Publicado 2022-01-25
Palabras clave
- Yacimientos de roca generadora,
- Shale,
- Petrofísica digital,
- Física digital de rocas
Cómo citar
Derechos de autor 2022 Boletín de Geología
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Altmetrics
Resumen
Los yacimientos no convencionales (roca generadora) representan una nueva etapa en la exploración y explotación de petróleo y gas a nivel mundial, y su caracterización petrofísica sigue siendo un desafío, debido a las bajas permeabilidades, los altos niveles de heterogeneidad y la dificultad de adaptación de las técnicas convencionales. La petrofísica digital surge como una alternativa que aprovecha los últimos avances en la microscopía electrónica, la tomografía computarizada y el procesamiento computacional para, a través de métodos numéricos y algoritmos de conteo de vóxel, estimar las propiedades petrofísicas en lo que se denomina un modelo de roca digital. En este trabajo se realiza una revisión de las técnicas de caracterización digital y su aplicación en muestras de yacimientos no convencionales pertenecientes a la Formación Vaca Muerta (Argentina) y Formación La Luna (Colombia). Con esta tecnología es posible visualizar el espacio poroso a escala micro- y nanométrica, con el fin de obtener información cualitativa (tipos de poro y microfracturas) y cuantitativa (porosidad, permeabilidad absoluta, distribución de tamaño de poro, cantidad de materia orgánica y propiedades petrofísicas avanzadas). Los resultados obtenidos indican que las muestras FIB-SEM se encuentran por debajo del volumen elemental representativo y que las muestras digitales con mayores dimensiones, aunque más representativas, requieren de una mayor capacidad computacional. El escalamiento de las propiedades petrofísicas, la falta de conectividad del medio poroso y la baja representatividad son las principales limitantes presentes en la tecnología. Sin embargo, su potencial aumenta conforme la inteligencia artificial, la simulación y el machine learning toman fuerza en la industria del petróleo.
Descargas
Referencias
- Al-Amri, S.S.; Kalyankar, N.V.; Khamitkar, S.D. (2010). Image segmentation by using threshold techniques. Journal of Computing, 2(5).
- Andrew, M. (2019). Vaca Muerta FIB-SEM. www.digitalrocksportal.org
- Cantisano, M.T.; Restrepo, D.P.; Cespedes, S.; Toelke, J.; Grader, A.; Suhrer, M.; Walls, J. (2013). Relative permeability in a shale formation in Colombia using digital rock physics. Unconventional Resources Technology Conference. Denver, Colorado. https://doi.org/10.1190/urtec2013-092
- Chorin, A.J. (1967). A numerical method for solving incompressible viscous flow problems. Journal of Computational Physics, 2(1), 12-26. https://doi.org/10.1016/0021-9991(67)90037-X
- Dvorkin, J.; Derzhi, N.; Fang, Q.; Nur, A., Nur, B.; Grader, A.; Baldwin, C.; Tono, H.; Diaz, E. (2009). From micro to reservoir scale: Permeability from digital experiments. The Leading Edge, 28(12), 1446-1452. https://doi.org/10.1190/1.3272699
- Giannuzzi, L.A. (2004). Introduction to focused ion beams: instrumentation, theory, techniques and practice. Springer Science & Business Media.
- Jiao, L.; Andersen, P.Ø.; Zhou, J.; Cai, J. (2020). Applications of mercury intrusion capillary pressure for pore structures: A review. Capillarity, 3(4), 62-74. https://doi.org/10.46690/capi.2020.04.02
- Klaver, J.; Desbois, G.; Urai, J.; Littke, R. (2012). BIB-SEM study of the pore space morphology in early mature Posidonia Shale from the Hils area, Germany. International Journal of Coal Geology, 103, 12-25. https://doi.org/10.1016/j.coal.2012.06.012
- Lemaitre, J.; Troadec, J.P.; Bideau, D.; Gervois, A.; Bougault, E. (1988). The formation factor of the pore space of binary mixtures of spheres. Journal of Physics D: Applied Physics, 21(11), 1589-1592. https://doi.org/10.1088/0022-3727/21/11/007
- Levner, I.; Zhang, H. (2007). Classification-driven watershed segmentation. IEEE Transactions on Image Processing, 16(5), 1437-1445. https://doi.org/10.1109/TIP.2007.894239
- Li, C.; Wang, D.; Kong, L. (2021). Application of machine learning techniques in mineral classification for scanning electron microscopy-energy dispersive X-Ray spectroscopy (SEM-EDS) Images. Journal of Petroleum Science and Engineering, 200. https://doi.org/10.1016/j.petrol.2020.108178
- Lin, C.L.; Miller, J.D.; Hsieh, C.H.; Tiwari, P.; Deo, M.D. (2010). Pore scale analysis of oil shale pyrolysis by X-ray CT and LB simulation. 6th World Congress on Industrial Process Tomography. Beijing, China.
- McLean, R.; Miller, C.; Guzman, B.; Walls, J. (2017). Quantifying organic porosity and predicting estimated ultimate recovery (EUR) in the Eagle Ford Formation. Unconventional Resources Technology Conference. Austin, Texas.
- Nozad, I.; Carbonell, R.G.; Whitaker, S. (1985). Heat conduction in multiphase systems˗I: theory and experiment for two-phase systems. Chemical Engineering Science, 40(5), 843-855. https://doi.org/10.1016/0009-2509(85)85037-5
- Saif, T.; Lin, Q.; Bijeljic, B.; Blunt, M. (2017). Microstructural imaging and characterization of oil shale before and after pyrolysis. Fuel, 197, 562-574. https://doi.org/10.1016/j.fuel.2017.02.030
- van Milligen, B.P.; Bons, P.D.; Carreras, B.A.; Sanchez, R. (2005). On the applicability of Fick’s law to diffusion in inhomogeneous systems. European Journal of Physics, 26(5), 913-925. https://doi.org/10.1088/0143-0807/26/5/023
- Wellington, S.L.; Vinegar, H.J. (1987). X-ray computerized tomography. Journal of Petroleum Technology, 39(08), 885-898. https://doi.org/10.2118/16983-PA
- Zhang, L.; Jing, W.; Yang, Y.; Yang, H.; Guo, Y.; Sun, H.; Zhao, J.; Yao, J. (2019). The investigation of permeability calculation using digital core simulation technology. Energies, 12(17). https://doi.org/10.3390/en12173273
- Zoback, M.D.; Kohli, A.H. (2019). Unconventional Reservoir Geomechanics. Cambridge University Press.