IBP2041_12 ESTUDO DA PROPAGAÇÃO DE INCERTEZA DE PARÂMETROS PETROFÍSICOS DE RESERVATÓRIO DE PETRÓLEO EM PROCESSO DE INJEÇÃO DE ÁGUA Rafael F.V.C. Santos1, Leonardo J.N.

Guimarães2, Márcio R. Borges3

Copyright 2012, Instituto Brasileiro de Petróleo, Gás e Biocombustíveis - IBP Este Trabalho Técnico foi preparado para apresentação na Rio Oil & Gas Expo and Conference 2012, realizado no período de 17 a 20 de setembro de 2012, no Rio de Janeiro. Este Trabalho Técnico foi selecionado para apresentação pelo Comitê Técnico do evento, seguindo as informações contidas no trabalho completo submetido pelo(s) autor(es). Os organizadores não irão traduzir ou corrigir os textos recebidos. O material conforme, apresentado, não necessariamente reflete as opiniões do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis, Sócios e Representantes. É de conhecimento e aprovação do(s) autor(es) que este Trabalho Técnico seja publicado nos Anais da Rio Oil & Gas Expo and Conference 2012.

Resumo
Este trabalho teve o objetivo de estudar a modelagem e simulação de reservatório de petróleo, considerando incertezas em propriedades petrofísicas. Estudou-se os efeitos da consideração de incertezas nas propriedades permeabilidade e porosidade nas produções acumuladas de óleo, água e no índice econômico Valor Presente Líquido (VPL). Para considerar essas incertezas foram utilizados métodos numéricos de geração de campos aleatórios relacionados a conceitos geoestatísticos de correlação espacial. O método de Decomposição LU, foi o utilizado para geração dos campos correlacionados e condicionados de permeabilidades e porosidades. O simulador de reservatório utilizado foi o IMEX (Implicit Explicit Black Oil Simulator) da empresa CMG (Computer Modelling Group). Dessa forma, foram realizadas simulações estocásticas considerando os campos aleatórios e estas simulações foram comparadas com suas respectivas simulações determinísticas. No geral, os resultados mostraram que as simulações determinísticas comparadas com as estocásticas, superestimam as produções acumuladas de óleo, e subestimam a produção acumulada de água. Contudo temse um VPL determinístico (sem considerar incertezas) maior que o VPL estocástico, onde se considera as incertezas associadas aos parâmetros estudados.

Abstract
This work aimed to study the modeling and simulation of oil reservoir, considering uncertainties in petrophysical properties. We studied the effects of the consideration of uncertainties in porosity and permeability properties in cumulative yields of oil, water and economic index Net Present Value (NPV). To account for these uncertainties were used numerical methods for generating random fields related to geostatistical concepts of spatial correlation. The method LU Decomposition , was used to generate the fields correlated and conditioned in permeability and porosity. For the reservoir simulator was used IMEX (Implicit Explicit Black Oil Simulator) company CMG (Computer Modelling Group). Thus, stochastic simulations were performed considering the random fields, and these simulations were compared with their deterministic simulations. Overall, the results showed that compared with the deterministic simulations stochastic overestimate the cumulative yields of oil, and underestimate the accumulated production of water. However it has a deterministic NPV (without considering uncertainties) than the stochastic NPV, where one considers the uncertainties in parameters studied.

1. Introdução
A propagação de incerteza desempenha um papel importante na modelagem e simulação de reservatórios de petróleo, tanto do ponto de vista da modelagem geofísica e de fluxo, quanto da modelagem econômica e financeira. A modelagem e simulação de reservatórios de petróleo pode ser de natureza determinística ou estocástica. A diferença básica entre estes dois tipos de modelagem e simulação, é que nas estocásticas têm-se múltiplas realizações com probabilidades iguais, ou em possíveis cenários para os modelos com probabilidades especificas. Já nas simulações

______________________________ 1 Mestrando, Engenharia Civil - UFPE 2 PHD, Professor – UFPE 3 PHD, Pesquisador – LNCC

Rio Oil & Gas Expo and Conference 2012 determinísticas apenas um único modelo de reservatório é simulado, não considerando com isso as diversas variabilidades e incertezas inerentes ao problema e, por conseguinte, os riscos associados ao processo. O que principalmente caracteriza um reservatório de petróleo é a heterogeneidade de seu meio poroso, e como na maioria das vezes o conhecimento de informações com respeito a essa heterogeneidade é escasso ou desconhecido (incerto), para uma boa previsibilidade de seu comportamento, são necessários uma modelagem e simulação estocástica, para obtenção de resultados mais próximos ao real comportamento do reservatório. Atualmente, existem diversas técnicas e métodos de simulações estocásticas, com a pretensão de modelar e quantificar a influência de diferentes tipos de incertezas relacionados aos parâmetros de projeto, condições iniciais, dados de entrada, dentre outras variaveis do reservatorio de petróleo (Laure & Hovadik, 2008; Moura Filho, 2006; Costa, 2003; Margueron, 2003). A consideração dessas incertezas é importante, pois dessa forma é possível quantificar os riscos e buscar maneiras viáveis de minimizar os mesmos, a fim de se obter uma melhor previsão e controle do processo de recuperação de óleo. Nesse sentido simulações estocásticas são mais adequadas para previsões em reservatórios de petróleo (Huysmans & Dassargues, 2005). O principal objetivo das simulações estocásticas é obter e avaliar modelos de reservatórios (realizações) como possíveis representações do reservatório real, e através da média da simulação desses modelos é obtida a melhor estimativa para o modelo real do reservatório de petróleo. A simulação não determinística, estocástica, pode fazer uso, por exemplo, de ferramentas da geoestatísticas. A geoestatística é um ramo em rápida evolução da Estatística Aplicada e da matemática, que oferece uma coleção de ferramentas que quantificam e modelam a variabilidade espacial. Variabilidade espacial inclui escala de variabilidade (heterogeneidade) e direcionalidade dentro de conjuntos de dados (Chambers, et al,2000). O presente trabalho teve o propósito de estudar o impacto da consideração das incertezas em atributos petrofísicos nas produções acumuladas de óleo, água e índice econômico VPL, utilizando campos aleatórios correlacionados e condicionados, de permeabilidades e porosidades em simulações estocásticas. Estes campos foram utilizados nas simulações de um reservatório de petróleo com mecanismo de recuperação de óleo através do método de injeção de água. A injeção de água em reservatórios de petróleo é um dos métodos de recuperação suplementar mais empregado na explotação de petróleo. A água injetada serve ao mesmo tempo para manter a pressão do reservatório e deslocar o óleo na direção dos poços produtores. Tal método é utilizado quando o reservatório está baixando a produtividade ou se encontra na fase madura.

2. Fundamentação Teórica
2.1. Geoestatística A geoestatística se originou da indústria de mineração através de dois grandes nomes: o engenheiro de minas sulafricano D.G. Krige, e o estatístico H.S. Sichel (Deutsch, 2002). Ambos desenvolveram, no início dos anos 50, métodos que supriam a necessidade de estimar as reservas de minério. As técnicas clássicas de estatísticas da época eram consideradas inadequadas até então, para realizar essas estimativas. A geoestatística interpreta o domínio do reservatório, por exemplo, como um meio em que há autocorrelação entre às distribuições de suas variáveis. Dessa forma, busca-se através de um conjunto de amostras distribuídos espacialmente, estudar a variabilidade e correlação amostral a fim de inferir informações mais detalhadas no interior do domínio amostrado (Toledo,1990). Uma das maneiras eficientes de obtenção de amostras distribuídas espacialmente no domínio do reservatório é através da geração de campos aleatórios. Existem diversas metodologias para geração de campos aleatórios como: Turning bands, Método Simulação Sequencial Gaussiana (SGS-Sequential Gaussian Simulation), Método de decomposição LU, dentre outros (Deutsch, 2002). Para obtenção dos campos aleatórios deste trabalho foi escolhido o método de Decomposição LU. Este método foi escolhido devido apresentar metodologia simples e ser bastante eficiente para problemas com baixa dimensão das malhas ou campos do modelo. A seguir é apresentada uma maneira de obtenção de campos aleatórios correlacionados através desse método.

2

Rio Oil & Gas Expo and Conference 2012 2.2. Método Decomposição LU Condicionado Este método basicamente utiliza a covariância entre a localização espacial dos dados do reservatório, com a localização dos pontos da malha de discretização do mesmo, e também um vetor de variáveis randômicas independentes com função distribuição de probabilidade (FDP) normal, bem como dados de condicionamento. Primeiro a matriz de covariância C é calculada:

Onde C11 é a covariância entre dados em um determinado ponto, C22 é a covariância entre os nós de uma malha, e C12 é a covariância entre a localização dos dados com a localização dos nós na malha. A decomposição LU fornece as matrizes L e U, que quando multiplicadas é igual à matriz C:

Usando o vetor, Z, de dados conhecidos (condicionados), e um vetor de variáveis aleatórias w (obtido através de algum gerador de números aleatório), o vetor de uma realização, ZCS, é dado por: (1) Vale ressaltar que o vetor w possui um número de valores igual ao número de nós, ou elementos, da malha da simulação. Percebe-se que o método é de fácil implementação, e bastante útil para problemas com poucas dimensões. Uma característica importante é que em apenas um passo os dados conhecidos são condicionados, e também, o método pode ser aplicado a qualquer tipo de função de covariância (Hohn, 1999). No entanto, é pouco utilizado em problemas com grandes dimensões, pois possui restrição de memória computacional, uma vez que uma matriz N x N precisa ser resolvida, onde N é o número de localizações do reservatório. Entretanto, este trabalho utilizou este método de geração de campos aleatórios para a propriedade permeabilidade absoluta horizontal, e utilizando a relação inversa de Kozeny-Carman foram obtidos os campos de porosidades correspondentes. 2.3. Relação Kozeny-Carman Um dos modelos mais utilizados e aceitos que relaciona a porosidade com a permeabilidade é o modelo proposto por Kozeny (1927) e modificado por Carman (1937). Este modelo foi deduzido a partir da solução analítica das equações de Navier Stokes considerando uma representação simplificada do espaço poroso. Segundo Oliveira (2009), a equação de Kozeny-Carman pode ser preditiva em regime de alta porosidade em materiais compostos por partículas bem distribuídas, tais como areias naturais e rochas sedimentares. A representação do modelo de Kozeny-Carman, para um meio continuo, pode ser expressa da seguinte forma: (2)

Onde Ф0 = porosidade de referência. K0 = permeabilidade intrínseca da matriz Ф0. Em casos em que as partículas desviam fortemente da forma esférica, ou possuem tamanho das partículas amplamente distribuído e um meio consolidado, a equação de Kozeny-Carman frequentemente não é válida. Os resultados deste estudo foram avaliados em termos de produção acumulada de óleo, água e índice econômico VPL, a seguir é mostrada detalhes da aplicação do estudo.

3

Rio Oil & Gas Expo and Conference 2012

3. Aplicação
O reservatório escolhido, para o estudo, foi o exemplo msxmo009 que é um caso do SPE (Society of Petroleum Engineers), encontrado no tutorial do simulador de fluxo IMEX (Implicit Explicit Black Oil Simulator) da CMG (Computer Modelling Group). Este reservatório foi escolhido por apresentar geometria simples e poucos poços de petróleo, e consequentemente rápida simulação uma vez que foi necessário um número muito grande de simulações desse reservatório. Algumas modificações foram feitas nesse exemplo para conveniência do estudo, essas serão descritas mais a frente. O IMEX é um simulador Black-Oil (trifásico - óleo, água e gás), bastante versátil. Este suporta discretização de malhas de reservatório, cartesianas, malhas cilíndricas, malhas de vértices (Corner-Point), e malhas regulares com profundidade e espessura variáveis (IMEX, User’s guide, 2007). Esse simulador de reservatório utiliza o método de diferenças finitas para resolução das equações dos modelos. Esse exemplo de reservatório representa um processo de recuperação de óleo utilizando o método de injeção de água durante um período de concessão de 30 anos de produção. A Figura 1 mostra a malha geométrica do reservatório, com suas fácies ou camadas, e poços de produção e injeção. O reservatório do exemplo da SPE (original - msxmo009) apresentava uma malha de 10x10x3 blocos nas direções i,j e k respectivamente, e esta foi modificada, por conveniência, para uma malha de 20x20x3 equivalente em dimensões totais. As novas dimensões desses blocos, e principais propriedades de rocha e fluido, estão apresentadas na Tabela 1.

Figura 1: Malha do reservatório de petróleo estudado. Tabela 1: Condições iniciais e propriedades do reservatório e propriedades do óleo e da água Propriedades do reservatório Tamanho das células (ft) Permeabilidades 1ª camada (mD) Permeabilidades 2ª camada (mD) Permeabilidades 3ª camada (mD) Porosidade constante Profundidade de referência (ft) Compressibilidade da rocha (1/psi) Pressão inicial do reservatório (psi) Pressão de ponto de bolha (psi) Propriedades dos fluidos Densidade (lbm/ft³) Compressibilidade (1/psi) Fator Vol. de Formação (RB/STB) Viscosidade (cp) Saturação inicial i 250 200 50 500 j 250 200 50 500 0,3 4,150 3,0x10-6 3000 2.500 Óleo 46,244 1,369x10 1,5 1,04 0.88
-5

k 20,30,50 20 5 50

Água 62,238 3,04x10-6 1,04 0,31 0,12

O reservatório em questão possui dois poços. Um poço produtor e outro injetor. O poço injetor está localizado e completado na célula (1,1,1), e trabalha com injeção de água a 20000 STB/dia . Por outro lado, o poço produtor esta 4

Rio Oil & Gas Expo and Conference 2012 localizado e também completado na célula (20,20,3), a produção de óleo varia numa faixa de 1000 a 20000 STB/dia. Um corte transversal do reservatório é mostrado na Figura 2.

Figura 2: Corte esquemático do reservatório. As permeabilidades variam com a direção, no entanto possui o mesmo valor nas células ou blocos das camadas (layers). Na Figura 3 são apresentadas as regiões de permeabilidades para as direções i, j e k.

(a) (b) Figura 3: (a) Permeabilidades para as direções x (i) e y (j), (b) permeabilidades para as direções z (k). Portanto, para caracterização do reservatório em termos das variáveis permeabilidades e porosidades, foram gerados campos aleatórios correlacionados condicionados nos poços para obtenção das simulações estocásticas. 3.1. Obtenção dos Campos Aleatórios Na geração dos campos de permeabilidades para cada uma das três camadas do reservatório, com o método de decomposicao LU, foi considerado um coeficiente de variação CV=60%, ou seja, os campos gerados apresentavam médias correspondentes as do caso base apresentado e desvio padrão igual a 60% das medias de cada camada do reservatório. Por sua vez os campos gerados foram os das permeabilidades horizontais (x e y), estes na direção x foram relacionadas através de Kozeny-Carman para obtenção dos campos de porosidades correspondentes. Para gerar as realizações dos campos de permeabilidades foi utilizada uma função de covariância do tipo exponencial, como descrita abaixo. (3) Onde λ > 0 é o comprimento de correlação. O principal benefício da utilização da função de covariância, ferramenta da geoestatistica, é a possibilidade de considerar variáveis correlacionadas espacialmente na geração dos campos. O software IMEX aceita campos de permeabilidade impostos para cada um dos três eixos espaciais (x, y e z). Portanto, as permeabilidades nas direções x (i) foram obtidas com comprimento de correlação de 820,2 ft (250 m) e na direção y com 1312,32 ft (400 m) e, por conseguinte, os campos de porosidades foram obtidos com os mesmos comprimentos de correlação da direção x (i) utilizando Kozeny-Carman. Na direção z, as permeabilidades foram um décimo das permeabilidades médias nas direções horizontais x e y. Os campos gerados com essas características, foram todos obtidos honrando-se os valores das permeabilidades e porosidades nos poços. Os campos foram honrados nos poços, com os valores médios do caso base, tanto os campos de permeabilidades como os de porosidades. 5

Rio Oil & Gas Expo and Conference 2012 Uma das questões importantes de quanto se geram campos aleatórios correlacionados, é que estes devem ser estacionários, ou seja, a média (esperança) de uma variável regionalizada deve ser independente da posição amostral, mais detalhes em Deutsch, 2002. Contudo, foram realizadas simulações estocásticas, neste caso uma simulação Monte Carlo, utilizando os campos provenientes do método de Decomposição LU, e dessa forma obtidos os resultados de produções acumuladas de óleo, água, e dos indicadores econômicos VPL e EVPL (esperança do VPL). 3.2. Cálculo do Valor Presente Líquido (VPL) Uma das metodologias mais empregada na avaliação de qualquer investimento é baseada na análise do Valor Presente Líquido (VPL). O VPL é a soma algébrica de todos os fluxos de caixa descontados para o instante presente (t=0), a uma taxa de juros (d). Na área de reservatório de petróleo existem diversos trabalhos que utilizam este indicador de investimento para avaliar a viabilidade dos projetos (Fonseca, 2010; Schiozer et al, 2004; Costa,2003; Oliveira, 2003). O VPL do fluxo de caixa da operação de um reservatório pode ser representado de acordo com a seguinte formula: (4) onde: d é a taxa de desconto aplicada ao capital; T é o tempo final ou tempo de concessão do projeto; Fτ é o fluxo de caixa da operação no tempo τ, dado por: Nos dias atuais, os termos da Equação 4, podem chegar a um nível de detalhamento relativamente elevado, pois existem diversas teorias e conceitos que trabalham com cada um deles. Este trabalho fez uso da Equação 4, com um fluxo de caixa bastante simplificado, o qual considera apenas os custos de injeção de água e produção de óleo e água, assim como as receitas de produção de óleo e gás. Outros tipos de custos e receitas foram desconsiderados para efeito de simplificação. Na Tabela 2 são mostrados os valores dos parâmetros, que foram mantidos constantes e utilizados para o cálculo da função VPL deste trabalho. Esses valores foram os mesmos considerados por Oliveira (2006) e Fonseca (2010). Tabela 2: Valores dos parâmetros do VPL. Parâmetro Preço do petróleo (US$/m3) Preço do gás (US$/m3) Custo da produção de água (US$/m3) Custo de injeção de água (US$/m3) Taxa de desconto Valor 25 1 5 2 0,093

Como para cada resposta de uma simulação estocástica é obtido um valor de VPL, foi possível obter distribuições de freqüências para os valores do VPL obtidos nas simulações estocásticas. Com isso foram, encontradas as médias desses valores que geralmente é chamada de valor monetário esperado (VME) ou esperança do VPL (EVPL).

4. Resultados e Discussão
Partindo da intenção de investigar a convergência das simulações estocásticas utilizando os campos aleatórios de permeabilidades horizontais nas camadas, foram obtidos oito conjuntos de simulações com número de realizações diferentes investigando-se o EVPL (esperança do VPL) de cada. Para todos os conjuntos de simulações foram admitidas as mesmas considerações de incertezas para os campos de permeabilidades, ou seja, os campos foram obtidos com as mesmas médias e desvios padrões. A seguir na Tabela 3 é mostrado o estudo de convergência para o índice EVPL, considerando as informações desta etapa do trabalho.

6

Rio Oil & Gas Expo and Conference 2012 Tabela 3: Resultados das simulações para diversos números de realizações de campos. Número de EVPL Desv. Padrão Realizações (Dólar) (Dólar) 30 50 100 300 500 1000 1500 3,107x108 3,113x108 3,119x108 3,117x108 3,114x108 3,111x108 3,116x108 1,134x107 1,149x107 1,318x107 1,984x107 2,494x107 2,567x107 2,237x107

Para este caso a convergência é atingida com aproximadamente 500 realizações de campos. A Figura 4, mostra um exemplo de realização de campos de permeabilidades com anisotropia geométrica e porosidades correlacionadas correspondentes.

Perm 1ª camada

Perm 2ª camada

Perm 3ª camada

Poro 1ª camada Poro 2ª camada Poro 3ª camada Figura 4: Realização de campos de permeabilidades na direção i e campos correspondentes de porosidades. Curvas de produção acumulada de óleo do caso base e da média das 500 realizações de campos de permeabilidades com anisotropia, correlacionados com porosidades Os efeitos da consideração da anisotropia das permeabilidades correlacionadas com as porosidades nas produções acumuladas de óleo e água, em cada uma das três camadas do reservatório nas 500 realizações de campos, estão presentes na Figuras 5. Nestas figuras estão presentes as médias das simulações estocásticas (em verde), bem como a curva da simulação do caso base (em vermelho).

7

Rio Oil & Gas Expo and Conference 2012

(a) (b) Figura 5: Curvas de produção acumulada de óleo (a) e água (b) do caso base e da média das 500 realizações de campos de permeabilidades. A Figura 6, mostra o histograma das produções acumuladas de óleo e água, das simulações das 500 realizações de campos correlacionados.

Figura 6: Histograma das produções acumuladas de óleo e água. A Tabela 4, mostra os valores das estatísticas da Figura 6, e valores da simulação do caso determinístico. Tabela 4: Comparação entre o caso base e a média das simulações estocásticas. Média Np Desv. Média Wp Desv. Simulação (m3) Padrão Np (m3) Padrão Wp Determinística Estocástica 1,342x107 1,231x10
7

3,702x10
5

2,075x107 2,158x10
7

4,798x105

Da Tabela 4 pode-se observar uma diferença de aproximadamente 8,3 % entre a simulação determinística e estocástica para a produção acumulada de óleo e 4% para produção acumulada de água. Esta diferença corresponde, aproximadamente, a superestimar 7 milhões de barris de petróleo e subestimar 5 milhões de barris de água. Essas diferenças são bastante expressivas e influenciam significativamente nos cálculos do VPL. A Figura 7 apresenta o histograma do VPL para as 500 realizações estudadas. E a Tabela 5, mostra das 500 realizações do estudo, para a EVPL dessas simulações.

8

Rio Oil & Gas Expo and Conference 2012

Figura 7: Histograma do VPL das simulações estocásticas. Tabela 5: Estatísticas para o EVPL das simulações estocásticas. EVPL Desv. Simulação (Dólar) Padrão Determinística Estocástica 3,388x108 3,114x10
8

2,494x107

Observa-se, a partir da Tabela 5, que o EVPL para as simulações estocásticas é aproximadamente 8% menor que o caso determinístico. Essa é uma diferença bastante significativa que muito influencia nas tomadas de decisões de investimentos. Ressalta-se que na maioria dos casos o custo para aquisição de informações geológicas de reservatório pode ser muito elevado e também deve ser considerado no índice VPL. Contudo este trabalho não considerou esses nem outros detalhes, abrindo espaço para uma infinidade de outros estudos referentes à viabilidade econômica e financeira do investimento de explorarão e produção (E&P) de petróleo.

5. Conclusão
Neste trabalho, foi possível realizar simulações estocásticas de um reservatório de petróleo, e gerar campos de permeabilidades e porosidades a fim de obter simulações que melhor representasse as incertezas com relação a estas propriedades. Com a utilização do método de decomposição LU, foram gerados campos condicionados e correlacionados apresentando estacionaridade em suas realizações. Após as simulações, foram obtidas curvas das médias de produções acumuladas de óleo e água das simulações estocásticas, onde estas médias foram predominantemente diferentes das curvas provenientes da simulação do caso base. Uma dessas diferenças, para a simulação estocástica considerando a geoestatística, chegou a apresentar diferença de produção acumulada de óleo de 8,5 % para menos em relação ao caso base (determinístico). Uma vez que a ordem de grandeza é de milhões de barris para as produções acumuladas, diferença como esta, é bastante significativa do ponto de vista financeiro. Como esperado, devido produções acumuladas diferentes, os VPLs das simulações estocásticas também diferiram, com relação ao caso base, em aproximadamente, 8%. Outra informação importante com respeitos aos resultados das simulações estocásticas esta na obtenção do desvio padrão que transmite uma ideia de variabilidade do projeto e com isso seus riscos associados.

6. Referências
CARMAN, P. C. Trans. Inst. Chem. Eng. London, v. 15, 150, 1937. CHAMBERS R. L., YARUS J. M. and HIRD K. B. Petroleum geostatistics for nongeo-staticians. Geologic Column of The Leading Edge, (2000). 9

Rio Oil & Gas Expo and Conference 2012 COSTA A. P. A. Quantificação do impacto de incertezas e análise de risco no desenvolvimento do campos de petróleo. Campinas – SP Brasil, 2003. DEUTSCH, C.V., Geostatistical reservoir modeling. Applied Geoestatistics Series. Oxford, 2002. FONSECA, L.A, Otimização para simulação estocástica de reservatórios de petróleo: Algoritmos de Diferenças Randômicas Simultâneas. Dissertação de Mestrado. Universidade Federal de Pernambuco, Recife, 2010. HOHN, Michael Edward. Geostatistics and petroleum geology. 2nd. ed. Dordrecht: Kluwer Academic Publ., 1999. 235 p. HUYSMANS M.; DASSARGUES A. Stochastic analysis of the effect of heterogeneity and fractures on radionu-clide transport in a low-permeability clay layer. University of Liege, Belgica, 2005. HUYSMANS M.; DASSARGUES A. Stochastic analysis of the effect of heterogeneity and fractures on radionu-clide transport in a low-permeability clay layer. University of Liege, Belgica, 2005. IMEX, CMG (Computer Modelling Group). IMEX, USER’S GUIDE, 2007 KOZENY, J. Wusserkraft u. Wusserwirtschuft, v. 22, 67-86, 1927 LARUE D. K. and HOVADIK J. Why is reservoir architecturean insignificant uncertainty in many appraisal and development studies of clastic channelized reservoirs? Journal of Petroleum Geology, Vol. 31(4), October 2008. LARUE D. K. and HOVADIK J. Why is reservoir architecturean insignificant uncertainty in many appraisal and development studies of clastic channelized reservoirs? Journal of Petroleum Geology, Vol. 31(4), October 2008, pp 337-366. MARGUERON M.V.L. Processo de tomada de decisão sob incerteza em investimentos internacionais na exploração & produção de petróleo: Uma abordagem multicritério. Rio de janeiro, 2003. MOURA FILHO M. A. B. Integração de Análise de Incertezas e Ajuste de Histórico de Produção. Campinas –SP Brasil, 2006. OLIVEIRA, D.F.B.; Técnicas de Otimização da Produção para Reservatórios de Petróleo: Abordagens sem Uso de Derivadas para Alocação Dinâmica das Vazões de Produção e Injeção „o; 116f, Dissertação de mestrado, Universidade Federal de Pernambuco, 2006. OLIVEIRA, R.S. Propriedades de escala no escoamento de fluido em meio poroso modelado por empacotamento Apoloniano. Dissertação de Mestrado. Universidade Federal da Bahia, 2009. SCHIOZER D.J., LIGERO E.L., SUSLICK S.B., COSTA A.P.A., SANTOS, J.A.M. User of representative models in the integration of risk analysis and production strategy definition. Journal of Petroleum Science & Engineering. Campinas, São Paulo, Brazil,2004. TOLEDO J. P. Caracterização geoestatÍstica em simuladores numéricos de reservatório. UNICAMP, 1990.

10