applications - sasCommunity.org

Transcrição

Using SAS in Petrobras to Rock-Reservoir
Characterization with Emphasis on Rock-Log
Correlation.
Geologist Nelson Pereira Franco Filho
PETROBRAS S.A. (UN-BC/ST/CER)
[email protected] (55-22-2761.3123)
INTRODUCTION
INTRODUCTION
Geological Model
Campos Basin
APPLICATIONS
Challenge to the Business
The uncertainty or certainty of
the potential volume to storage
hydrocarbons in reservoirs.
To estimate
parameters
Up-scaling
To organize
databases
Cross-scaling
Physical
Rock
Properties.
Statistics
Techniques
To transform
data
To classify
sampling data
Multiplicity of measures turns data
redundants in different scales.
To classify
discrets data
Petrobras SAS Geological Applications
To estimate
parameters
Up-scaling
PROCs REG, NLIN,
CORR
Thin Pay
VOIP
Depth x Time conversion
Cross-scaling
To classify
sampling data
To organize
databases
PROCs FASTCLUS,
FREQ
DATA STEP, QUERY
To transform
data
PROC STANDARD
To classify
discrets data
PROCs DISCRIM,
FREQ
Geological Modeling
NTG Map
Saving &
Access Facilities
VOIP
Geological Modeling
NTG Map
APPLICATIONS
PROC REG
2,9
2,8
2,7
Cross-scaling
2,6
2,4
2,3
DT/RHOB synthetics curves in
non logging interval to help
synthetic sismogram.
2,2
2,1
r = 0,978
2,0
50
40
r = 0,992
r = 0,907
1,9
1,8
r = 0,924
1,7
r = 0,772
1,6
RHOB
r = 0,608
RHOBSF
r = 0,795
10
Depth (m)
3472
3381
3290
3200
3109
3019
2928
2837
2747
2656
2566
2475
2384
2294
2203
2113
2022
1931
1841
1750
1660
1569
1478
1388
1297
1207
1116
935
1025
844
754
30
20
1,5
663
Density (g/cm
3
)
2,5
0
0
10
20
30
Porosidade Sintetica
40
50
APPLICATIONS
Pc x Sw calibrations
estimates
proc NLIN data=DADOS method=DUD ;
Archie’s m,n
parms eme=2
ene=2 ;
model Rt1 = Eq1 + Eq2 ;
PROC NLIN,
PROC CORR
To estimate
parameters
EQ1 = ((PHI ** EME) * (SW ** ENE)) / (1 * RW * (1 - VSH));
EQ2 = ((VSH * SW * (1 Modified
/ RSH))) ;
Simandoux Water
Saturation Equation
bounds 1 <= m <= 5, 1 <= n <= 6 ;
output out=RT_out p=RTS r=RESRT ;
run ;
proc CORR data=RT_out ;
var RT1 RTS ;
run ; It based in non-linear
regression methods
(PROC NLIN using non-derivative method=DUD).
APPLICATIONS
PROC REG
Cross-scaling
Sandstones 3.0 meters thickness associated with
Sandstone/Shale Interlaminated Lithofacies.
5m
ILD
DT
GR
RHOB
NPHI
SW
CALI
Sand levels: 20/30cm thickness, φ = 27%, K > 600 mD e Vsh < 2%.
APPLICATIONS
PROC REG
Cross-scaling
10 cm
Lithofacies IA/F
APPLICATIONS
Synthetic PARN and Deep Resistivity ILD – PROC REG
Facies Proportion
Defined by Cores or
Image Logs
1
1
1
=
+
Rt Rsand Rshale
PROC REG
Cross-scaling
PROC REG
Quality of Fit
Cross-scaling
APPLICATIONS
APPLICATIONS
To organize
databases
DATA STEP, QUERY
Lab data,
Log data,
Sismic data,
Well tests data
Infile/input,
Merge,
Pointers (/, @, @@)
Round
Macros
If/then/else
Lag
APPLICATIONS
PROC STANDARD
65
Φ _ STD =
σ .(Φ mod elo − x )
s
+μ
To transform
data
Neutron/Density Porosity
(Petroworks Model)
PROC STANDARD data=DATA means= 0.30 std=5,4;
VAR PhiSss;
RUN;
400
Standardized Porosity
300
Core Porosity
250
200
150
100
50
Classes of Porosity (%)
M
or
e
37
35
33
31
29
27
25
23
21
0
19
Frequency
350
17
φe =
(14,5 * φ Nss + 50,5 * φ Dss )
APPLICATIONS
Φe =
[Δt − Vsh.(Δt sh − Δt ma )] − Δt ma .
Δt F − Δt ma
1 Wyllie Equation
CP
Φ _ STD =
σ .(Φ mod elo − x )
s
PROC STANDARD
To transform
data
+μ
0,65
0,60
0,55
Sonic Porosity
Porosity (fração)
0,50
Standardized Sonic Porosity
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
Well 3
Well 2
Well 1
0,05
0,00
1
11
21
31
41
51
61
71
81
91
101
Ranking of Observation
111
121
131
141
151
161
171
Slowness us/ft
APPLICATIONS
250
240
230
220
210
200
190
180
170
160
150
140
130
120
110
100
90
80
70
60
50
40
0,00
DATA STEP,
PROC DISCRIM
Type=1 Intergranular
Type=2 Chaotic Vugular
To classify
sampling data
Type=3 Clastics
Type=3 Microporous and Clastics
Type=4 Vugular within matrix
0,10
0,20
0,30
0,40
0,50
0,60
0,70
Density Porosity (fraction)
Gamma
Ray
Sonic
16 - 24
100 - 113
0 - 35
50 - 150
28-38 and >
Microporous
45
80 - 120
Porous Facies
Intergranular
Vugular
Resistivity
10 - 30
3 - 50
0,1 - 3
0,80
0,90
1,00
Practical Uses of Rock-Log
1)
Help to describe geological model, using non-core
wells.
2)
Automatic recognition of log features by mathematical
models (cluster and discrim models).
3)
Help to define layer boundaries.
4)
Statistical analyses show where is the variance
content in log values and its power of recognition.
5)
Custom program contain an appropriate methodology
to apply of the same way for non-technical user.
6)
Join lab and log analysis at same scale (up-scalling).
7)
Usefull to fill geostatistical reservoir volume.
Case of Rock-Log Correlation
Carbonates of Great Bahama and
Exuma Banks
Log Example
Rock Example
Rock-Log Correlation
LITHOFACIES
Direct core rock types
ELECTROFACIES
X
Indirect reconizing of rocks
by geophysics logs
Recognizing Lithofacies
PRACTICAL DIFICULTIES:
• Several LITHOFACIES can present similar values in same log.
• In same LITHOFACIES the values of same log can change
according other variables:
Saturant fluid
Well geometry
Pression
Bed thickness
Invasion
Temperature
Example – Data Base
Poço
Intv. Testo
m
Intv. Res.
Poço 16
2644,0/2661,5
18,0
2662/2875
2679,5/2686,0
6,5
2688,0/2706,0
18,0
soma
42,0
2914,0/2922,0
8,0
2923,5/2976,0
53,0
2979,0/3002,5
24,0
3005,5/3023,5
18,0
soma
102
2579,0/2582,5
3,5
2593,0/2610,0
17,0
2646,5/2671,0
25,0
2675,5/2712,0
37,0
soma
82,0
Poço 05
Poço 08
2900/3165
2550/2800
Supervised by Lithofacies
Well 05
Representativity (priors prop)
Fácies
Lito
Freqüência
%
A1
A2
A3
A4
A5
A6
A7
A8
A9
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
Total
CGL
ARN
STO
FLH
MRG
CLU
ARN/FLH
SLX
AND
CRU BIO POR
CRE BIO POR
CRU BIO/PEL FECH
CRE BIO FECH
CRE PEL POR
CRE BIO/PEL FECH
CSI POR
CSI FECH
CRE OOL
CRU PEL
60
317
157
119
7
2
7
5
2
307
18
296
97
17
38
3
10
2
1
1465
4,10
21,64
10,72
8,12
0,48
0,14
0,48
0,34
0,14
20,96
1,23
20,20
6,62
1,16
2,59
0,20
0,68
0,14
0,07
100,00
Litologia
CGL
ARN ECBA, ARN EPP, ARN MAC
SLT
FLH
MRG
CLU
MRG/FLH
SLX
AND
BIO, COQ
BIO, COQ, PELBIO
BIO, COQ, CRU, PELBIO
BIO, COQ, CRE, PELBIO
CRE, PEL
CRE, PELBIO, PEL
CSI
CSI
OO
PEL
Sampling 0.2/0.2m = 293m of core descriptions
Methods to Group Lithofacies
LITHOGROUPS (LGs)

Lithogroup 1 = By Log Means Inferences.

Lithogroup 2 = Clusters by FASTCLUS.

Lithogroup 3 = First Discrim (using all lithofacies).

Lithogroup 4 = FASTCLUS + First Discrim + Log
Means.

Lithogroup 5 = Geological Association of Lithofacies +
Petrophysical Properties.

Lithogroup 6 = ALL OF ALTERNATIVES.
9
7
10
R
R
R
5
4
6
R
R
3
R
2
R
R
9
8
7
6
1
R
A
A
A
A
4
3
2
5
A
A
A
A
A
1
Litofácies
9
10
R
R
6
5
4
7
R
R
R
3
R
2
R
1
R
2,4
2,3
2,2
2,1
9
10
R
R
7
R
6
R
5
R
4
R
R
3
2
1
R
R
9
A
8
A
7
A
6
A
A
A
10
R
7
9
R
R
6
R
5
R
4
R
3
2
R
R
1
R
9
A
8
A
6
7
A
A
5
A
4
A
3
A
1
2
A
A
5
2,0
1
-0,1
2,5
A
0,0
A4+A7+R5+R6
A1+A5+A8+R1+R3+R4
A6+R2+R7+R9+R10
A2+A3
2,6
4
0,1
RHOB-desv
2,7
3
0,2
RHOB
2,8
A
0,3
RHOB+desv
2,9
A
A7
A6+A8+R3+R5
A3+A4+R6
R9+R10
R7+R2
A1+A5
A2
R1+R4
2
NPhi+desv
NPhi
NPhi-desv
0,4
Litofácies
Litofácies
0,80
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
0,75
difcal+desv
A1+R1+R2+R7+R9+R10
A3+R3+R4
A4+R6
A2+A5+A6+R5
A7+A8
difcal-desv
0,70
A1+A3+A5+A7
A4+A6
R1+R2+R3+R4+A8+
R7+R9+R10
R5
A2+R6
0,65
ene adim
difcal
0,60
0,55
0,50
0,45
ene+desv
0,40
ene
0,35
ene-desv
9
10
R
R
7
R
6
R
5
R
4
R
3
2
1
9
Litofácies
R
R
R
A
7
8
A
A
5
4
6
A
A
A
2
3
A
A
A
10
R
7
9
R
R
6
R
5
R
4
R
3
2
Litofácies
R
R
1
R
9
A
8
A
6
7
A
A
5
A
4
A
3
A
2
A
1
1
0,30
A
DIFCAL pol
R
8
9
A
7
A
6
A
5
Litofácies
3,0
0,5
Neutrão fração
A
0
4
10
A
20
3
30
A
40
R1+R2+R4+R9+R10
A8+R7+R3
A2+A4+R6
A1+A5+A7
A3
A6
R5
drdn-desv
A
50
RHOB g/cm3
GR API
GR-desv
60
drdn
1
GR
70
drdn+desv
2
GR+desv
80
7
6
5
4
3
2
1
0
-1
-2
-3
-4
-5
-6
A
90
A4
A1+A3+A7
A2
A5
A6
A8
R1+R2
R4+R5
R3+R7
R6
R9+R10
A
100
drdn adim
Facies-Groups by Log Means (LG 1)
Facies-Groups by Clusters (Fastclus) (LG 2)
L
CG
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
total
A1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
AR
A2
39
0
2
33
0
0
26
4
43
2
4
0
23
0
9
0
27
0
11
223
N
O
ST
A3
3
0
6
4
0
0
17
3
35
0
5
0
4
4
1
0
1
0
0
83
H
FL
A4
0
2
3
14
2
0
6
0
13
2
0
4
1
10
0
0
22
0
0
79
M
RG
A5
0
0
0
0
0
0
5
0
1
0
0
0
0
0
0
0
1
0
0
7
U
CL
A6
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
2
AR
A7
0
0
1
0
0
0
0
0
4
0
0
0
0
0
0
0
2
0
0
7
F
N/
LH
X
SL
A8
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
3
5
AN
A9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
D
C
RU
R1
2
3
0
1
1
0
1
0
0
0
104
0
2
1
9
0
0
0
47
171
R
PO
C
RU
R10
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
L
PE
C
R2
0
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
8
RE
R
PO
C
RU
R3
6
0
4
3
1
0
5
15
9
5
115
0
3
0
20
2
1
0
28
217
CH
FE
C
R4
0
0
0
0
1
2
3
5
1
0
38
0
2
0
7
2
0
0
9
70
RE
FE
CH
C
R5
0
0
0
0
0
0
0
0
0
2
0
0
0
0
1
0
0
0
5
8
RE
R
PO
C
R6
0
0
1
1
2
0
9
2
0
2
10
1
3
1
1
2
2
3
7
47
RE
FE
CH
C
R7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
SI
C
R8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
R9
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
2
RE
O
L
O
Total
51
5
17
56
7
2
73
29
106
13
287
5
38
17
49
6
56
3
111
931
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
A2, R3
A4, R1
A3, A4, R3
A2, A3, A4
R6
R4
A2, A3, A4, A5, R6
R3, R4
A2, A3, A4, A7, R3
A2, A4, R3, R5, R6
A2, A3, R1, R3, R4, R6
A4
A2, A3, R3, R6
A3, A4
A2, R1, R3, R4
R3, R4, R6
A2, A4
R6
A2, R1, R3, R4, R5, R6
baixa ocorrência
a) Clusters 1, 3, 4, 14 e 17 – A2, A3, A4 e R3.
b) Clusters 5 and 18 – R6.
c) R1 and R4 are associate in three clusters (11, 15 e 19).
d) A6, R8, R9 e R10 without representativity.
e) Clusters versus Facies : (r = 0,306).
First Discriminant Analyse (all facies) (LG 3)
A2
A3
A4
A5
A2
137
61,43
61
73,49
35
44,3
7
100
A3
6
2,69
6
7,23
A8
R1
A5
A6
A7
A8
R1
1
0,45
1
1,27
1
50
A6
A7
A4
37
16,59
4
4,82
40
50,63
5
71,43
2
40
6
3,51
R5
R6
3
60
131
76,61
1
100
15
6,91
2
2,86
1
12,5
11
23,4
7
3,23
282
30,29
19
2,04
6
2,76
2
0,92
3
6,38
R8
R9
Total
R3
40
17,94
11
13,25
2
2,53
R4
R5
R6
2
0,9
1
1,2
R8
1
1,27
2
28,57
R2
R4
R2
1
50
R10
R3
R10
91
9,77
4
0,43
37
17,05
9
12,86
9
19,15
1
100
2
100
195
20,95
34
19,88
8
100
138
63,59
53
75,71
4
50
12
25,53
7
3,23
1
1,43
2
25
1
2,13
5
2,3
3
4,29
1
12,5
11
23,4
303
32,55
12
1,29
23
2,47
2
2,86
2
0,21
R9
Total
223
%
83
%
79
%
7
%
2
%
7
%
5
%
171
%
1
%
8
%
217
%
70
%
8
%
47
%
1
%
2
%
931
%
PROC STEPDISC RESULTS
LG 1
LG 3
LG 2
LG 4
LG 5
Facies-Groups (discrim confusion matrix)
Results after grouped lithofacies by First Discrim
Facies-Groups
Lithogroups proposed by
FASTCLUS + First Discrim + Log Means
1)
2)
3)
4)
O
ST
H
FL
M
RG
AR
N/
H
FL
A3 + A4 + A5 + A7
A2 + A1
R3 + R4 + R5 + R6 + A6 + A8
R1 + R2 + R7 + R8 + R9 + R10
AR
U
CR
CR
L
CG
N
U
CH
FE
C
RE
R
PO
CR
E
FE
CH
CR
R
PO
E
CS
R
PO
CR
I
R
PO
C
E
FE
C
FE
SI
LG 4
CH
X
SL
U
CL
H
CR
E
O
L
O
C
RU
L
PE
Facies-Groups
LG 5
Geological Association of Lithofacies +
Petrophysical Properties
1)
2)
3)
4)
5)
6)
7)
R1
C
RU
C
RE
R
PO
R
PO
R2 + R5
RU
C
CH
FE
RE
RE
R
PO
FE
CH
R3 + R4 + R6
C
I
R
PO
C
C
FE
SI
CR
E
H
C
RE
FE
O
CH
L
O
R7 + R8 + R9 + R10
CS
L
CG
A1 + A2
C
AR
C
RU
N
RG
O
ST
H
FL
M
U
CL
X
SL
AN
A3 + A4 + A5 + A7
A6 + A8 + A9
D
AR
N/
H
FL
L
PE
Comparing Results
140
120
EFAC5=3
EFAC5=4
EFAC5=6
80
GR API
GR API
100
140
1 – R1 + R7
2 – R2 + R3
3 e 4 – siliciclastics
5 – without A6+A8+A9
6 - CMT
EFAC5=1
EFAC5=2
LG 5
60
120
EFAC3=1
EFAC3=2
100
EFAC3=3
EFAC3=4
EFAC3=5
80
LG 3
60
40
40
20
20
0
3 – R3 + R4
4 – R1 + R2
5 - CMT
0
40
60
80
100
120
140
40
60
80
DT us/ft
120
100
EFAC4=5
EFAC4=6
1 – R1
2 – without R2+R5
3 – R3 + R4
4 – sem R7+R8
7 – without A6+A8+A9
8 - CMT
GR API
EFAC4=8
80
LG 4
60
140
120
EFAC2=1
EFAC2=2
100
EFAC2=3
EFAC2=4
20
20
0
0
80
100
DT us/ft
120
140
3 – R1 + R7
4 – R2 + R3 + R4
5 - CMT
LG 2
60
40
60
140
80
40
40
120
EFAC2=5
GR API
140
EFAC4=1
EFAC4=3
100
DT us/ft
40
60
80
100
DT us/ft
120
140
Result of Well 05
Zoom
Conclusions/Recomendations
9 LG 2 and LG 3 seems the best results.
9 The siliciclastics (facies A’s) must be grouped.
9 GR, RHOB and DIFCAL were identify as the great variance logs (in
this ordem).
9 R3 and R4 seems, in logs, as siliciclastics.
9 The sucess index (whit proporcinality) is about 70%.
9 The facies A6, A8 and A9 can not be identifies.
•
•
PROC FREQ to link clusters with litofacies.
Dynamic link (logs of results).
LABORATÓRIO DE PETROFÍSICA - UFRJ
Statistical Techniques Employed
Individually, the log discriminant power of the lithofacies is often
much limited.
Using statistical techniques, the lithofacies recognizing became
efective, because provide simultaneous analysis of serveral logs.
CLUSTER
ANALYSES
Average Linkage
Centróide
K-means
Variância mínima de Ward
DISCRIMINANT
ANALYSES
Linear
Quadratic
Test of Covariance Matrix
KNN
Canonic
Linear step-by-step
Cluster Analyses
It is used in non-supervision classification, when no cores are
avaliable. In this case, the classification is made in terms of log
properties.
High GR
Facies
High Resistivity
Facies
Low GR
Facies
Even can be using to determine the ideal number of eletrofacies that
can be indetify. It’s necessary to use some statistcal parameters:
Pseudo F
Pseudo T2
CCC
Tree diagram
Discriminant Analyses
It is used in supervised classification, when cores (or other rock type
classification) are avaliable. The logs are using to create a function.
This function (or mathematical model) is apliyed in non-cores wells to
classify the rock-types.
Customize for PETROBRAS - SAS
Methodology Used
If avaliable, which logs can be used for the best model of
recognize facies ?
How many facies the logs can recognize ?
Which facies are these ?
Which relationship among these facies with original
facies ?
How these facies can be defined by logs (and rock
physics) properties ?
THANKS TO THE PLANET EARTH
NATURE (and the GEOLOGY) to Serve Human Beings
ACKNOWLEDGMENTS
LISBON PEOPLE
Asset Campos Basin (Imbetiba Headquarter – Macae RJ)
ANY QUESTIONS ???
THIS IS THE END!
Métodos de Agrupamento
Basicamente eles se diferenciam pela maneira de medir a similaridade
(distância) entre os grupos de amostras.
AVERAGE LINKAGE:
A distância média é
calculada da distância
entre cada amostra em um
cluster e todas as outras
amostras em outro cluster.
Os dois clusters com
menor distância média são
amalgamados em um novo
cluster.
Métodos de Agrupamento - Centróide
A distância entre dois clusters é definida como a distância Euclidiana
entre dois centróides ou médias. Este método é mais robusto à
presença de outliers.
Métodos de Agrupamento
K-MEANS:
Este método deve ser usado quando já se conhece o número K de
clusters que se deseja criar. Inicialmente ele cria K clusters formados
aleatoriamente. A seguir ele reorganiza as amostras que compõem
cada cluster de modo a minimizar a variabilidade interna de cada
cluster e maximizar a variabilidade entre clusters.
VARIÂNCIA MÍNIMA DE WARD:
Este método tende a juntar clusters com um pequeno número de
amostras, e tem forte tendência a produzir clusters com
aproximadamente o mesmo número de amostras. Ele também é muito
sensível à presença de outliers.
Estatística Pseudo-F
A estatística Pseudo-F apresenta um valor relativamente alto quando
é adotado um número adequado de grupos.
Estatística Pseudo-T2
Para um número de grupos imediatamente menor que o ideal essa
estatística assume um valor alto.
Estatística CCC
Valores maiores que 2 ou 3
números ideais de grupos
Valores entre 0 e 2
grupos potenciais
Valores negativos altos
amostras com outliers
Diagrama em Árvore
O Diagrama em Árvore permite visualizar graficamente a variação de
R2 (proporção da variância) com o número de grupos adotado. Quanto
maior o número adotado de grupos, maior será o valor de R2.
Regras Paramétricas
REGRA DISCRIMINANTE LINEAR:
Gera uma função linear entre cada fácies e os perfis geofísicos.
FAC_A = a0 + a1*GR + a2*RHOB+ .... + aN*DT
FAC_B = b0 + b1*GR + b2*RHOB+ .... + bN*DT
..............
FAC_M = m0 + m1*GR + m2*RHOB+ .... + mN*DT
REGRA DISCRIMINANTE QUADRÁTICA:
Gera uma função de 2° grau entre cada fácies e os perfis.
TESTE DE IGUALDADE DAS MATRIZES DE COVARIÂNCIA:
Decide automaticamente se usa a RDL ou a RDQ com base no teste
de homogeneidade das matrizes de covariância.
Regras Não-Paramétricas
KNN:
Consiste em atribuir a uma dada amostra o rótulo que aparece mais
vezes entre os rótulos dos seus K vizinhos mais próximos, segundo a
métrica adotada.
CANÔNICA:
A idéia é obter uma variável Y1, combinação linear das variáveis
originais, que maximiza o poder de discriminação entre as fácies.
A seguir obter uma nova variável Y2, também combinação linear das
variáveis originais, e não correlacionada com Y1, que junto com Y1,
maximiza o poder de discriminação entre as fácies.
A partir de um certo ponto as novas variáveis Yi não apresentam
uma contribuição significativa para a discriminação entre as fácies.
Regras Não-Paramétricas
LINEAR PASSO-A-PASSO:
Seleciona entre os vários perfis aqueles que mais contribuem para
discriminar entre as fácies pretendidas e exclui do modelo os demais
perfis, segundo um critério de aceitação baseado no Lambda de
Wilks.
Programas Desenvolvidos
Função Cluster Petrobras
Função Discrim Petrobras
ANASETE
Coluna de fácies composta
resultante do agrupamento
resultante da análise
discriminante
POÇO 1
(Poço de treino)
Acerto médio: 95%
ANASETE
resultante do agrupamento
resultante da análise
discriminante
POÇO 2
(Poço de validação)
Acerto médio: 80%
Eletrical Logs
Eletrics
- Magnetic field.
- Eletric field.
-Resistivities or
condutivities of rocks.
- Rt, Rxo.
(omh.m)
Sonics
Radioatives
- Ativation: neutrons e
gamma.
- Density, porosity
and rock type.
- RHOB, DT, PHIN,
GR.
(g/cc, %, API, μs/ft)
Eletrical Logs
SLD™ (Stabilized Lithology
Density) Tool
APPLICATIONS