCF) 237.2

Condensate SPE (MMSTB) 6.8
NGL SPE (MMSTB) 8.4
*Inputs P95 & P5 for Volume (Acre-ft)
La dependencia entre las variables se define utilizando el Teorema de Bayes ó estimando

el coeficiente de correlación entre pares de variable de entrada.
Dependencia entre Variables Random: Casos
• Nivel de actividades y costos operativos
• Precios del propano y etano
• Costos operativos y precio del petróleo
• Cronograma de actividades e inversiones
• Número de pozos y tamaño del campo
• Tamaño del campo y el VAN
• Área y espesor neto
• Porosidad y saturación de agua
• Tasa de producción inicial y tasa de declinación inicial
ф vs. Sw
80%
70%
60%
R² = 0.2139
50%
R ø Sw
ᶲ (%)
40%
ø 1
30%
Sw -0.46254127 1
20%
10%
0%
0% 2% 4% 6% 8% 10% 12% 14% 16% 18%
Sw (%)
Correlación Ordinaria vs. mediante Ranking
1. Pearson = correlación ordinaria.- resulta de determinar el coeficiente de correlación

entre las muestras de datos de 2 variables random; disponible en la librería de Excel.
2. Spearman = correlación mediante ranking.- resulta de determinar, en primer lugar, la

jerarquía (posición de orden) de cada dato en relación a las muestras de datos de cada
variable; luego se determina el coeficiente de correlación ordinario entre los ranking de
datos.
Usualmente las 2 funciones proporcionan resultados similares
Permeabilidad
Porosidad md Rank_Poro Rank_Perm
0.24 33 5 2
0.255 58 6 3 Correlación Ordinaria
0.272 790 8 8 Porosidad Permeabilidad
0.12 2 1 1 Porosidad 1
0.38 2091 11 11 Permeabilidad 0.840 1
0.29 842 9 9
Correlación mediante Ranking
0.21 300 3 7
Rank_Poro Rank_Perm
0.322 1000 10 10 Rank_Poro 1
0.26 230 7 6 Rank_Perm 0.800 1
0.23 110 4 4
0.2 133 2 5
Ejercicio: Correlación entre variables random
Se realiza la estimación del EUR de 143 yacimientos de gas, entre el equipo técnico de una
compañía y una empresa certificadora de reservas con los siguientes resultados:
EUR (BCF) EUR (BCF) EUR (BCF) EUR (BCF) EUR (BCF)
N° de Yacimiento Compañía Certificadora N° de Yacimiento Compañía Certificadora N° de Yacimiento Compañía Certificadora N° de Yacimiento Compañía Certificadora N° de Yacimiento Compañía Certificadora
1 568 705 31 481 471 61 521 512 91 429 489 121 330 319
2 443 465 32 521 431 62 774 610 92 403 477 122 772 695
3 343 223 33 249 283 63 450 403 93 470 338 123 1,220 1,539
4 264 429 34 409 588 64 625 944 94 472 456 124 240 215
5 792 600 35 1,822 2,048 65 375 351 95 850 953 125 271 223
6 685 348 36 1,096 1,475 66 139 110 96 254 145 126 619 836
7 554 498 37 768 797 67 742 639 97 476 516 127 42 49
8 783 547 38 636 511 68 853 497 98 260 231 128 8 8
9 87 299 39 822 762 69 911 567 99 242 203 129 500 627
10 582 910 40 346 21 70 530 639 100 441 419 130 125 136
11 170 122 41 780 768 71 261 281 101 419 392 131 81 89
12 474 437 42 703 591 72 346 319 102 927 962 132 573 543
13 306 273 43 540 608 73 175 180 103 579 497 133 1,531 1,524
14 319 451 44 760 1,051 74 493 479 104 335 327 134 503 446
15 1,265 1,066 45 503 561 75 1,268 1,430 105 780 605 135 415 418
16 41 47 46 820 838 76 767 774 106 64 91 136 657 755
17 478 561 47 846 859 77 277 252 107 826 1,570 137 852 750
18 704 1,053 48 573 396 78 427 491 108 764 805 138 280 292
19 144 151 49 668 981 79 443 442 109 1,017 823 139 385 448
20 615 572 50 863 825 80 608 875 110 737 677 140 129 135
21 448 412 51 610 538 81 416 592 111 376 576 141 82 83
22 283 313 52 712 751 82 501 23 112 239 154 142 131 89
23 225 232 53 566 666 83 473 339 113 399 115 143 177 182
24 1,040 1,000 54 599 591 84 620 629 114 108 107
25 1,051 1,014 55 961 963 85 143 168 115 681 596
26 381 394 56 469 485 86 470 396 116 387 388
27 422 214 57 390 416 87 196 138 117 4 4
28 23 29 58 457 368 88 401 630 118 148 241
29 481 656 59 585 439 89 298 125 119 392 555
30 1,343 1,186 60 70 85 90 807 880 120 329 371
Determinar:
• Estimados P90, P50 y P10 de cada set de datos
• Valor mas probable de EUR para la compañía y la certificadora
• Es posible establecer una correlación entre las cifras de la compañía y la certificadora?
El Modelo de Simulación Monte Carlo
Análisis de Resultados: Histograma de Frecuencia
• El Histograma de frecuencia muestra las múltiples realizaciones de una variable de salida.

• Los extremos del histograma (máximo y mínimo) dependen del número de iteraciones
Análisis de Resultados: Ajuste a una Distribución
• El Histograma de frecuencia puede ajustarse a una función de densidad (distribución

paramétrica) a partir de un test de bondad.
Análisis de Resultados: Histograma Acumulado
• Los resultados de una distribución pueden mostrarse también con un histograma acumulado
o curva de expectativas.
• Es usual expresar volúmenes in situ ó recuperables de hidrocarburos mediante un gráfico de
frecuencia acumulada inversa.
Análisis de Resultados: Diagrama de Tornado
• El análisis de sensibilidad o diagrama de tornado permite determinar la incidencia relativa

de una variable de entrada en una variable de salida.
Ejercicio: Estimación de la Tasa de Producción de un Pozo
Se dispone de información de los parámetros para el cálculo de la tasa inicial de producción. Se
desea estimar lo siguiente:
1. Las cifras P90, P50, P10 y valor esperado de la tasa inicial de producción (Qoi)
2. Un gráfico de sensibilidad mostrando las variables de mayor impacto en el Qoi
Datos de Propiedades ‐ Opinión de Expertos
Variable Mínimo Más Probable Máximo
K 298 570 760
Viscosidad (μ) 90 110 130
Bo (Bbl/STB) 1.06 1.06 1.07 Registro Build Up Pe (psi) Pwf (psi) Pe‐Pwf
Re 5906 (psi)
Rw 5 Pozo X1 2720 2529 191
Pozo X2 3360 2766 594
Daño (S) ‐6 0 1
Pozo X3 3136 2551 585
Hn Pozo X4 3488 2837 651
(pies) Pozo X5 2848 2044 804
1274 1166 371 Pozo X6 3494 2801 693
1307 475 257 Pozo X7 3158 2507 651
1234 293 250 Pozo X8 2998 2418 580
821 218 249 Pozo X9 2976 2391 585
778 283 477 Pozo X10 3120 2484 636
896 198 263 Pozo X11 3280 2590 690
1210 518 313 Pozo X12 2848 2245 603
1021 647 337 Pozo X13 2960 2594 366
772 536 408 Pozo X14 2982 2855 127
1517 385 415 Pozo X15 3056 2462 594
605 401 412 Pozo X16 2960 2543 417
675 324 258 Pozo X17 2864 2645 219
940 135 335 Pozo X18 2768 1937 831
1280 481 277 Pozo X19 2672 1714 958
1075 470 396 Pozo X20 2576 2267 309
Análisis de Riesgos y Toma de Decisiones
1382 en Campos412
de Petróleo y Gas Natural Abril 2017

Simulación Monte Carlo PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Simulación Monte Carlo PDF

Uploaded by

Copyright:

Available Formats

b 1

Simulación Monte Carlo

• Simulación Monte Carlo vs. Arboles de Decisión

• Definición de Variables de Entrada y Salida

• Secuencia en la Simulación Monte Carlo

• Error Estándar de la Media (SEM)

• Dependencia entre Variables Random

“La Simulación Monte Carlo es el

2. Adecuado truncamiento de las variables de entrada.

3. Verificar la dependencia probabilística entre las variables y considerar los correspondientes

“Toda iteración de un modelo de Análisis de Riesgo debe corresponder a un escenario

• Estimación de Volúmenes de Hidrocarburos in situ y

• Se debería perforar un pozo considerando la historia de eventos de pozos

Murtha J. Risk Analysis for the Oil Industry- HART´s E&P

Variables de Entrada Modelo Variable de Salida

ETAPA 1: ETAPA 2: ETAPA 3:

Variables de Entrada Modelo Variable de Salida

SOLUCIÓN NUMÉRICA SOLUCIÓN ANALÍTICA

Método de Simulación de Método de los Momentos

•Los estimados P90, P50 y P10 de hidrocarburos recuperables

•Valor esperado de hidrocarburos recuperables

Se dispone de la información del espesor neto promedio de 24 pozos. Se desea estimar lo

1.El valor promedio del espesor neto

Pozo H (pies) Pozo H (pies) Pozo H (pies)

EUR SPE (BCF) 237.2

*Inputs P95 & P5 for Volume (Acre-ft)

La dependencia entre las variables se define utilizando el Teorema de Bayes ó estimando

1. Pearson = correlación ordinaria.- resulta de determinar el coeficiente de correlación

2. Spearman = correlación mediante ranking.- resulta de determinar, en primer lugar, la

Usualmente las 2 funciones proporcionan resultados similares

• El Histograma de frecuencia muestra las múltiples realizaciones de una variable de salida.

• El Histograma de frecuencia puede ajustarse a una función de densidad (distribución

• El análisis de sensibilidad o diagrama de tornado permite determinar la incidencia relativa

You might also like