UNIVERSIDAD NACIONAL

AUTÓNOMA DE MÉXICO

FACULTAD DE INGENIERÍA
Simulación Matemática de Yacimientos

Ing. Roberto Padilla Sixto

Técnicas de regresión no lineal y ajuste por curvas tipo

Gallardo Mata Analaura Itzayania

Equipo 2 Maya Aldana Sarahi
Montalvo Maldonado Nayely
 •INTRODUCCIÓN
•TÉCNICAS DE REGRESIÓN NO
LINEAL
CONTENIDO •AJUSTE POR CURVAS TIPO
•CONCLUSIONES
•BIBLIOGRAFÍA Y REFERENCIAS
INTRODUCCIÓN
 INTRODUCCIÓN
Los modelos de simulación numérica que describen el
comportamiento de campo requieren estimaciones
fiables para varios parámetros del yacimiento que no
se pueden medir directamente. Un procedimiento es
el de ensayo y error, el análisis de regresión lineal y
no lineal, y ajustes por curvas tipo se utilizan con el
fin de obtener estas estimaciones.
 INTRODUCCIÓN

Las regresiones no lineales son las técnicas de

regresión que encuentran relaciones entre dos o más
variables que poseen una relación compleja (no
lineal).
 INTRODUCCIÓN
El método de ajuste por curvas tipo es un
método donde los puntos obtenidos se ensamblan
con una línea, ésta no necesariamente toca todos
los puntos. Los resultados obtenidos se consideran
como una aproximación para los parámetros
verdaderos.
TÉCNICAS DE REGRESIÓN
NO LINEAL
 RELACIONES LINEALES Y NO
LINEALES
La creación de una gráfica de dispersión es una
manera útil de evaluar si existe una relación entre
variables y definir el tipo de relación (lineal o no
lineal). Una relación no lineal es sólo una
posibilidad. Una relación lineal es una tendencia en
los datos que se puede modelar mediante una línea
recta.
 RELACIONES LINEALES Y NO
LINEALES

Gráfica 1. Relación lineal positiva fuerte. Gráfica 2. Relación lineal negativa fuerte.
 RELACIONES LINEALES Y NO
LINEALES

Gráfica 3. Relación lineal débil. Gráfica 4. Relación no lineal.

 ¿QUÉ ES REGRESIÓN NO LINEAL?

Es la generación de una ecuación para describir la

relación no lineal entre una variable de respuesta
continua y una o más variables prodictoras,
pronosticando nuevas observaciones.
 REGRESIÓN NO LINEAL

No siempre es conveniente ajustar una línea recta a

un diagrama de dispersión. En algunos casos el
diagrama perfila una línea curva.
 REGRESIÓN NO LINEAL
Es importante analizar la posibilidad de usar un
modelo matemático cuyos parámetros se puedan
estimar con facilidad. Una clase importante de estos
modelos está formada por las funciones
“intrínsecamente lineales”. Un ejemplo típico de
ellas es el de la función exponencial
(1)
 REGRESIÓN NO LINEAL
Para ver el significado de la expresión "intrínsecamente lineal", se toman
logaritmos base e en ambos lados de la ecuación (1), quedando:
) (2)
Aplicando las propiedades de los logaritmos:
) + (3)
Como y es una variable, también lo es ln (y), de modo que puede llamarse y’ a
esta “nueva” variable. Por otro lado, dado que es una constante, también lo es ln
() y puede denotarse como a la “nueva constante”.
 REGRESIÓN NO LINEAL
Sustituyendo en la ecuación (3):
’ + (4)
La función exponencial (1) se ha transformado en una
“nueva” función (4) cuya relevancia consiste en que es
lineal y por tanto el que sus parámetros y se puedan
calcular.
 REGRESIÓN NO LINEAL
FUNCIÓN VARABLE(S) Y FUNCIÓN TRANSFORMADA
PARÁMETRO (S)
TRANSFORMADOS(S)
a) Exponencial: 𝑦 = lnሺ𝑦ሻ, 𝑏0 = log( 𝑏0 ) 𝑦 = 𝑏0 ′ + 𝑏1 𝑥
𝒚 = 𝒃𝟎 𝒆𝒃𝟏 𝒙
b) Potencial: 𝒚= 𝑦′ = lnሺ𝑦ሻ, 𝑥′ = log( 𝑥), 𝑦 = 𝑏0 ′ + 𝑏1 𝑥′
𝒃𝟎 𝒙𝒃𝟏 𝑏0 ′ = log( 𝑏0 )
c) Logarítmica: 𝒚= 𝑥′ = log( 𝑥) 𝑦 = 𝑏0 + 𝑏1 𝑥’
𝒃𝟎 + 𝒃𝟏 𝐥𝐨𝐠(𝒙)
d) Recíproca: 1 𝑦 = 𝑏0 + 𝑏1 𝑥′
𝟏 𝑥′ =
𝒚 = 𝒃 𝟎 + 𝒃𝟏 𝑥
𝒙
 REGRESIÓN NO LINEAL
A)EXPONENCIAL
 REGRESIÓN NO LINEAL
B) POTENCIAL
 REGRESIÓN NO LINEAL
C) LOGARÍTMICA
 REGRESIÓN NO LINEAL
D) RECÍPROCA
 FUNCIÓN EXPONENCIAL, POTENCIAL
Y LOGARÍTMICA
El problema de ajustar un modelo potencial, de la forma y=axb y uno exponencial
y=abX se reduce al de la función lineal, con solo tomar logaritmos.
Modelo potencial
Si tomamos logaritmos en la expresión de la función potencial, obtendremos:
log(y) = log(a) + b log(x)
La ecuación de una recta: y = a + bx, donde a = log (a). Para que el problema es sencillo,
se tranforma y en log(y) y x en log(x) y ajustar una recta a los valores transformados. El
parámetro b del modelo potencial coincide con el coeficiente de regresión de la recta
ajustada a los datos transformados, y a lo obtenemos mediante el antilog (a).
 FUNCIÓN EXPONENCIAL, POTENCIAL
Y LOGARÍTMICA
Modelo exponencial
Tomando logaritmos en la expresión de la función exponencial,
obtendremos:
log(y) = log(a) + log(b)x
La ecuación de una recta y = a + bx, pero ahora ajustándola a log(y) y
a x; de modo que, para obtener el parámetro a del modelo
exponencial, basta con hacer antilog(a), y el parámetro b se obtiene
tomando antilog (b).
 FUNCIÓN EXPONENCIAL, POTENCIAL
Y LOGARÍTMICA
Modelo logarítmico
La curva logarítmica y = a + b log(x), es también una recta,
pero en lugar de estar referida a las variables originales x e y,
está referida a log(x) y a y.
A pesar de ser inicialmente modelos mucho más complejos
que el de una recta, éstos se reducen al modelo lineal.
EJEMPLO DE APLICACIÓN
AJUSTE POR CURVAS TIPO
 AJUSTE POR CURVAS TIPO
El método de ajuste por curvas tipo es un
procedimiento matemático para la conexión de
los puntos de medición con una línea suave. La
línea no necesariamente atraviesa los puntos de
medición, pero su dirección y su curvatura son
afectadas por todos los puntos de medición.
 AJUSTE POR CURVAS TIPO
El ajuste conlleva a la generación de una ecuación teórica
para definir un conjunto dado de datos, por lo tanto el ajuste
de curvas implica la comparación de los datos bien
conocidos con un conjunto de datos de interés.
La aplicación del método de ajuste por medio de curvas tipo
hace uso de la propiedad de los logaritmos, que indica que el
logaritmo de un producto es igual a la suma de los logaritmos
de los factores.
 AJUSTE POR CURVAS TIPO

Desafortunadamente, el ajuste con curvas tipo es un

método por ensayo y error, lo cual proporciona
frecuentemente respuestas no únicas.
 AJUSTE POR CURVAS TIPO
Actualmente, el software comercial puede
generar las familias de curvas tipo en la
pantalla de la computadora, permitiendo un
análisis mucho más flexible y fácil de
utilizar.
 AJUSTE POR CURVAS TIPO
Los métodos de análisis de curvas tipo han llegado
a ser bien conocidos en la industria Petrolera.
Básicamente, una función de la presión se
representa gráficamente frente a una función de
tiempo en coordenadas log-log, y la curva
obtenida se hace para que coincida con una curva
tipo.
 AJUSTE POR CURVAS TIPO
El procedimiento de ajuste o correlación de datos
reales con curvas tipo, es aplicable a toda clase de
pruebas de presión donde existen soluciones analíticas
representadas por familias de curvas tipo o modelos:
Incremento, Decremento, Inyección, Decaimiento de
presión ("Fall-off") e Interferencia.
 EJEMPLO DE APLICACIÓN
Caída de presión

Desplazamiento de la curva
real sobre la curva tipo.
 EJEMPLO DE APLICACIÓN
La variación de esta área diferencial, respecto al desplazamiento entre
las curvas, fue deducida y expresada en términos analíticos y digitales,
como se muestra a continuación:

La relación Y(u)/X(u0) es un factor que permite desplazar

paralelamente a la función X(t) sobre la función Y(t), manteniendo a la
ordenada X(u0) como punto común con la función Y(t).
 EJEMPLO DE APLICACIÓN
Esta integral, en forma discreta o digital puede expresarse como:

Se puede inferir de la figura anterior, que el valor del área diferencial C(u), entre
la curva tipo y la real puede ser positivo o negativo para cada valor específico de
u, dependiendo de los valores relativos de las dos funciones.
El área diferencial es positiva cuando la función Y(t), está en la mayor parte de la
señal o totalmente por arriba de X(t), siendo negativa en la condición contraria.
 EJEMPLO DE APLICACIÓN
En esta figura se presentan los
datos de caída de presión
interpolados, curva superior, y
las dos curvas tipo que se
utilizaron para una
investigación.
En este caso particular de ajuste
con curvas tipo de gasto
variable, el número de los datos
reales y los de las curvas tipo
son iguales en magnitud.

Datos reales y curvas tipo por ajustar en papel semilogarítmico.

 
 EJEMPLO DE APLICACIÓN
Cada curva tipo corresponde
a diferentes características
del yacimiento definidas por
, la de arriba es para , y es la
de mejor ajuste real, tal
como puede deducirse a
simple vista.
Los valores estimados de k y
φ son k = 107.26 md y φ =
0.1793.
 EJEMPLO DE APLICACIÓN
Figuras anteriores, que la
forma de los datos cuando se
grafican en papel cartesiano
no se asemeja a las curvas
tipo, tan explícitamente como
cuando se usa una escala
logarítmica.

Datos reales y curvas en papel cartesiano.

 EJEMPLO DE APLICACIÓN
Para definir si el problema de la definición de ajuste automático era la
sumatoria de las diferencias normales y no logarítmicas, se procedió a
programar la siguiente definición de correlación:

Nuevamente, aún con la modificación en la definición de correlación, se

reportaron incongruencias. Otra posibilidad para la solución, fue pensar en
mover la curva de datos por medio de un método basado en una suma
algebraica que la acercara con la curva tipo, coincidiendo en el pivote
seleccionado.
 EJEMPLO DE APLICACIÓN
En la figura
presenta en escala
semilogarítmica el
efecto de la
multiplicación de
los datos de campo
por el pivote, para
este caso el primer
dato. La curva tipo
corresponde a .

Movimiento de la curva de datos cuando se multiplica por el pivote

 EJEMPLO DE APLICACIÓN
En escala normal, la curva de
datos se deforma tal como se
muestra en la Figura.
Se observa que la deformación es
función del escalar multiplicador.
La función no se deformaría si se
le sumara o restara un escalar, lo
cual se explica en forma lógica
porque se traslada la función en
forma paralela, sin modificar su
forma.

Deformación de los datos al multiplicarse por el pivote en escalas cartesianas.

 EJEMPLO DE APLICACIÓN
Las dos figuras siguientes presentan el movimiento de la curva de
datos hacia la curva tipo al sumar un escalar. La curva superior
corresponde a la curva de datos. La curva intermedia es la de datos
modificados y la inferior es la curva tipo; se utilizó como pivote el
primer punto. Es importante notar que el movimiento en escala
logarítmica, Figura 1, se encuentra deformado y no así en escalas
cartesianas, Figura 2.
EJEMPLO DE APLICACIÓN
Fig 1. Deformación de la curva de datos al
moverse hacia la curva tipo, mediante una
suma simple (traslación)
EJEMPLO DE APLICACIÓN

Deformación de la curva de tipo

de mejor ajuste en escalas
cartesianas.
 EJEMPLO DE APLICACIÓN
Recordando que la función logaritmo tiene la siguiente propiedad:
log(ab) = log(a) + log(b)
 
Se puede explicar el comportamiento mostrado; esto es, el multiplicar la función de
datos por un escalar y después graficarla en papel logarítmico es equivalente a una
traslación en ejes logarítmicos.

Debido a que la técnica de curvas tipo considera el ajuste en gráficas logarítmicas, se

concluye que para el análisis automático la multiplicación por el pivote es lo
correcto, y no así la traslación de datos mediante una suma.
CONCLUSIONES
 CONCLUSIONES
Las técnicas de regresión no lineal y el ajuste por curvas tipo
son herramientas importantes para la estimación de parámetros
que difícilmente se pueden obtener directamente del sistema
pozo-yacimiento.
El uso de algoritmos de regresión no lineal requieren la
selección de un modelo teórico así como la estimación inicial
aproximada de los parámetros a estimar.
 CONCLUSIONES
El uso de estos dos métodos están sometidos a variaciones,
ya que generan resultados que no son únicos, puesto que se
trata de procedimientos de ensayo y error.
Los procedimientos de regresión no lineal buscan minimizar
las diferencias entre valores obtenidos y los estimados con un
modelo matemático que representa el problema a resolver y
que el analista elige en función de su experiencia y la
información con la que se cuenta.
 CONCLUSIONES
Las técnicas de regresión no lineal involucran la
solución de sistemas grandes de ecuaciones no lineales
ya que son procesos esencialmente iterativos.
El ajuste por curvas tipo implica subjetividad y
posibilidad de error, debido a la gran semejanza entre
las diversas curvas, por ser un proceso eminentemente
visual.
 CONCLUSIONES
Con el uso de una base de datos por curvas tipo es
posible seleccionar automáticamente el mejor modelo
teórico de ajuste a los datos de campo, eliminando así la
necesidad de una selección a priori por parte del
analista.
BIBLIOGRAFÍA Y
REFERENCIAS
 BIBLIOGRAFÍA Y REFERENCIAS
 Martínez Romero, Nestor. Análisis de pruebas de interferencia y pulsos, empleando la teoría de señales y métodos convencionales.
Tesis. Facultad de Ingeniería. División de estudios de posgrado.UNAM.

 Escobar M., Freddy H. Análisis moderno de presiones de pozos.Neiva, Huila. Noviembre 2003

Noaman El-Khatib. Interference and pulse test analysis by nonlinear regression. King Saud University. Riyadh, Saudi Arabia.

 Jeffrey A. Joseph, Leonard F. Koederitz. Applied pressure transient analisys using nonlinear regression methods: case studies.
SPE.University of Missouri-Rolla.

 http://www.glossary.oilfield.slb.com/en/Terms/m/multiple_regression.aspx

 http://www.mcgraw-hill educacion.com/pye01e/cap13/13analisis_de_correlacion_y_regresion.pdf

 http://www.glossary.oilfield.slb.com/es/Terms/c/curve_fitting.aspx

http://www.glossary.oilfield.slb.com/es/Terms/t/type_curves.aspx
Haga clic en el icono para agregar una imagen

GRACIAS
POR SU
ATENCIÓN
 UNIVERSIDAD NACIONAL
AUTÓNOMA DE MÉXICO

FACULTAD DE INGENIERÍA
Simulación Matemática de Yacimientos

Ing. Roberto Padilla Sixto

Técnicas de regresión no lineal y ajuste por curvas tipo

Gallardo Mata Analaura Itzayania

Equipo 2 Maya Aldana Sarahi
Montalvo Maldonado Nayely