3D‐dynamic modelling of Cretaceous sandstones 

at the outcrop scale (Galve Sub‐basin, Iberian Basin). 

Application to the studies of CO2 injection. 

Ph.D. thesis  December 2015 

 

Fernanda de Mesquita L. Veloso  

Universidad de Zaragoza  Departamento de Ciencias de la Tierra ‐ Area de Estratigrafía 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   

   

3D‐dynamic modelling of Cretaceous sandstones at the 

outcrop scale (Galve Sub‐basin, Iberian Basin). Application 

to the studies of CO2 injection. 

Ph.D. thesis, December 2015  

Fernanda de Mesquita L. Veloso  

Supervisors:  Ana Rosa Soria de Miguel (Universidad de Zaragoza) Maria Nieves Melendez Hevia (Universidad Complutense de Madrid) 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Cover Picture: 

CO2  gas  saturation  in  the  study  case  TsunV2  (constant  rate  regime)  at  the 

beginning of the injection simulation and three years later.  

   

https://es.linkedin.com/pub/fernanda‐de‐mesquita‐lobo‐veloso/9b/727/5a4 

To access my LinkedIn profile: 

This thesis is dedicated to my parents and my grandmother.  

Essa tese é dedicada aos meus pais e a minha avó. 

Esa tesis es dedicada a mis padres y mi abuela. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

“Agir,  eis  a  inteligência  verdadeira.  Serei  o  que  quiser.  Mas 

tenho que querer o que for. O êxito está em ter êxito, e não em 

ter condições de êxito. Condições de palácio tem qualquer terra 

larga, mas onde estará o palácio se o não ficarem ali.” 

Fernando Pessoa (1888‐1935) 

Livro do desassossego (1982) 

   

ACKNOWLEDGEMENTS 

This  Ph.D.  project was  constructed  and  achieved with  the  assistance 

and advice of wonderful and competent persons, as well as with the support 

of University  of  Zaragoza,  Ciencias  de  la  Tierra  department,  laboratories  as 

such the “Servicio de Preparación de Rocas y Materiales Duros” and members 

of Stratigraphy section.  

I offer my sincerest gratitude  to my supervisors, Ana Rosa and Nieves 

Melendez who believed in this project and made me turn it in a Ph.D. They set 

excellent examples as successful and accomplished geologist scientist women 

(and mothers). I also thank Peter Frykman (from GEUS) who has supported me 

when it was still a project, then throughout its 4‐years’ development, and until 

now.  

I would  like to thank the CNPq (Conselho Nacional de Pesquisa for the 

fellowship that I was awarded to conduct this Ph.D., and the Spain government 

(proyectos  I+D,  CGL2011‐23717)  for  the  financial  support  to  realize  this 

research. Many thanks to Carlos Liesa, Antonio Casas and Luis Arlegui from the 

Geotransfer  Research Group,  and  Enrique Arranz  from  petrography  section, 

for  their  technical  support  to  collect,  prepare  and  analyze  samples.  Special 

thanks  to  Lope,  Rocio  and  Roy  of  the  stratigraphy  section  for  the  nice 

moments together (when I was there...).  

The international collaborations contributed immensely to my personal 

and professional competences. Thanks to Laboratoire de Fluides Complexes et 

ses Réservoirs of the UPPA (Université de Pau et de Pays de l’Adour), specially 

to  Patrice Creux,  Charles Aubourg  and  Jean  Paul  Caillot  for  the  outstanding 

scientific  stay  and  enlightening  professional  discussions.  Thanks  to  GEUS 

(Geological  Survey  of  Denmark),  in  particular  to  Carsten,  Lars,  Neils  and 

everyone  from  the  Reservoir  department,  for  the  short  but  intense  and 

efficient  stay  during  the  final  steps  of  the  Ph.D.  Also  I would  like  to  thank 

Schlumberger  for making  the modelling  and  simulation  steps  of  this  thesis 

possible  using  one  of  the  best  available  commercial  software  (Petrel  and 

Eclipse).  I  acknowledge  the  IEAGHG  for  the  opportunity  to  join  the  6th 

international  interdisciplinary CCS  (CO2 Capture and Storage)  summer  school 

which permitted me to create and expand my network in the CCS, as well as to 

understand the CCS chain and deployment.  

I  take  this opportunity  to express my gratitude  to my  climber  friends 

(from  Sagunto, Benidorm,  Zaragoza  and  France) who  helped me maintain  a 

clear  brain.  Above  all,  I  also  thank  my  parents  for  the  unceasing 

encouragement,  support  and  attention.  I  am  also  grateful  to  Jean  (my 

husband), who endured me through this venture and stayed on my side in all 

happy  and  painful moments.  Thanks  also  to  Françoise  and  Fabio  for  their 

understanding when reading my “English” version. 

Obrigada! 

Gracias! 

Merci! 

Thanks! 

Tak! 

 

 

CONTENTS

ABSTRACT ........................................................................................................................... 3 

RESUMEN ............................................................................................................................ 5 

RESUMO .............................................................................................................................. 7 

1.  INTRODUCTION ........................................................................................................ 11 

1.1.  THE STUDY AREA AND THE SELECTED OUTCROP: THE ALIAGA OUTCROP .................................... 13 

1.2.  GOALS ........................................................................................................................ 14 

1.2.1.  Framework .......................................................................................................... 14 

1.3.  STATE OF THE ART ......................................................................................................... 16 

1.3.1.  CO2 geological storage ........................................................................................ 16 

1.3.2.  Reservoir and outcrop heterogeneities ............................................................... 19 

1.3.3.  The numerical simulator: Eclipse300 .................................................................. 20 

2.  ALIAGA OUTCROP: SEDIMENTOLOGY AND PETROPHYSICS ........................................ 23 

2.1.  GEOLOGY AT THE BASIN SCALE ......................................................................................... 23 

2.2.  GEOLOGY AT THE OUTCROP SCALE .................................................................................... 29 

2.2.1.  Materials and methods ....................................................................................... 34 

2.2.2.  Sandstone deposits at the macroscale ................................................................ 37 2.2.2.1.  Tsunami deposit .......................................................................................... 37 2.2.2.2.  Barrier island ‐ tidal inlet deposit ................................................................ 39 

2.2.3.  Sandstone deposits at the microscale ................................................................. 43 2.2.3.1.  Microfacies of the tsunami deposit ............................................................ 43 2.2.3.2.  Microfacies of the barrier island ‐ tidal inlet deposit .................................. 50 

2.3.  PETROPHYSICS ............................................................................................................. 55 

2.3.1.  Petrophysics of the tsunami deposit ................................................................... 55 

2.3.2.  Petrophysics of the barrier island ‐ tidal inlet samples ....................................... 59 

2.4.  DISCUSSION ................................................................................................................. 63 

2.5.  CONCLUSION ............................................................................................................... 70 

3.  GEOLOGICAL AND PETROPHYSICAL MODELLING OF THE ALIAGA OUTCROP ............... 75 

3.1.  MATERIALS AND METHODS ............................................................................................. 76 

3.1.1.  Geostatistical analyses ........................................................................................ 76 3.1.1.1.  Spatial data description .............................................................................. 77 3.1.1.2.  Stochastic simulation algorithms ................................................................ 79 

3.2.  GRID CONSTRUCTION .................................................................................................... 81 

3.2.1.  Input surface/horizon construction ..................................................................... 83 

3.2.2.  Layering .............................................................................................................. 86 

3.3.  FACIES MODELLING ....................................................................................................... 87 

3.3.1.  Facies modeling of the tsunami deposit ............................................................. 87 3.3.1.1.  Results of facies modelling of the tsunami deposit .................................... 92 

3.3.2.  Facies modelling of the barrier island‐tidal inlet deposit .................................... 96 

2 

3.3.2.1.  Results of facies modelling of the barrier island‐tidal inlet deposit ............ 99 3.3.3.  Discussion on facies modelling .......................................................................... 103 

3.3.3.1.  Discussion on tsunami facies modelling .................................................... 104 3.3.3.2.  Discussion on barrier island – tidal inlet deposit ...................................... 110 

3.4.  PETROPHYSICAL MODELLING ........................................................................................ 114 

3.4.1.  Petrophysical modelling of the tsunami deposit ............................................... 114 3.4.1.1.  Porosity modelling of the tsunami deposit ............................................... 114 

3.4.1.1.1.  Results of porosity modelling of the tsunami deposit ...................... 117 3.4.1.2.  Permeability modelling of the tsunami deposit ........................................ 121 

3.4.1.2.1.  Results of permeability modelling of the tsunami deposit ............... 122 3.4.2.  Petrophysical modelling of the barrier island – tidal inlet deposit .................... 123 

3.4.2.1.  Porosity modelling of the barrier island – tidal inlet deposit .................... 123 3.4.2.1.1.  Results of porosity modelling ........................................................... 126 

3.4.2.2.  Permeability modelling of the barrier island – tidal inlet deposit ............. 131 3.4.2.2.1.  Results of permeability modelling .................................................... 131 

3.4.3.  Discussion on Petrophysical Modelling ............................................................. 134 

3.5.  MODELLING CONCLUSION ............................................................................................ 136 

4.  CO2 INJECTION IN THE TSUNAMI AND BARRIER ISLAND – TIDAL INLET RESERVOIRS AT 

THE OUTCROP SCALE ........................................................................................................141 

4.1.  RESERVOIR MODEL ..................................................................................................... 141 

4.2.  FLUID MODEL ............................................................................................................ 142 

4.3.  FLUID PROPERTIES ....................................................................................................... 145 

4.3.1.  Density .............................................................................................................. 145 

4.3.2.  Viscosity ............................................................................................................ 146 

4.3.3.  pH calculation ................................................................................................... 146 

4.3.4.  Saturation functions .......................................................................................... 146 

4.3.5.  Diffusion ............................................................................................................ 147 

4.4.  RESULTS OF RESERVOIR SIMULATION ............................................................................... 148 

4.4.1.  Simulation on the Tsunami reservoir ................................................................ 148 

4.4.2.  Simulation on the barrier island – tidal inlet deposit reservoir ......................... 152 

4.4.3.  Flow at the boundary grid blocks of reservoirs ................................................. 157 

4.5.  DISCUSSION ............................................................................................................... 158 

4.6.  CONCLUSION ............................................................................................................. 162 

5.  CONCLUSIONS AND PERSPECTIVE ............................................................................165 

CONCLUSIONES Y PERSPECTIVA ........................................................................................173 

REFERENCES .....................................................................................................................183 

 

   

3  

ABSTRACT 

Geological and reservoir modelling are mandatory in studies that regard 

the  geological  storage  of  CO2.  The  aim  of  this  study was  to  investigate  the 

intra‐unit heterogeneity of the two sandstone deposits observed in the Aliaga 

outcrop at metre  scales, and  to examine how heterogeneity  can  impact  the 

behaviour of CO2  in  the  zone  close  to  the  injector well during  injection  and 

post‐injection processes in a deep saline aquifer scenario.  

The Aliaga outcrop,  is an 8400‐m² 2D vertical face  in the upper part of 

the Camarillas Fm. (Early Cretaceous, Galve sub‐basin). The studied sandstone 

deposits correspond to a tsunami and a barrier island – tidal inlet, which were 

described  in  macroscale  (centimetre  to  metric)  and  microscale  (micron); 

further  cores were drilled  along outcrop  to  collect  samples  for porosity  and 

permeability measurements. The  two sandstone deposits were generated by 

distinct  sedimentary  processes  under  the  same  sedimentary  system,  and 

showed distinct petrophysical characteristics.  

The modelling  process was  different  for  each  deposit,  and  honoured 

the petrophysical characteristics  that were used  to build  the reservoir model 

post‐hoc. The petrophysics models  reflected  the sandy variability, which was 

represented by the facies distribution. The facies were defined as a function of 

the  sand  sorting  at  the  petrographic  scale.  The  tsunami  facies  and  porosity 

distributions  are  homogeneous, whereas  the  barrier  island‐tidal  inlet  facies 

and  porosity  distributions  are  heterogeneous.  Porosity  and  permeability  are 

strongly  correlated  in  both  deposits;  thus,  the  permeability modelling  was 

carried  out  as  a  function  of  the  porosity  model  by  applying  a  regression 

equation.  

Although the permeability is usually low (tens of mD), the two deposits 

behaved as a reservoir. At a short‐time scale (7 years), both reservoirs stored 

at  least of 60%  injected CO2, with  the 20‐40% dissolved  in  the brine. At  the 

sub‐metric  scale,  under  the  same  reservoir  conditions  and  fluid  model 

parameters, the thickness of reservoir has the major impact in the amount of 

CO2 dissolution rather than the permeability contrast. 

   

4 

 

   

5  

RESUMEN 

La  modelización  geológica  y  de  reservorios  es  obligatoria  en  los 

estudios  sobre  el  almacenamiento  geológico  de  CO2.  El  objetivo  de  este 

estudio  ha  sido  investigar  las  heterogeneidades  intra‐capa  en  dos  cuerpos 

arenosos  a  escala  de  afloramiento  (escala  métrica)  observados  en  el 

afloramiento  de  Aliaga,  y  examinar  cómo  estas  heterogeneidades  pueden 

afectar  al  comportamiento  del  CO2  en  la  zona  próxima  al  pozo  inyector, 

durante  los  procesos  de  inyección  y  post‐inyección,  en  un  escenario 

correspondiente a un acuífero salino profundo. 

El  afloramiento  de  Aliaga,  situado  en  la  parte  superior  de  la  Fm. 

Camarillas  (Cretácico  Inferior,  Subcuenca  de Galve),  tiene  una  superficie  de 

afloramiento  2D  de  8.400  m².  Los  dos  cuerpos  arenosos  estudiados 

corresponden al depósito de  un episodio de tsunami y de un complejo isla de 

barrera/inlet. Estos depósitos fueron cartografiados a escala de afloramiento y 

descritos a todas las escalas (desde la macroescala a la microescala) y además, 

en  ellos,  se  extrajeron  núcleos  de  sondeos    sobre  los  que  se  realizaron  las 

medidas  de  porosidad  y  permeabilidad.  Ambos  depósitos  se  generaron  por 

procesos  sedimentarios  distintos  dentro  de  un mismo  sistema  sedimentario 

(ambientes de back barrier)  y muestran características petrofísicas distintas.  

El proceso de modelización fue diferente para cada depósito, y respetó 

las  características  petrofísicas  que  se  emplearon  para  construir 

posteriormente  el modelo  de  yacimiento.  Los modelos  petrofísicos  reflejan 

principalmente  la  variabilidad  de  las  areniscas,  representada  por  la 

distribución de  las distintas  facies  arenosas definidas.    Estas  facies  arenosas 

han  sido  definidas  a  partir  de  la  selección  de  las  areniscas  a  escala 

petrográfica.  La  distribución  de  las  facies  del  depósito  de  tsunami  es 

homogénea,  así  como  la  distribución  de  su  porosidad, mientras  que  en  el 

depósito de isla de barrera/inlet, tanto la distribución de las facies como la de 

la  porosidad  son  heterogéneas.  La  porosidad  y  permeabilidad  están 

fuertemente correlacionados en ambos depósitos; por  lo tanto, el modelo de 

permeabilidad  se  llevó  a  cabo  como  una  función  del modelo  de  porosidad 

mediante la aplicación de una ecuación de regresión.  

6 

A  pesar  de  que  la  permeabilidad  es  generalmente  baja  en  ambos 

depósitos  (decenas de mD), ambos se comportaron como  reservorios. A una 

escala de  tiempo  corto  (7 años), ambos  reservorios almacenan al menos un 

60% de todo el CO2 inyectado, con un 20‐40% de él disuelto en la salmuera.  A 

escala  submétrica, para  las mismas  condiciones de  yacimiento  y  los mismos 

parámetros del modelo de  fluido,  la potencia del  reservorio  tiene un mayor 

impacto en la cantidad de disolución del CO2 que el contrate de permeabilidad 

del yacimiento. 

   

7  

RESUMO 

A  modelagem  geológica  torna‐se  necessária  em  estudos  para 

caracterização  de  um  reservatório  para  armazenamento  geológico  de  CO2. 

Com  este  propósito,  o  presente  estudo  teve  como  objetivo  investigar  as 

heterogeneidades  intra‐layer  (intracamadas)  em  dois  corpos  aflorantes  de 

rochas  areníticas,  em  escala métrica,  do  afloramento  denominado  Aliaga  e 

analisar como essas heterogeneidades podem afetar o comportamento do CO2 

na área próxima ao poço de  injeção durante os processos de  injeção e pós‐

injeção em um cenário de armazenamento em aqüífero salino profundo. 

O  afloramento  de  Aliaga  situa‐se  na  parte  superior  da  Formação 

Camarillas,  pertencente  à  sub‐bacia  de  Galve,  considerada  de  idade  do 

Cretáceo  Inferior.  Em  superfície  aflora  abrangendo  uma  área  de  8.400 m² 

(afloramento  em  2D).  Os  dois  corpos  de  arenito  estudados  para  serem 

utilizados com  reservatórios geológicos de CO2 correspondem a um episódio 

sedimentar relacionado a eventos proporcionados por tsunami e ilha barreira / 

canal  inlet.  Ambas  as  unidades  foram  gerados  por  diferentes  processos 

deposicionais dentro do mesmo sistema sedimentar (parte continental da ilha 

barriera)  e  mostram  diferentes  características  petrofísicas.  Estas  duas 

unidades  foram mapeadas  na  escala  de  afloramento  e  descritas  em  escalas 

microscópica  a  macroscópica  e,  ainda,  foram  efetuadas  sondagens  e  os 

testemunhos  foram utilizados para obtenção das medições de porosidade e 

permeabilidade.  

O  processo  de  modelagem  aplicado  foi  distinto  para  cada  unidade 

estudada,  e  assim,  respeitadas  suas  características  petrofísicas  que  foram 

utilizadas  posteriormente  para  construir  os  modelos  geológico  dos 

reservatórios. Modelos  petrofisicos  refletem,  principalmente,  a  variabilidade 

dos  arenitos,  representada  pela  distribuição  dos  vários  fácies  arenosos 

definidos. Estes fácies arenosos foram classificados a partir da seleção de grãos 

descritos em escala petrográfica. Os fácies do depósito de tsunami apresentam 

uma  distribuição  homogênea,  assim  como  a  porosidade,  enquanto  que  os 

facies do depósito de ilha barreira/ canal inlet tanto a distribuição de fácies e a 

porosidade são heterogêneos. Porosidade e permeabilidade estão fortemente 

correlacionados  em  ambos  os  depósitos,  por  conseguinte,  o  modelo  de 

8 

permeabilidade foi realizado como uma função do modelo de porosidade por 

meio de uma equação de regressão . 

Embora a permeabilidade seja geralmente baixa em ambas as unidades 

(dezenas de mD), as mesmas podem se comportar como reservatórios. Numa 

escala de  tempo curto, de aproximadamente 7 anos, ambos os reservatórios 

apresentam  capacidade  de  armazenamento  de,  pelo menos,  60  %  do  CO2 

injectado e entre 20 e 40 % desse CO2 de  se dissolver na  solução  salina. Na 

escala  submétrica,  para  as mesmas  condições  de  reservatório  e  os mesmos 

parâmetros do modelo de fluido, a espessura do reservatório tem um impacto 

maior  sobre  a  quantidade  de  CO2  dissolvido  do  que  o  contraste  de 

permeabilidade do reservatório. 

   

9  

CHAPTER 1

INTRODUCTION

1.1  The  study  area  and  the  selected  outcrop:  The Aliaga 

outcrop_________________________________________13 

1.2  Goals______________________________________14 

1.3  State of the art______________________________16 

 

   

10 

   

11  

1. Introduction 

The  ‘greenhouse  effect’  refers  to  processes  that  trap  heat  in  the 

atmosphere  and  thus prevent heat  loss  to  space. The effect  is primarily  the 

result of enhanced concentrations of carbon dioxide (CO2) and other gases  in 

the atmosphere, that absorb and re‐radiate energy. Human activity related to 

the  burning  of  fossil  fuels  is  largely  responsible  for  recent  changes  in  the 

natural CO2 balance of the Earth–atmosphere system, and  is thus responsible 

for  the  recent  intensification  of  the  greenhouse  effect  on  Earth  (IEAGHG, 

2013). In Europe alone, the total emission of CO2 from the 28 member states 

(EU28)  caused  by  human  activity  (excluding  land  use  activities,  land‐use 

changes  and  forestry;  LULUCF)  was  2.99  billion  tonnes  in  2012.  The  main 

source  of  CO2  emissions was  public  electricity  and  heat  production  (PEHP), 

which correspond to 27% of the total CO2 emission. Spain was responsible for 

7.5% of the European CO2 emission, occupying 7th place in terms of emissions 

after  Poland  (EEA,  2015).  In  2013,  Spain  produced  only  28%  of  its  PEHP, 

showing  a  strong  dependency  on  imported  energy  (SEE,  2013),  despite 

estimated carbon  reserves  in Spain which,  in 1992, were ~3463.4 Mt  (IGME, 

2012);  however,  Spain’s  carbon  energy  production  in  2012 was  only  21 Mt 

(IGME, 2012), or 1% of its estimated carbon reserves. 

Carbon  dioxide  capture  and  geological  storage  (CCS)  is  a  bridging 

technology  that  will  contribute  to  the  mitigation  of  climate  change,  as  it 

reduces the amount of carbon  in the atmosphere and provides a sustainable 

supply  of  raw  materials.  The  CCS  strategy  consists  of  capturing  CO2  from 

industrial  emissions  and  transporting  it  to  storage  sites  for  injection  into 

suitable underground geological formations for permanent storage. However, 

the  characterization  and  selection  of  appropriate  CCS  sites  is  a  lengthy  and 

costly  process,  and  so  must  begin  early  in  the  project  planning  process. 

Geological  storage  of  CO2  requires  satisfactory  characterization  of  reservoir 

and  caprock  geology  at  both  local  and  regional  scales,  to  elucidate  CO2 

migration  patterns  and  overall  storage  potential.  The  characterization  and 

assessment  of  potential  storage  sites  is  based  on  dynamic  modelling 

comprising a variety of time‐step simulations of CO2 injection into the storage 

site,  using  three‐dimensional  static  geological  Earth models  and  a  complex 

computerized storage simulator (EU, 2009). 

12 

Geological models  for  the  dynamic  study  of  CO2  behaviour  in  deep 

saline  aquifers  should  represent  the  properties  of  rock  heterogeneity,  as 

heterogeneity  maximizes  the  long‐term  storage  of  CO2  in  cases  where 

buoyancy forces drive CO2 movement by density differences (Frykman, 2009). 

The complexity of geological models  is a  function of  the purpose(s)  that  the 

model  addresses;  also,  geological  models  need  to  be  easily  updated  with 

monitoring data, so as to predict safe storage and reduce storage uncertainties 

(Norden  and  Frykman,  2013).  Rock  heterogeneity  depends  on  the  scale  of 

observations,  and  on  the  phenomenon  being  investigated  (Cushman,  1997; 

Bachu  et  al.,  2007;  Frykman,  2009).  Heterogeneity  at  reservoir  scales 

(kilometres) has been studied in an attempt to understand how it impacts fluid 

flow  (Hornung  and  Aigner,  1999;  Eaton  and  Bradbury,  2003;  Felletti,  2004; 

Eaton, 2006; Issautier et al., 2013; Norden and Frykman, 2013; Asharf, 2014). 

Studies  of  heterogeneity  at  outcrop  scales  (metres  to  hundreds  of metres) 

have  shown  the  impact  of  sedimentary  heterogeneity  on  fluid  flow  and  on 

aquifer groundwater flow (Robinson and McCabe, 1997; Bersezio et al., 1999; 

Klingbeil et al., 1999; Dalrymple, 2001; Heinz et al., 2003; Tye, 2004; Wood, 

2004; Huysmans et al., 2008; Frykman et al., 2013). Studies of heterogeneity at 

microscopic scales (microns to millimetres) have demonstrated the impact and 

sensitivity  of  capillary  pressure  and  relative  permeability  on  CO2  trapping 

mechanisms as a  function of CO2  saturation  (Juanes et al., 2006; Spiteri and 

Juanes, 2006; Plug and Bruining, 2007; Pini et al., 2012; Boxiao et al., 2013; 

Frykman et al., 2013). 

The  challenge  in  building  a  geological  model  is  the  integration  at 

different  scales  of  heterogeneity  and  relevant  petrophysical  characteristics 

that  impact  fluid  flow  in  reservoirs  (Corbett  and  Potter,  2004).  The 

incorporation of high‐resolution sedimentary heterogeneity into reservoir and 

groundwater flow models improves the accuracy of predictions regarding fluid 

flow behaviour. Reservoir models are often constructed at field scales (tens to 

hundreds of  square  kilometres),  and practical  limits on  the  size of  reservoir 

simulation models  are  often  imposed  (AAPG,  2015).  The  grid  block  size  in 

reservoir models  is a  function of reservoir heterogeneity, well distances, and 

computational expense or capabilities; the grid block size or cell dimension  is 

usually 40–150 m on horizontal  scales and 1–15 m at vertical  scales  (Asharf, 

2014;  Issautier  et  al.,  2014;  AAPG,  2015).  The  outcrop  scale  is  a  bridge 

13  

between  seismic  and  core  scales,  as  the  outcrop  represents  the  scale  of 

individual bedforms (metres to hundreds of metres) and  laminae (millimetres 

to metres) (Yoshida et al., 2001). 

1.1. The study area and the selected outcrop: The Aliaga outcrop  

Site selection for geological storage of CO2 is a complex issue involving a 

variety of geological and non‐geological variables. The quality of the reservoir 

rocks and  the seal system are of particular  importance  in site selection, as  is 

the  proximity  of  the  site  to  CO2  emission  sources.  The  Lower  Cretaceous 

Camarillas Fm.  is a potentially good candidate  for CO2 storage because of  its 

sedimentological characteristics and its geographical location. In this study, we 

examined  the Camarillas Fm.  in  the province of Cuencas Mineras, which has 

been  one  of  the  most  important  regions  in  Spain  for  the  supply  of  raw 

materials and  for  the generation of electricity  from coal‐fired power stations 

through  the centuries. Today,  the Andorra power plant,  located 60 km  from 

the  study area,  is one of  the most  important heat and electricity generation 

facilities  in  the  Spain.  However,  a  large‐scale  study  of  the  potential  of  the 

Camarillas Fm. for CO2 storage would be costly and prolonged; consequently, 

this study does not examine or appraise the storage capacity of the Camarillas 

Fm.  per  se,  but  rather  presents  a  low‐cost  approach  for  investigating  the 

dynamic  behaviours  of  two  sandstone  units  within  the  Camarillas  Fm., 

determined at outcrop scales. 

Previous stratigraphic and sedimentological studies of the Iberian Basin 

by Soria (1997), Navarrete et al. (2013, 2014) and Navarrete (2015) identified a 

fault‐bounded  sub‐basin,  the Galve  Sub‐basin, within  the Maestrazgo  basin. 

The Camarillas Fm., which was deposited during the Barremian synrift phase, is 

one of  the most  important  sedimentary units  in  the Galve  Sub‐basin  (Soria, 

1997);  the  formation  consists  of  red  clays  and  sandstones,  and  reaches  a 

thickness of up to 800 m (Navarrete, 2015). The Aliaga outcrop, located in the 

upper  part  of  the  Camarillas  Fm.,  exposes  two  sandstone  bodies  that were 

generated  by  distinctive  sedimentary  process;  one  of  the  sandstones  is  a 

tsunami deposit, and the other  is a barrier  island ‐ tidal  inlet deposit. Despite 

their  limited thicknesses  (1–7 m  in each case), both are recognized over vast 

areas  (35  km²).  The  Aliaga  outcrop  reveals  important  information  about 

14 

variations  in  the  sandstone,  in  terms  of  the  size,  sorting  and  nature  of 

component sedimentary grains, over a distance of 200 m, allowing for a study 

of the distribution of sand in the deposits at different scales of observation. 

1.2. Goals 

The aim of this study was to investigate the intra‐unit heterogeneity of 

the  two  sandstone deposits observed  in  the Aliaga outcrop  at metre  scales, 

and  to  examine  how  heterogeneity  can  impact  the  behaviour  of CO2  in  the 

zone close to the injector well during injection and post‐injection processes in 

a  deep  saline  aquifer  scenario.  Dynamic  3D models were  constructed  from 

outcrop  data  obtained  at  the  Aliaga  outcrop;  the  outcrop  provides  direct 

access  to  geological  information  and  sedimentary  samples  for  sedimentary 

and petrophysical analyses. 

1.2.1. Framework 

Constructing a geological model  for  flow simulation requires a step by 

step validation approach. The framework of this study, presented in Fig. 1.1, is 

organized  into three connected parts, referred to as panels, corresponding to 

Chapters  2,  3  and  4  of  the  text.  Although  the  parts  (panels)  are  inter‐

dependent, each part has an independent methodology used to accomplish its 

objective. 

Panel 1  is discussed  in Chapter 2,  Sedimentology and Petrophysics of 

Sandstone Deposits  (Fig. 1.1).  The objective of  this  study was  to establish  a 

correlation between sandy facies and petrophysical characteristics at outcrop 

scales. The stratigraphic and sedimentological studies of Navarrete et al. (2013 

and 2014), conducted at basin‐wide scales,  identified the Camarillas Fm. as a 

good candidate for geological CO2 storage purposes. The Camarillas Fm. crops 

out  for many  kilometres  in  the  study  area,  and  is  composed  of  sandstones 

interbedded with shales and marls. The Aliaga outcrop exposes the upper part 

of  the  Camarillas  Fm., which  consists  of  a  transitional  sedimentary  interval 

from  sandy‐dominant  to  carbonate‐dominant  deposits.  Tsunami  and  barrier 

island ‐ tidal inlet deposits, recognized at basin‐wide scales, were described in 

macroscale  (centimetre  to metre)  and microscale  (microns)  over  the  200‐m 

length of the outcrop. In addition, cores were drilled along the outcrop to  

15  

 

Fig. 1.1: Framework of undertaken actions in this study. 

collect  samples  for  porosity  and  permeability measurements.  Then,  a  facies 

coding  scheme  was  developed,  taking  into  consideration  the  sedimentary 

characteristics  that  are most  relevant  to,  and most  highly  correlated  with, 

hydrodynamic parameters. 

Panel  2  is  discussed  in  Chapter  3,  Geological  and  Petrophysical 

Modelling  of  the  Aliaga  Outcrop  (Fig.  1.1).  This  section  describes  the 

construction  of  3D models  of  tsunami  and  barrier  island/inlet  deposits  for 

reservoir  simulation  studies.  The modelling  process  uses  a  combination  of 

geostatistical  methods  based  on  the  original  data  distribution,  and  is 

conditioned  by  the  quality  and  quantity  of  input  data.  The  vertical  and 

horizontal  resolution  of  the  3D  grid  was  constructed  as  a  function  of 

sedimentary heterogeneity. The facies code defined in Panel 2 was used in the 

16 

facies  modelling  process,  and  the  facies  model  was  conditioned  by  the 

petrophysical modelling.  

Panel  3  is  discussed  in  Chapter  4,  CO2  injection  in  the  tsunami  and 

barrier  island – tidal  inlet reservoirs at the outcrop scale (Fig. 1.1). The panel 

describes the dynamic analyses of the two sandstone deposits during and after 

CO2  injection.  Each  deposit  was  investigated  as  an  individual  reservoir  at 

conditions that allowed CO2 to behave as a critical fluid. The CO2, injected into 

the reservoir as a dry gas, interacted with brine from the first days of injection, 

until the end of simulation, after the  injection was stopped. The physical and 

chemical processes of  injected CO2  into  the  reservoir  are  complex, with  the 

calculation time depending on: number of grid cells, complexity of the model 

and complexity of the fluid behaviour. Because the fluid model  is simple, the 

major complexity is related to model resolution (size and number of grid cells) 

and  the  distribution  of  petrophysical  characteristics.  The  sensibility  of  the 

injection regime and the injector well location were tested for four study cases 

in each deposit.  

Finally, the chapter 5 presents the general conclusions and perspectives 

of this Ph.D. thesis. 

1.3. State of the art 

1.3.1. CO2 geological storage 

Geological CO2  storage  is achieved  through a  combination of physical 

and  chemical  trapping  mechanisms  that  are  effective  over  different 

timeframes and spatial scales (IPCC, 2005; Bachu et al., 2007). Key geological 

characteristics  used  to  evaluate  the  practicability  of  geological  CO2  storage 

include:  reservoir  depth,  reservoir  thickness,  porosity,  permeability,  seal 

integrity  and  aquifer  salinity  (Chadwick  et  al.,  2008).  Thus,  the  geological 

storage  capacity  of  CO2  depends  on  properties  of  the  reservoir  rock  and 

boundary  rocks/faults, as  these play a  role  in physical and chemical  trapping 

mechanisms. 

Four main  trapping mechanisms  (Fig. 1.2) are  required  for permanent 

and safe CO2 storage in reservoir rocks (IPCC, 2005; Chadwick et al., 2008). (1) 

Structural  and  stratigraphic  trapping:  CO2  is  physically  trapped  by  low‐

17  

permeability  and  low‐diffusivity  top‐seal  rocks  or  faults;  structural  traps 

include  those  formed  by  folded  or  fractured  rocks.  (2)  Residual  saturation 

trapping: capillary forces and adsorption onto surfaces of mineral grains in the 

rock matrix immobilise a proportion of the injected CO2 as residual CO2 phase. 

(3)  Dissolution  trapping:  dissolution  and  trapping  of  injected  CO2  within 

reservoir  brine.  (4)  Geochemical  trapping:  reaction  of  dissolved  CO2  with 

native pore fluids and/or minerals constituting the rock matrix or reservoir. 

Geological  CO2  storage  can  be  undertaken  in  a  variety  of  geological 

settings  in sedimentary basins: oil fields, depleted gas fields, deep coal seams 

and  saline  formations are all possible  storage  formations  (IPCC, 2005). Some 

studies  have  shown  that  storage  in  saline  formations  has  the  greatest 

potential, with an estimated storage capacity of 1,000–10,000 Gt (IPCC, 2005; 

IEAGHG, 2013). 

 

 

Fig. 1.2: Evolution of CO2 storage mechanisms through time. The horizontal axis shows the time since the start of injection; the right vertical axis shows the trapping contribution percentage of the four main storage mechanisms; the left vertical axis shows the qualitative evolution of CO2 storage mechanisms. Modified from IPCC (2005). 

   

18 

Predicting the sequestration potential and  long‐term behaviour of CO2 

in deep saline reservoirs requires calculations of the pressure (P), temperature 

(T) and composition  (X) of CO2–H2O mixtures at depths where  temperatures 

are <100°C, at pressures of up  to  several hundred bars. The P–T diagram of 

pure CO2 phases is presented in Fig. 1.3. At the critical point, CO2 behaves as a 

gas  (IPCC, 2005), and the amount of H2O  in the CO2‐rich phase  is small, such 

that CO2 properties can be approximated by those of pure CO2 (Spycher et al., 

2003). 

The  dissolution  of  CO2  in  water  (brine  or  saline  formation  water) 

involves a number of chemical reactions between gaseous and dissolved CO2, 

carbonic  acid  (H2CO3),  bicarbonate  ions  (HCO3−)  and  carbonate  ions  (CO3

2–), 

which can be represented as (IPCC, 2005): 

CO2 (gas) ↔ CO2 (aqueous)          

CO2 (aqueous) + H2O ↔ H2CO3 (aqueous)      

H2CO3 (aqueous) ↔ H+ (aqueous) + HCO3‐ (aqueous)    

HCO3– (aqueous) ↔ H+ (aq) + CO3

2− (aqueous). 

 

Fig. 1.3: Pressure–temperature phase diagram of pure CO2. The arrow  indicates  the average initial  pressure  and  temperature  conditions  of  the  two  reservoirs  examined  in  this  study. Modified from IPCC, 2005 (from ChemicaLogic Corporation, 1999). 

   

19  

1.3.2. Reservoir and outcrop heterogeneities 

Sedimentary heterogeneity  in reservoir models  is usually expressed by 

the distribution of  low‐permeability structural or diagenetic  features, such as 

faults, breccia or deformation bands  (Eaton, 2006), or by  the distribution of 

low‐permeability  facies,  such  as mud  drapes  or  shale  layers  (Ashraf,  2014; 

Issautier et al., 2014). Detailed outcrop models have shown the impact of sand 

heterogeneity  (such  as  heterogeneities  in  grain  size,  sorting  indices,  net  to 

gross  (ratio of  sand  and  clay  content)  and  rock  texture) on  the  local  spatial 

distribution  of  petrophysical  properties  (such  as  porosity,  permeability  and 

capillarity  entry pressure)  (Hornung  and Aigner,  1999; Klingbeil  et al.,  1999; 

Heinz  et  al.,  2003;  Sun  et  al.,  2007; Ambrose  et  al.,  2008; Huysmans  et  al., 

2008;  Frykman  et  al.,  2013).  Studies  of  groundwater  flow  or  contaminant 

movement  in  aquifers  have  also  demonstrated  that  sand  heterogeneity 

determines  local groundwater flow patterns and plume dispersion  in aquifers 

(Koltermann and Gorelick, 1996; Zheng and Gorelick, 2003). 

Sedimentary heterogeneity at outcrop scales can be directly observed 

and sampled,  from  the  fine‐scale  to  large‐scale  features. The geomodel built 

from  outcrop  data  incorporates  reservoir  and  top‐seal  heterogeneity  and 

architecture to investigate the dynamic influence of intra‐body heterogeneities 

on reservoir flow simulations (Robinson and McCabe, 1997; Dalrymple, 2001; 

Tye, 2004; Wood, 2004; Ekeland et al., 2008). Outcrop models are useful when 

the main focus of geomodels is to study injectivity and estimate the capacity of 

structural and dissolution trapping as dominant mechanisms, as the location of 

the  injection well  can  induce  significant  changes  in migration  and  trapping 

efficiency (Le Gallo et al., 2010). The major impacts of injection occur close to 

the  wellbore  region,  and  a  detailed  modelling  approach  in  these  regions 

contributes  to better estimates of  the  injectivity  (Le Gallo, 2009). Therefore, 

analogous  outcrop  studies  can  supply  detailed  geological  information which 

can elucidate geological gaps in local zones on the reservoir model. 

Some significant  limitations of  the study exist with  regard  to outcrop‐

based studies. First, the data are typically 2D (Lantuéjoul et al., 2005) and thus 

present observational biases. Consolidated rock is often preserved in outcrops 

while weaker rocks  (e.g., shales) are often eroded; the dominance of weaker 

rocks can prevent the formation of outcrops altogether. Also, weathering and 

20 

unloading of rocks may change the nature of outcrop exposures and obscure 

features that are relevant in the in situ state (Pyrcz and Deutsch, 2014). 

1.3.3. The numerical simulator: Eclipse300 

The chemical reactivity of CO2 supercritical fluid with brine in reservoirs 

is an important determinant of its flow behaviour in reservoirs. The simulator 

Eclipse300  (E300)  is  a  commercial  (Schlumberger  Company)  compositional 

simulator  based  on  a  cubic  equation  of  state  and  a  pressure‐dependent 

permeability  value.  Technical  descriptions  reported  here  are  found  in  the 

Eclipse Technical Descriptions, Version 2013.1 (Schlumberger, 2013a).  

Several  E300  functions  are  available  depending  on  the  site  and 

operational conditions that need to be modelled. Four equations of state are 

available,  implemented  through Martin's  generalized  equation  (e.g., Martin, 

1979):  Redlich–Kwong,  Soave–Redlich–Kwong,  Peng–Robinson  and 

Zudkevitch–Joffe.  The  program  is written  in  FORTRAN  and  operates  on  any 

computer  with  an  ANSI‐standard  FORTRAN90  compiler  and  with  sufficient 

memory. 

To  model  geological  conditions  in  saline  storage  aquifers,  the 

CO2STORE option of E300 offers  the possibility of modelling  three additional 

phases:  a  CO2‐rich  phase  (labelled  ‘gas’),  an H2O‐rich  phase  (labelled  liquid) 

and  a  solid  phase.  This  option  gives  accurate mutual  solubilities  of  CO2  in 

water, and water in the CO2‐rich phase. Solids (salts) can also be included and 

described as components of the liquid and/or solid phase. 

   

21  

CHAPTER 2

ALIAGA OUTCROP:

SEDIMENTOLOGY AND PETROPHYSICS

 

 

 

2.1  Geology at the basin scale_____________________23 

2.2  Geology at the outcrop scale___________________29 

2.3  Petrophysics________________________________54 

2.4  Discussion__________________________________63 

2.5  Conclusion__________________________________70 

 

   

22 

   

23  

2. Aliaga Outcrop: sedimentology and petrophysics 

This  section  attempts  to  investigate  the  correlation  between  the 

characteristics  of  sandy  facies  and  their  petrophysical  parameters  such  as 

porosity  and  permeability  at  the  outcrop  scale.  The  Camarillas  Fm.  is  a 

relatively thick unit (100‐800 m) consisting of interbedded sandstones, shales, 

and marls. The Aliaga outcrop is an 8400‐m² 2D vertical face in the upper part 

of  the Camarillas Fm.; this outcrop was  included  in  the sedimentological and 

stratigraphic  studies  of Navarrete  et  al.  (2013,  2014)  and Navarrete  (2015). 

The  description  of  the  Aliaga  outcrop  provided  here  consists  of  lithological 

descriptions  of  two  sandstone  deposits  at  both macroscopic  (outcrop)  and 

microscopic scales. Regionally, the two sandstone deposits are recognized over 

vast  areas  at  the  basin  scale  (<7  km),  although  their  individual  thickness  is 

limited  to  1–7 m. Macroscale  descriptions  of  the  sandstone  deposits were 

based  on  the  lithofacies  descriptions  of  Navarrete  et  al.  (2013,  2014). 

Macrofacies were also sampled for petrographic and petrophysical analyses to 

establish a new sandy  facies code. This new code describes  the variability of 

the  sandy  facies,  taking  into account  the petrophysical parameters  that may 

have the greatest effect on fluid flow. 

2.1. Geology at the basin scale 

The  study  area  is  located  in  the  Cretaceous  Galve  sub‐basin  in  the 

Iberian Chain of central–eastern Iberia (Fig. 2.1A). The Galve sub‐basin (40 km 

long  and  20  km wide,  elongate NNW–SSE)  developed  during  Late  Jurassic–

Early Cretaceous rifting (e.g., Salas and Casas, 1993; Capote et al., 2002) at an 

expansion  centre  (RRR  triple  junction  type)  in  the western  Tethys  (Antolín‐

Tomas  et  al.,  2007).  The  sub‐basin  represents  a  western  marginal 

sedimentation  area of  the  coastal Maestrazgo Basin  that  formed during  the 

Early Cretaceous. The activity of two main  fault sets, one trending NNW–SSE 

(e.g. the Alpeñés, Ababuj, Cañada Vellida, and Miravete faults) and the other 

trending  ENE–WSW  (the  Campos,  Santa  Bárbara,  Aliaga,  Camarillas  and 

Remenderuelas  faults)  (Fig.  2.1B  and  C)  determined  the  Early  Cretaceous 

extensional  structure  of  the Galve  sub‐basin  (Soria  1997;  Liesa  et  al.,  2000; 

Soria et al., 2001; Navarrete et al., 2013, 2014). The Tertiary structure of  

24 

 

Fig. 2.1: Geological setting of the study area  in the Galve sub‐basin, modified from Navarrete et al. (2013). (A) Location of the Maestrazgo Basin and the Galve sub‐basin; the area shown in Fig. 2.2 is highlighted by the red square (modified from Capote et al., 2002). (B) Block diagram showing  the  tectonic  setting  of  the  Galve  sub‐basin  during  deposition  of  the  El  Castellar, Camarillas and Artoles formations. (C) Close‐up of the area highlighted in B, and location of the outcrop between the Aliaga–Miravete Anticline and the Camarillas–Jorcas Syncline; point “8” shows the location of the transitional interval on the far side of the Camarillas–Jorcas Syncline (Fig. 3.3B in Chapter 3). (D) Chronostratigraphic diagram and sedimentary record of the Galve sub‐basin and the studied interval (s.u., synrift unconformity; RT, rift transition). (B) and (D) are modified from Liesa et al. (2006) and Rodríguez‐López et al. (2009). 

   

25  

the  sub‐basin  shows  the  superimposition  of  two  orthogonal  fold‐and‐thrust 

structural  trends, one  striking NNW–SSE and  the other WSW–ENE  (Guimerà, 

1988)  (Fig.  2.1B).  Both  structural  trends  represent  the  rejuvenation  and 

inversion  of  normal  faults,  basically  inherited  from  Mesozoic  extensional 

and/or post‐Variscan fracturing (Guimerà et al., 1996; Soria, 1997; Liesa et al., 

2004). Present‐day morphotectonics are the result of extensional deformation 

that  began  on  the  eastern margin  of  the  Iberian  Peninsula  during  the mid‐

Miocene (Simón, 1982, 1989), related to rifting in the Valencia Trough (Álvaro 

et al., 1979; Simón, 1982). 

Outcrops  in  the  study  area  exposing  Palaeogene–Neogene  fold 

structures  provide  excellent  material  for  observations  and  sampling. 

Moreover, geological mapping of  the  steeply dipping  (>75°) western  limb of 

the NNW–SSE‐trending Aliaga–Miravete anticline  (Fig. 2.1C) provides a cross‐

sectional  view  of Cretaceous Galve  sub‐basin  infill  across WSW–ENE‐striking 

listric normal faults (Fig. 2.2). 

Synrift sedimentation in the Galve sub‐basin spans the late Hauterivian 

to the early Albian  (Soria, 1997; Soria et al., 2000; Salas et al., 2001; Liesa et 

al.,  2004,  2006;  Peropadre,  2012),  and  comprises  the  following  units  (Fig. 

2.1D):  (1) an alluvial and  lacustrine  series  (El Castellar Fm.; Soria, 1997)  that 

records  the  transition  from  initial  rifting  to  rift  climax  (Liesa  et  al.,  2006; 

Meléndez  et  al.,  2009);  (2)  red  clays  and  sandstones  (Camarillas  Fm.) 

previously interpreted as a low‐sinuosity fluvial system with broad flood plains 

(Salas,  1987;  Soria,  1997);  (3)  marls  and  limestones  (Artoles  Fm)  rich  in 

calcareous algae, planktic foraminifera and molluscs,  interpreted as a shallow 

marine to transitional carbonate system (Salas, 1987; Soria, 1997) that evolved 

northwards  (towards  the Las Parras sub‐basin)  to a coastal  lacustrine system 

(Soria,  1997);  (4)  a  series  of  siliciclastic  and/or  carbonate marine  platforms 

(Morella,  Chert,  Forcall,  Villarroya  de  los  Pinares  and  Benasal  Fm.) 

characteristic  of  Aptian  sedimentation  (e.g.,  Vennin  and  Aurell,  2001; 

Peropadre et al., 2008; Peropadre, 2012); and  (5) a  late Aptian–early Albian 

transitional siliciclastic series with coal beds (Escucha Fm.; Rodríguez‐López et 

al., 2009). 

The studied outcrop is stratigraphically located in the upper part of the 

Camarillas Fm. in a synrift sequence of the Galve sub‐basin (Fig. 2.1D). The  

26 

 

 

 

   

27  

Camarillas Fm. constitutes one of the most important sedimentary units to be 

deposited  in  the Galve  sub‐basin  during  the  synrift  phase  of  the  Barremian 

(Soria, 1997). The unit exhibits large thickness variations (150–800 m) that are 

related  to  extensional  faulting  (Soria,  1997;  Navarrete  et  al.,  2013)  that 

occurred at the climax of Cretaceous rifting (Liesa et al., 2004, 2006; Navarrete 

et al., 2013). A  recent  sedimentological  study by Navarrete  (2015)  indicated 

that  the  Camarillas  Fm.  is  a  transitional  continental‐to‐marine  sedimentary 

system  composed  of  tidal mud  flat with  tidal  channel  deposits  at  the  base, 

changing upward into barrier island and lagoon deposits. 

The  contact between Camarillas  Fm.  and Artoles  Fm.  is  a  transitional 

interval  characterized  by  two  stages  of  back‐barrier  sedimentation, 

represented by mudstone and sandstone beds that have 45 m thick, at least 5 

km  long, and 7 km wide  (Navarrete et al., 2013)  (Fig. 2.1D and 2.2). Stage 1 

(Fig. 2.3A) is characterised by deposits in extensive back‐barrier mud flats with 

tidal creeks and minor washover  fans,  interbedded with  lagoonal carbonates 

and  influenced  by  local  syn‐sedimentary  tectonics  and  showing  thickness 

variations, rotated blocks and angular unconformities (Fig. 2.3A). Back‐barrier 

stage 2 (Fig. 2.3A) comprises washover fan deposits interbedded with lagoonal 

carbonates,  the  complete  absence  of  back‐barrier  tidal  mud  flats  and 

associated  channels, and well‐developed ebb‐ and  flood‐tidal deposits.  Local 

tectonics  did  not  affect  the  stratigraphic  architecture,  thus  resulting  in  flat‐

lying units. Below the back‐barrier system, an exceptional tsunami deposit (up 

to 3 m thick) was identified by Navarrete et al. (2014); a remarkable dinosaur 

megatracksite of track casts is preserved at the base of the deposit. 

 

 

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

Fig. 2.2  (previous page): The Aliaga–Miravete anticline and  the Galve sub‐basin sedimentary infill. (A) High‐resolution satellite image at a scale of 1:5000 (available on the SITAR web page of  the Aragón Government).  (B) Geological map of Galve  sub‐basin units across WSW–ENE‐striking listric faults; the transitional interval and the outcrop locations are marked, as are the locations of stratigraphic profiles. Modified from Navarrete et al. (2013). 

   

28 

 

 

 

   

29  

The  development  of  extensive  back‐barrier  tidal mud  flats with  tidal 

channels during stage 1, and their absence during stage 2, probably  indicates 

that  stage  1  developed  under  a mesotidal  regime while  stage  2  developed 

under a microtidal regime. This change  in the tidal regime coincided with the 

retreat of the barrier island system to the east, likely associated with a change 

in  basin  configuration,  ultimately  controlled  by  the  development  of  an 

extensional basin (Navarrete et al., 2013). 

2.2. Geology at the outcrop scale 

The Aliaga outcrop is located on the steeply dipping (>75°) western limb 

of the NNW–SSE‐trending Aliaga–Miravete anticline, between the ENE–WSW‐

striking Remenderuelas and Camarillas listric faults (Figs. 2.1B, 2.1C and 2.2), in 

the transitional interval at the top of Camarillas Fm. (Fig. 2.2). The sedimentary 

history  recorded  at  the  outcrop  corresponds  to  the  stage  1  of  back‐barrier 

system  including  the  sedimentary  datum  (Fig.  2.3B),  as well  as  the  tsunami 

deposit  at  the base of  the  interval  (Fig. 2.4).  The outcrop  is  included  in  the 

sedimentological  and  stratigraphic  studies  of  Navarrete  et  al.  (2013,  2014). 

Five sedimentary sections were  logged  in the outcrop (sections 2–8, except 5 

and  6  in  Fig.  2.3B)  and  facies  associations  were  described  through  an 

integrated study of sedimentology, stratigraphy and ichnology. 

The Aliaga outcrop is a 2D vertical face, 210 m wide and 40 m high (Fig. 

2.4), located on road TEV 8008, 5 km from Aliaga village. The road divides the 

outcrop into a North sector (on the north side of the road) and a South sector 

(on the south side of the road) (Fig. 2.4). Sedimentary sections 2–4, 7 and 8 of 

Fig. 2.3B were renamed sections 1–5 (Fig. 2.4) in this study. The Aliaga outcrop 

 

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

Fig. 2.3 (previous page): (A) Sedimentary correlation panel of the transitional interval between the  Camarillas  Fm.  and  Artoles  Fm.  (Fig.  2.2) with  descriptions  of  facies  associations.  The sedimentary datum is the barrier island and tidal inlet deposit facies association (FA4) with the basal wave ravinement surface (wRs). (B) Detail of sedimentary sections representing outcrop face; mfs is the maximum flooding surface. Source: Navarrete et al. (2013). 

   

30 

                 

Fig. 2.4: Aerial photograph of Aliaga outcrop, supplied by the Aragon Visor 2D  (http://sitar.aragon.es/). The Aliaga outcrop is outlined

 by blue rectangle; the sedim

entary sections 1‐5 correspond to sedim

entary sections 2‐8, except 4 and 5 of Fig. 2.3. 

31  

is delimited at the base by the bottom surface of the tsunami deposit and at 

the top by top surface of the barrier  island/tidal  inlet deposit. These deposits 

(Fig. 2.4) were examined in detail to investigate the correlation between sandy 

facies  and  petrophysical  characteristics  of  the  relatively  homogenous 

sandstone deposits at the scale of the sedimentary formation. 

Schematic  sedimentary  section of  the  studied  interval  is presented  in 

Fig. 2.5. The facies descriptions, taken from Navarrete et al. (2013, 2014), take 

into  account  large  (km)‐scale  sedimentary  characteristics; however, many of 

the sedimentary structures described can be observed at  the Aliaga outcrop. 

Brief  descriptions  of  the  facies  associations  observed  at  the  Aliaga  outcrop 

section are given below. 

(A)  Tsunami  deposit  (Fig.  2.4  and  2.5).  This  facies  consists  of  a 

sandstone  body  of  1  to  5 m  thick;  the  sediments were  deposited  on  a  clay 

layer  bearing  dinosaur  trackways  (including  a  7‐km‐long  dinosaur 

megatracksite). At least five sedimentary facies successions can be recognized 

in the sandstone deposit, as related to  inflows and back flows of the tsunami 

wave  train  (Fig.  2.6).  Each  sedimentary  succession  is  composed  of  three 

lithofacies  (from  base  to  top):  a  conglomerate  facies  (LF1),  a  ripple  and 

megaripple facies (LF2) and an oscillation ripple facies (LF3). 

(B) Tidal mud flat (FA1 in Fig. 2.5). This facies association is composed of 

red  and  green mudstones,  red  fine‐grained  sandstones  and  decimetre‐thick 

tabular  sandstones.  The mudstones  are  generally massive  and  arranged  in 

metre‐thick tabular strata, occasionally showing slickensides and mottling. The 

red  fine‐grained  sandstones  are  centimetre‐  to  decimetre‐thick  lenticular 

layers, occasionally with irregular bioturbated bases and vertical burrows. The 

sandstones  pinch  out  towards  the  north  and  south;  they  exhibit  cross‐

lamination, asymmetric ripple  laminations, bivalve fragments and Arenicolites 

and Skolithos  ichnofossils. This  facies association  is  interpreted as a  tidal  flat 

environment  in which the background sedimentation of fine‐grained particles 

settled  from  suspension  under  low‐energy  conditions.  The  centimetre‐  to 

decimetre‐thick  sandstones  containing  Arenicolites  are  interpreted  as  distal 

washover fan deposits interbedded with mudflat mudstones. 

 

32 

 

Fig. 2.5: Schematic  sedimentary  section of  the  studied outcrop;  the  facies associatios, which are the object of this study,are red colored (modified from Navarrete et al., 2013). 

(C)  Carbonate  lagoon  (FA2  in  Fig.  2.5).  This  facies  association  is 

composed  of  carbonates  and  interbedded  ochre‐  and  white‐coloured 

sandstones.  The  carbonates  are  limestones  and  marls  containing  bivalves, 

gastropods  and  charophytes,  which  are  interpreted  as  representing 

sedimentation  in a carbonate  lagoon. The sandstones, which are fine‐grained 

centimetre‐  to  decimetre‐thick  tabular  strata  thinning  northwards  and 

southwards,  pinch  out  in  lagoonal  sediments;  they  exhibit  sub‐parallel  and 

undulating  lamination,  cross‐lamination,  asymmetric  ripple  lamination  and 

local  deformation  as  slump  and  flame  structures.  The  sandstones  are 

33  

interpreted as distal washover  fan deposits  that  interrupted  the background 

low‐energy conditions conducive to carbonate sedimentation in the lagoon. 

(D) Flood‐tidal delta (FA3 in Fig. 2.5). This facies association appears as 

a  fining‐upwards sandy body 6 m thick and 4 km  long.  In the study area, the 

facies pinches out  in  the southern sector of  the profile within  the carbonate 

lagoon  facies.  The  sand  body  shows  a  generally  lenticular  geometry with  a 

sharp  and  flat  horizontal  base  (with  tool  casts  and  locally  horizontal 

bioturbation) and a convex top. The facies association is interpreted as a flood‐

tidal delta  comprising  facies of  flood  ramp and  flood delta origin. The  facies 

FA2  and  FA3  are  vertically  related,  suggesting  a  flood‐tidal delta  encased  in 

mixed carbonate lagoonal deposits. 

(E)  Barrier  island–tidal  inlet  (b.i./inlet)  (FA4  in  Fig.  2.4  and  2.5).  This 

facies association consists of a 6‐m‐thick lenticular body of very coarse‐ to fine‐

grained  sandstone  containing  scattered  oysters  shells,  fish  teeth,  clay  and 

quartzite  pebble  lags,  vertebrate  bones  and metre‐long  tree  trunks  at  the 

base.  Internally,  the  sand  body  is  divided  by  large‐scale  planar  to  slightly 

concave‐up  lateral  accretion  surfaces,  inclined  to  the  northeast  and  with 

aligned  basal  lags  (clay,  quartzite  and  minor  bioclasts).  The  deposit  is 

interpreted  as  a  multistory  body  representing  a  barrier  island  system; 

furthermore, the occurrence of a channel body showing  large‐scale accretion 

surfaces is interpreted as a tidal inlet encased in a barrier spit. 

The  tsunami and b.i./inlet deposits are  relatively homogeneous at  the 

scale of the sedimentary formation; they were recognized by Navarrete (2015) 

in  a 35‐km²  area on both  sides of  the Camarillas–Jorcas  syncline  (Fig. 2.1C), 

despite  their  limited  thicknesses  (1–7 m). The  sandy homogeneity  into both 

deposits  is  dependent  on  the  scale  of  observation.  At  the  basin  scale,  the 

deposits  are  homogenous  sands with  horizontal  continuity, whereas  at  the 

metre and even micron scales, the deposits show variability within the sandy 

facies  in terms of grain size distribution,  lithic and fossil content, sedimentary 

structures, etc. The  lithologies of both deposits are here described at macro 

(metre) and micro  (micron)  scales.  In addition, hydrodynamic measurements 

of  porosity  and  permeability  on  the  outcrop  samples  were  performed  to 

complement the lithological descriptions.  

34 

 

Fig. 2.6: Vertical sedimentary architecture of Tsunami deposit (Navarrete et al. 2014). 

Other  facies  associations between  the  tsunami  and b.i./inlet deposits 

(Fig. 2.5) consist of clay, marl and micritic carbonate  lithofacies;  these  facies 

associations were not included in this study, which focused on high‐resolution 

characterization of heterogeneities  in  the  sandstone, and  the  relationship of 

these heterogeneities to porosity and permeability structures. The sandstone 

deposits of the FA1 (Tidal mud flat with channels) and FA3 (Flood‐tidal delta) 

facies associations were also excluded  from this study because the  facies are 

laterally discontinuous and pinch out in the study area at the Aliaga outcrop. 

2.2.1. Materials and methods 

The  logged  sedimentary  sections  (see  the  outcrop  panel  in  Fig.  2.3B) 

were plotted on aerial photograph of Villarluengo 543‐12 (scale, 1:5000) (Fig. 

2.4).  Using  the  sedimentary  sections  and  the  aerial  photo  as  geographic 

references, a low aerial photograph of the outcrop, obtained by a camera fixed 

to a drone (unmanned aerial vehicle), was georeferenced to the ED‐50 UTM‐30 

geographic coordinate projection. Based on sedimentary interpretations of the 

drone photographs and the sedimentary descriptions of Navarrete et al. (2013 

35  

and 2014), a sampling schema was developed to systematically collect samples 

for  petrographic  analyses  and  petrophysical  measurements  according  to 

lithological variations, and to provide upcoming geostatistically analysis.  

The Aliaga outcrop was divided  into two sectors, the North sector and 

the South sector, separated by  the Aliaga–Miravete road  (Fig. 2.4). From  the 

North  to  the  South  sectors,  fifty‐three  samples were  collected  at  regularly 

spaced intervals along the tsunami and b.i./inlet deposits using a portable rock 

core  drill  (Pomeroy D026‐GT10 Gear‐Reduced Core Drill with  a  48  cm3  Stihl 

motor) and a 4” (10 cm) outer‐diameter drill bit (BS‐4Pro). In areas where the 

thicknesses of deposits were >1 m, samples were collected at the base, middle 

and top of each bed. Orientations of the extracted cores were measured; their 

dimensions varied from 10 to 20 cm in length and 8 to 9.5 cm in diameter. The 

cores  were  obtained  parallel  to  the  dip  direction,  and  were  taken  on  the 

outcrop  face  due  to  constraints  imposed  by  the  orientation  of  the  outcrop; 

therefore core lengths correspond to bed width (Veloso et al., 2013). Samples 

were taken from each core for petrographic and petrophysical analyses. 

Lithofacies described  in the field, based on the studies of Navarrete et 

al. (2013 and 2014), were refined by petrographic descriptions so as to analyse 

the  grain  size  distribution,  sorting,  shape  and  nature  of  grains,  matrix 

components,  sedimentary  structures  and  the  presence  of  fossils  or  cement. 

Many  samples  could  not  be  dissolved  or  disaggregated  by  conventional 

methods used  for  sedigraph  grain  size distribution  analyses due  to  the high 

concentrations  of  carbonate  clasts  and  fractured  quartz  grains;  therefore, 

grain  size  distributions,  estimates  of  sand  sorting  and  sand  nature  were 

obtained  by  quick  petrographic  observations  according  to  a  reference  chart 

(U.S.  GeoSupply  Inc.,  2015).  In  both  sandstones,  sixty‐five  thin  sections  for 

petrographic  study were made  from  samples  collected  from  the  cores  and 

hand  specimens.  The  thin  sections were  oriented  perpendicular  to  bedding, 

and were chemically stained to identify carbonate.  

The  petrophysical  measurements  included  estimations  of  sample 

porosity  and  permeability  by  direct measurements  on  plugs.  Fifty‐six  plugs 

were taken from the cores for measurements of porosity (Phi) and horizontal 

permeability (Kh); a further 23 plugs were used for measurements of vertical 

permeability  (Kv).  The  petrophysical measurements were  conducted  at  the 

36 

Petrophysics  Institute Foundation  (IPF), Madrid, Spain, on plugs 60 mm  long 

and 40 mm  in diameter. The plugs were cut  from  the cores as shown  in Fig. 

2.7, where the vertical plugs were taken perpendicular to the strike direction 

or  in the North direction, and the horizontal plugs were taken parallel to the 

strike  direction  or  the North  direction.  Porosity was  estimated  by  a  helium 

pycnometer at atmospheric conditions and ambient temperatures through gas 

displacement  inside  a  known  cell  volume;  the  pore  volume  was  obtained 

according  to  Boley’s  law  (IPF,  2012).  The  horizontal  (Kh)  and  vertical  (Kv) 

permeabilities  were  estimated  using  a  gas  permeameter  at  steady‐state 

conditions;  the gas permeability was calculated according  to Darcy’s  law and 

was then corrected to the equivalent  liquid permeability using the Klikenberg 

correction factor (IPF, 2012). 

 

Fig. 2.7: Schema for obtaining plugs for petrophysical measurements. The core length is equal to  the width of  deposit;  “V”  plugs were  used  to measure  the  vertical  permeability  and  “H” plugs were used to measure the horizontal permeability; “T” and “B” correspont to the top and base of bedding; respectively. 

   

37  

2.2.2. Sandstone deposits at the macroscale 

Macroscale (decimetres to tens of meters) descriptions of the geometry 

of internal lithofacies and their distributions were obtained in 2D perspectives: 

horizontal in N‐S direction and vertical (thickness). The lithofacies descriptions 

of Navarrete et al. (2013, 2014) were used for macroscale facies mapping; the 

mapping  was  based  on  interpretations  of  drone  photographs  and  field 

observations. 

2.2.2.1. Tsunami deposit 

The tsunami deposit, located at the base of the Aliaga outcrop (Fig. 2.4 

and 2.5), consists of a multiple‐bed deposit of sandstone and conglomerate of 

variable thickness (30–50 cm to 3–4 m). The base is eroded in many areas, and 

the deposit rests on an important dinosaur trackway site. The tsunami deposit 

represents  a  catastrophic  sedimentary  event with  at  least  five  episodes  of 

inflow and backflow of wave  trains  (Fig. 2.6),  related  to sediment deposition 

and  reworking,  respectively  (Navarrete  et  al.,  2014).  The  lithofacies  of  the 

tsunami deposit is described in Navarrete et al. (2014). The sedimentology and 

architecture  of  the  track‐bearing  sandstone  are  based  mainly  on  field 

observations  made  from  20  stratigraphic  sections  logged  in  detail,  and 

interpretations  from  drone  photographs.  Sedimentological  features,  such  as 

grain  size  and  sedimentary  structures,  allowed  the  discrimination  of  four 

lithofacies  (Navarrete  et  al.,  2014),  with  three  being  present  at  the  Aliaga 

outcrop (Fig. 2.6): a conglomerate facies (LF1), a ripple and megaripple facies 

(LF2) and an oscillation ripple facies (LF3). 

Lithofacies LF1 is a conglomeratic facies with matrix‐supported clasts of 

greenish  carbonate  pebbles,  and  plant  and  dinosaur  bone  fragments  in  a 

whitish coarse‐grained sandy matrix of  feldspar and quartz grains along with 

minor zircon, rutile, tourmaline, glauconite and apatite grains (Fig. 2.8A, B and 

C). The LF1 lithofacies is recognized mainly at the base of deposit, as dinosaur 

track  cast  infill  (Fig.  2.8A), where  tracks  are  present.  In  other  zones  of  the 

North  sector,  this  facies  is  locally preserved  in  the middle of  the bed at  the 

base of an intermediate sedimentary succession, as in Fig. 2.8B, Fig. 2.9.  

 

38 

 

 

Fig. 2.8: Field view of Tsunami  lithofacies. (A) The  lithofacies LF1 occurs as dinosaur cast  infill (Section  2,  Fig.  2.3B).  (B)  Field  view  of  the  sedimentary  succession  in  section  2  (Fig.  2.3B) showing the lithofacies arrangements  in the sedimentary successions. Palaeocurrent indicators in lithofacies LF2 indicate flow towards the SSE. (C) Lithofacies LF1, showing cross‐stratification and a palaeocurrent direction  towards the NNE  (Section 2, Fig. 2.3B).  (D) Detail of Fig. 2.9D, showing lithofacies LF1 and LF2. (E) Detail of lithofacies LF2 in Section 2 (Fig. 2.3B), showing a fining  upward  sequence with  centimetre‐scale  planar  cross‐stratification;  the  palaeocurrent direction is towards the SSE. 

   

39  

The LF1  lithofacies  is generally massive, although  locally  it shows  faint cross‐

laminations,  horizontal  laminations  and  fining  upward  (Fig.  2.8C).  Cross‐

stratification  planes  measured  in  sedimentary  sections  3  and  4  (Fig.  2.4) 

indicate a N–NNE palaeo‐flow direction  (Fig. 2.8C). The geometry of  the  LF1 

lithofacies is usually lenticular, with a length of 1–10 m and thickness of 2–15 

cm  (Fig.  2.8B  and  D  and  Fig.  2.9).  The  drone  photographs  show  that  the 

lithofacies occurs in zones where the thickness of the lithofacies is >5 cm and 

the length is >1–2 m. 

The ripple and megaripple lithofacies (LF2) is the most abundant facies 

in the both sectors of outcrop (Fig. 2.6, 2.8 and 2.9). It is composed of fine to 

coarse  feldspar and quartz sand with  fining‐upward grain‐size sequences and 

centimetre‐ to decimetre‐scale sets of cross‐bedding and planar cross‐bedding 

(Fig. 2.8E);  its geometry  is wedge‐shaped, with a thickness of 15–160 cm (Fig. 

2.8D and 2.9). 

Lithofacies  LF3  is  scarce  and  is  composed of  fine  to medium  feldspar 

and  quartz  sand with  an  upward  decrease  in  grain  size;  its  thickness  at  the 

Aliaga  outcrop  is  5–28  cm  and  its  contact with  LF2  is  gradual  (Fig.  2.6  and 

2.8B). This  facies  shows  asymmetrical  climbing  ripples  and  cross‐laminations 

and parallel laminations.  

The  tsunami  sandstone  bed  has  the  geometry  of  pseudo‐sand  sheet 

deposit, with an irregular basal surface. A preliminary map of the macro facies 

was drawn on a drone photograph to delimit the geometry of the  lithofacies 

deposit. Macrofacies  LF2  and  LF3  are  similar  in  colour  and were  difficult  to 

distinguish on the drone photographs (Fig. 2.9). 

2.2.2.2. Barrier island ‐ tidal inlet deposit  

The barrier island ‐ tidal inlet (b.i./inlet) deposit is located at the top of 

outcrop  profile  (Figs.  2.3,  2.4  and  2.5).  This  deposit  comprises  a  6‐m‐thick 

lenticular body of ochre‐coloured very coarse‐ to fine‐grained sandstone with 

scattered oysters shells, fish teeth, pebbles, and clay and quartzite pebble lags. 

In the study area, Navarrete et al. (2013) interpreted the deposit as a tidal inlet 

sandstone encased in a barrier spit that recorded changes in flow energy and  

   

40 

 

 

 

Fig. 2.9: Tsunami deposit  in a drone photograph and a map of the  lithofacies as  identified  in the sedimentary sections and described in Navarrete et al. (2014). Drillcores are indicated by a star.  (A)  Excerpt of  the  South  sector.  (B) Excerpt of  the North  sector;  the  square  labelled D indicates the area shown in Fig.2.8D. 

   

41  

interruptions  in water flow; these conditions give the deposit different scales 

of  heterogeneity  that  can  be  observed  by  comparing  the  North  and  South 

sectors of the outcrop. 

In  the  South  sector,  this  deposit  is  characterised  by  a  3  to  7 m‐thick 

lenticular body of lihofacies LF4 (Fig. 2.10A and B); this lithofacies is an ochre‐

coloured  medium‐  to  fine‐grained  sandstone  with  decimetre‐thick  trough 

cross‐bedding  sets  (maximum  thickness,  35  cm)  and  centimetre‐thick planar 

cross‐bedding  sets  (maximum  thickness,  8  cm).  The  basal  surface  is  slightly 

concave and  includes metre‐long tree trunks and vertebrate bone fragments; 

the top surface is flat (Fig. 2.11A).  

In  the  North  sector,  two  main  lithofacies  (1  to  3  m  thick)  are 

distinguished (Fig. 2.11B). Lithofacies LF4 is an ochre‐coloured coarse‐ to fine‐

grained  sandstone with  decimetre‐thick  trough  cross‐bedding  sets  and  clay 

and quartzite pebble  lags  (Fig. 2.11B and 2.10). Lihofacies LF5  is a grey very‐

fine‐grained  cemented  sandstone  with  centimetre‐thick  trough  cross‐

lamination sets, drapes, locally interfering ripple crests and asymmetric wave, 

ripples on top of the cross‐bed sets (Fig. 2.10C), scattered oysters, fishes teeth 

and  centimetre‐thick  accumulations  of  bioclast  or  carbonaceous  plant 

fragments (Fig. 2.10D). 

Navarrete  et  al.  (2013)  measured  the  palaeocurrent  directions 

throughout  the  Miravete  anticline,  and  reported  unidirectional  flow 

representing  a  flood  into  the barrier  island  system.  The  authors  interpreted 

major  bedding  surfaces  inclined  towards  the  NE  as  tidal  inlet  accretion 

surfaces developed by primary longshore drift currents. 

At  the  outcrop  scale,  the  b.i./inlet  deposit  shows  heterogeneous 

lithofacies distributions and deposit geometries between the North and South 

sectors.  In  the  South  sector  (Fig.  2.11A),  the  deposit  is  thicker  (3–7 m)  and 

lithofacies LF4 is dominant. This lithofacies was generated by the migration of 

minor megaripples that were moved by flood and ebb water fluxes under low‐

energy  flow  regimes  in  the  shoreface  zone  of  a  tidal  inlet/barrier  spit 

(Navarrete et al., 2013). In the North sector (Fig. 2.11B), the thickness of the 

   

42 

 

 

 

 

Fig. 2.10: Field view of the barrier island ‐ inlet facies. (A) and (B) Lithofacies LF4 in the South sector  showing  decimetre‐thick  trough  cross‐bedding  and  planar  cross‐bedding  sets.  (C) Lithofacies  LF4  and  LF5  in  the North  sector  showing  centimetre‐thick  trough  cross‐bedding laminations and asymmetric wave structures (arrow). (D) Plant fragments in sample 59 (see in Fig.2.12B). 

   

43  

deposit  is 1–3 m and  two  facies are dominant:  lithofacies  LF4 with bioclasts 

and pebbles, and lithofacies LF5, a grey cemented sandstone with drapes and 

accumulations  of  bioclasts  or  plant  fragments,  and  asymmetric  wave  and 

interference  ripples  structures. These  structures  in  LF5  indicate  variations  in 

the flow regime, probably associated with tidal flows from brackish to marine 

conditions (Navarrete et al., 2013). 

2.2.3. Sandstone deposits at the microscale 

The  petrological  characterization  of  the  lithofacies  was  based  on 

analyses  of  65  thin  sections  of  samples  obtained  from  cores  and  hand 

specimens. The classification used for the mineralogical analyses was based on 

that of Pettijohn et al. (1973). The estimates of grain size distribution and sand 

sorting,  as  well  as  of  bulk  composition,  were made  by  quick  petrographic 

observations, according to the reference chart of U.S. GeoSupply Inc. (2015). 

A  preliminary  analysis  of  samples  of  tsunami  and  b.i./inlet  deposits 

showed that nearly every sample was an arkosic or subarkosic sandstone, with 

an average composition of 10% clay matrix, 60% quartz (monocrystalline and a 

few  polycrystalline  samples),  20%  feldspar  (plagioclase  and  K‐feldspar)  and 

10% lithic fragments. This mineralogical homogeneity excluded a mineralogical 

classification  of  the  lithofacies,  and  thus  the  lithofacies were  classified  as  a 

function of grain size distribution, sand sorting, and cement content. 

2.2.3.1. Microfacies of the tsunami deposit 

The petrological characterization of  the  tsunami  lithofacies was based 

on  analyses  of  36  thin  sections  (Table  2.1).  The  locations  of  these  samples 

along  the outcrop are  shown  in Fig. 2.12. All  samples are  subarkosic–arkosic 

sandstones, containing 10% clay matrix, 50%–70% quartz, 10%–20%  feldspar 

and  5%–15%  lithic  fragments with mud  clasts  and micas  as  the main  lithic 

grains. Kaolin and calcite are the most common cements (Caja, 2004); their  

   

44 

  Fig. 2.11: D

rone photographs of the b.i./inlet deposit. A: South sector. B: N

orth sector.  

45  

contents vary from trace amounts to 10% (Fig. 2.13A); a few samples contain 

trace amounts of dolomite cement  (Fig. 2.13D). The main accessory minerals 

are  tourmaline  and  trace  amounts  of  phosphate  and  organic  matter. 

Sedimentary  structures, where present, consist of  trough cross bedding with 

an apparent direction to North. The upward decrease in grain size is apparent 

at  the  microscale  (Fig.  2.13A).  Fractured  quartz  and  feldspar  grains  are 

abundant in many samples (Fig. 2.13A and B). The red colour of the sandstone 

in  the  southernmost  part  of  the  South  sector  profile  (Fig.  2.9A  and  2.12)  is 

probably related to the relatively high K‐feldspar content (sample 83, Fig 2.9A 

and Fig. 2.13B). 

The samples were first classified as a function of sorting (Table 2.2 and 

Fig. 2.12);  four  sorting  facies were defined:  (0) poorly  sorted  sandstone  (PSs 

facies), (1) moderately sorted sandstone (MSs facies), (2) cemented sandstone 

(CSs facies) and (3) well‐sorted sandstone (WSs facies). Samples with bimodal 

grain‐size distribution were classified as MSs facies, and those with a cement 

content > 10% as CSs facies. Table 2.2 summarizes the number of samples by 

sorting  class  and  the  equivalent  lithofacies  at  the  macroscale.  Half  of  the 

samples  were  classified  as  WSs  facies;  in  the  South  sector,  almost  every 

sample was WSs  facies, whereas all  facies were present  in  the North  sector 

(Fig.  2.12).  The  cemented  samples were  found  in  both  sectors  at  the  base, 

middle and top of the profile, and comprised the WSs and PSs facies (Fig. 2.12, 

Table  2.1).  The  dinosaur  footprints  were  sampled  infrequently,  and  are 

generally filled with PSs facies.  

Samples  were  also  classified  as  a  function  of  grain  size  distribution 

following  Folk  (1980).  They were  grouped  into  five  grain‐size  facies  classes: 

coarse  grained,  medium–coarse  grained,  medium  grained,  fine–medium 

grained  and  fine  grained  (Table 2.3).  The equivalent  grain‐size  facies  classes 

and macroscale  lithofacies  are  listed  in  Table  2.3. Half  of  the  samples were 

classified  as  fine‐  and  fine‐  to  medium‐grained  sand,  three  samples  were 

classified  as  coarse‐grained  sand,  and  the  others were  classified  as  fine‐  to 

coarse‐grained  sand.  Generally,  the  fine‐grained  sands  are  well  (WSs)  or 

moderately  sorted  (MSs)  sands,  and  the  coarse‐grained  sands  are  poorly 

sorted  (Pss; Table 2.3); coarser  samples are  located  in  the North  sector  (Fig. 

2.12).   

46 

  Fig. 2.12: D

rone photographs showing the spatial distribution of collection localities of tsunami samples, classified according degree of sorting 

(see legend).The photographs extend from the South (upper photograph) to the North (lower photograph) sector. 

47  

The tsunami facies are relatively homogeneous when classified in terms 

of sorting, with 70% of the facies classified as WSs and MSs facies. In terms of 

grain size, almost half the tsunami samples are classified as fine‐ to medium‐

grained,  and  the  other  half  are  classified  as  coarse‐grained,  medium‐  to 

coarse‐grained  or  medium‐grained.  Generally,  the  lithofacies  at  the 

macroscale  are more  correlated  with  grain  size  facies  classes  than  sorting 

facies  classes;  however,  the  sorting  facies  classes  allow  identification  of 

heterogeneities  between  sector:  in  the  South  sector,  the  WSs  facies  is 

dominant  (Table  2.1), while  in  the North  sector,  all  facies  are  present  (Fig. 

2.12). 

Table  2.1:  Tsunami  samples  and  their  petrographic  and  petrophysical  characteristics.  Table headings:  Phi  is  measured  porosity;  Kh  and  Kv  is  measured  horizontal  and  vertical permeabilities respectively; %Clast is the sum of quartz, feldspar and lithics grains; %Cement is the amount of cement content which can be calcite, kaolin and dolomite; Sorting  is the sand sorting at microscopic scale; Grain Size is the average sand size at the microscopic scale; Facies is the code to distinguish sorting facies class; and Sector is the location of sample in the outcrop face.  

Sample 

Phi 

(m³/m³) 

Kh (mD) 

Kv (m

D) 

% Clast 

(Qtz+F+L) 

% cement 

Sorting 

Grain Size 

Facies 

Sector 

1        80    well  medium  3 

North 

2        80  3 Moderate (bi‐modal)

fine‐coarse  3 

3        80  3  well  fine‐medium  3 

5        50  50  moderate medium‐coarse  2 

41  0.197  13.9  14  65  7  well  fine‐medium  3 

42  0.0663  0.17    65  7  moderate medium‐coarse  1 

43  0.076  2.1    70  5  moderate medium‐coarse  1 

44  0.1676  7.91    85    well  medium  3 

45  0.1859  10.3    85    well  fine‐medium  3 

46  0.1272      85  3  poor coarse‐very 

coarse 0 

47  0.1795  7.84    85  3  well  medium  3 

48  0.1685  10.45    70  7  poor  fine‐medium  0 

49  0.184  14.24  10.89  85  3  moderate fine‐medium  1 

50  0.171  5.15  4.57  70  10  well  fine‐medium  2 

51  0.164  4.83    80  3  moderate medium‐coarse  1 

48 

Sample 

Phi 

(m³/m³) 

Kh (mD) 

Kv (m

D) 

% Clast 

(Qtz+F+L) 

% cement 

Sorting 

Grain Size 

Facies 

Sector 

52  0.176  6.55    80  3  well  fine‐medium  3 

53  0.173  7.77  7.73  65  10  poor  fine‐coarse  2 

54  0.143  5.17    65  10  poor  medium‐coarse  2 

55  0.189  8.09  7.7  70  7  moderate medium‐coarse  1 

56  0.184  7.47    75  3  well  fine‐medium  3 

57  0.179  6.5    75  3  poor  fine‐coarse  0 

23        70  10  moderate medium‐coarse  2 

South 

27        80  5  well  fine  3 

28  0.111  1.57  1.96  65  10  well  fine  2 

83  0.187  14.96    80  5  well  medium  3 

84  0.204  26.65  20.89  70  5  moderate medium  1 

85  0.166  5.91  7.02  85  5  well  medium  3 

86  0.213  28.76  24.09  75  7  well  medium‐coarse  3 

87  0.196  11.04    75  10  well  fine‐medium  3 

88  0.187  10.19  11.14  75  7  well  fine‐medium  3 

89  0.163  8.29  21.21  70  10  well  fine‐medium  2 

90  0.171  9.25  9.06  70  10  well  fine‐medium  2 

91  0.156  5.48    80  7  well  fine‐medium  3 

92  0.168  8.14    75  10  well  fine  3 

93  0.176  6.99    75  7  well  fine  3 

94  0.143  2.99    75  7  well  fine‐medium  3 

 

 

 

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

Fig. 2.13: Thin sections of tsunami samples (next page). (A) Sample no. 2: WSs facies showing upward‐decreasing sand size from medium to fine sand. Cross polarized  light. (B) Sample no. 83: WSs facies showing a medium sand size, with the K‐feldspar content increasing towards the top of the sample. Plane polarized light. (C) Sample no. 28: Css facies showing a fine sand size and  good  sorting.  Plane  polarized  light.  (D)  Sample  no.  46:  Pss  facies  showing  traces  of dolomite cement and fractured quartz. Plane polarized light.Location of samples is given in Fig. 2.12. 

   

49  

 

   

50 

Table 2.2: Tsunami facies classes based on degree of sorting and equivalent  lithofacies. Table variables: Name is the abbreviation of facies classification by sorting; Lithofacies macroscale is the equivalent facies described by Navarrete et al. (2014); North and South are the quantity of samples in each sector; and Total is the sum of samples by facies.   

    Tsunami 

Code  NameLithofacies macroscale

North  South  Total 

0  PSs  LF1 3 0 3

1  MSs  LF2  6 2 8

2  CSs  LF1 or LF2 4 3 7

3  WSs  LF2 or LF3  8  10  18 

total      21  15 36

 

Table 2.3: Tsunami  classification based on grain  size and equivalent  sorting  facies  class and macroscale lithofacies. ‘Sorting class’ for a given class are listed in order of abundance. 

  Number of samples  

Class  North South  Total Sorting class Lithofacies macroscale 

Coarse  4 0 4 PSs LF1

Medium‐coarse 6 2 8 MSs,WSs, PSs LF2

Medium  3 3 6 Wss, MSs LF2

Fine‐medium  8 6 14  WSs,MSs,PSs LF2

Fine  0 4 4 WSs LF3

Total  21 15 36     

 

2.2.3.2. Microfacies of the barrier island ‐ tidal inlet deposit 

The  petrological  characterization  of  the  barrier  island  ‐  tidal  inlet 

(b.i./inlet) lithofacies was based on observations of 30 thin sections (Table 2.4) 

obtained from cores and hand specimens. The locations of the samples in the 

outcrop are shown in Fig. 2.11. All samples are subarkosic–arkosic sandstones 

consisting of 5%–15% clay matrix, 50%–70% quartz, 10%–20%  feldspars, and 

10%–25% lithic fragments dominated by mud clasts and bioclasts. Tourmaline 

is  the most  abundant  accessory mineral,  followed  by  opaque minerals  and 

phosphate.  Sedimentary  structures, when present,  are  trough  cross bedding 

with  apparent  N–S  orientations.  Some  samples  have  a  bimodal  grain‐size 

51  

distribution (Fig. 2.14A). Fractured quartz grains are less numerous than in the 

tsunami  deposit,  and  authigenic  kaolinite  is  locally  present  Fig.  2.14B).  The 

cement  is principally dolomite and  locally calcite or kaolin Fig. 2.14C), and  it 

generally makes up less than 10% of the whole rock (Fig. 2.14), except in some 

samples  in  the North  sector  from  the  LF5  lithofacies, where  the matrix  has 

been entirely replaced by dolomite cement (Fig. 2.14D). 

Samples were classified by  the degree of  sorting Table 2.5), based on 

the classification used in Section 2.2.3.1, into the PSs, MSs, WSs and CSs facies. 

Samples with bimodal grain‐size distribution were classified as MSs facies, and 

cement samples were considered as those with a cement content that made 

up  >10%  of  the  total  rock.  The  spatial  distribution  of  samples  classified  by 

sorting  facies class  is heterogeneous  in  the deposit  (Fig. 2.11 and Table 2.5); 

nearly all samples classified as WSs and MSs are located in the South sector of 

the profile, whereas most samples  in  the North sector were classified as PSs 

sorting  facies class  (Table 2.5 and Fig. 2.11). The CSs  facies  is only present  in 

the North sector (Table 2.4, Fig. 2.11); CSs facies samples are sub‐classified as 

MSs and PSs facies. 

Samples  were  also  classified  by  grain  size  facies  class  based  on  the 

classification  outlined  in  Section  2.2.3.1.  The  spatial  distribution  of  samples 

classified in different grain size classes shows that samples of the fine–medium 

facies  class occur  in  the  South  sector  (Table 2.6), whereas  those  from other 

grain size facies classes are regularly distributed throughout the deposit (Table 

2.6). Generally, samples of fine–medium and medium grain size facies classes 

are also classified as WSs and MSs sorting facies classes, and samples of coarse 

or medium–coarse  grain  size  classes  are  also  classified  as  PSs  sorting  facies 

(Table 2.6). 

The  heterogeneity  of  the  sandy  facies  distribution  is more  apparent 

when samples are classified by sorting facies class rather than grain size facies 

class. A clear difference between the sectors is observed in the abundances of 

the WSs and MSs facies in the South sector, whereas the PSs and CSs facies are 

abundant in the North sector. Samples classified by grain size facies class show 

a homogeneous distribution  in the deposit, except those of the fine–medium 

grain size class, which are more abundant in the South sector. 

52 

Table  2.4:  B.i./inlet  samples  and  their  petrographic  and  petrophysical  characteristics.  Table headings: Phi is measured porosity; Kh and Kv is measured horizontal and vertical permeability respectively; %Clast is the sum of quartz, feldspar and lithics grains; %Cement is the amount of cement  content  which  can  be  calcite,  kaolin  and  dolomite;  Sorting  is  the  sand  sorting  at microscopic scale; Grain Size is the average sand size at microscopic scale; Facies is the code to distinguish sorting facies class; and Profile sector is the location of sample in the outcrop face. 

Samples 

Phi 

(m³/m³) 

Kh (mD) 

Kv (m

D) 

% Clast 

(Qtz+F+L) 

% cement 

Sorting 

Grain Size 

Facies 

sector 

18        70  5  moderate  Fine‐medium  0 

North 

19        70  10  moderate  fine  2 

20        70  10  moderate  fine_medium  2 

39  0.115  0.9  0.5  60  5  poor  medium  0 

60  0.1545  8.24  9.58  70  7  poor  coarse  0 

61  0.165  14.42    75  3  poor  medium‐coarse  0 

62  0.0236  0.01    50  40  moderate  medium  2 

63  0.1489  4.28  2.85  65  7  poor  medium‐coarse  0 

64  0.1492  3.53    75  3  poor  medium‐coarse  0 

64.5 

0.0239  0.02    50  30  poor  fine‐medium  2 

65  0.064  0.09    70  7  poor  medium‐coarse  0 

66  0.1127  0.7    75  3  moderate  medium‐coarse  1 

36  0.21  16  16.5  90  3  well  fine_medium  3 South 

37  0.14  2  4.2  70  5  poor  fine‐medium  0 

67  0.1947  8.87    85  3  moderate  medium‐coarse  1 

68  0.2028  11.23    70  5  moderate  medium‐coarse  1 

69  0.1804  9.6    75  5  moderate  medium‐coarse  1 

70  0.1516  6.79    85    moderate  fine‐medium  1 

71  0.1945  15.33  12.14  80  7  well  medium  3 

72  0.1803  9.25  14.2  80  5  well  medium  3 

73  0.1793  6.79    85  5  poor  fine‐medium  0 

74  0.1871  6.64  7.38  80  5  poor  fine‐medium  0 

75  0.2086  11.9    90  3  moderate  medium‐coarse  1 

76  0.1842  7.59    75  3  well  fine‐medium  3 

77  0.1886  8.25    80  5  moderate  coarse  1 

78  0.1864  9.08  8.3  75  7  moderate  medium‐coarse  1 

79  0.1778  8.1  8.51  75  5  well  fine‐medium  3 

53  

Samples 

Phi 

(m³/m³) 

Kh (mD) 

Kv (m

D) 

% Clast 

(Qtz+F+L) 

% cement 

Sorting 

Grain Size 

Facies 

sector 

80  0.1135  2.03    70  7  moderate  medium‐coarse  1 

81  0.2175  12.89  14.63  80  3  well  fine‐medium  3 

82  0.1279  5.72    70  7  moderate  medium‐coarse  1 

 

 

Table 2.5: B.i./inlet sorting facies classes and equivalent lithofacies 

Code Lithofacies macro‐scale

Name  North  South  Total 

0  LF4 or LF5 PSs 6 3 9

1  LF4 or LF5 MSs 2 9 11

2  LF4 CSs 4 0 4

3  LF4 WSs 0 6 6

total      12 18 30

 

 

Table  2.6:  B.i./Inlet  grain  size  facies  classes  and  equivalent  sorting  facies  classes  and macroscale lithofacies. 

  Number of samples   

Class  North  South  Total  Sorting class Lithofacies macroscale 

Coarse  1 1  2 PSs, MSs LF4

Medium‐coarse  5 7  12 MSs, PSs LF4

Medium  2 2  4 WSs, MSs, PSs LF4 or LF5 

Fine‐medium  3 8  9 WSs, PSs, MSs LF4 or LF5 

Fine  1 0  0 MSs LF5

Total  9 18 27    

 

   

54 

 

 

   

55  

2.3. Petrophysics 

Fifty‐six  plugs  for  porosity  (Phi)  and  horizontal  permeability  (Kh) 

measurements, and 23 plugs for vertical permeability (Kv) measurements were 

taken from drilled cores. All samples were classified by sorting facies class and 

grain  size  facies  class  (Table  2.1  and  Table  2.4).  For  all  samples  (from  both 

deposits and sectors), the range of porosity (Phi) values was 2%–22% and the 

permeability values were 0.01–28 mD. A plot of Phi versus Kh for all samples 

(Fig. 2.15) shows a strong correlation (correlation coefficient, r2, of 0.8 and 0.9 

for the tsunami and b.i./inlet regressions, respectively). In both deposits, Kv is 

strongly correlated with Kh (r2 = 0.85) (Fig. 2.16); therefore, the permeability is 

considered  to be  isotropic, and no  further analyses of Kv were performed  in 

this study. The Phi and Kh values of the tsunami  lithofacies are usually >14% 

and 3 mD, respectively, whereas the Phi and Kh values of the b.i./inlet deposit 

vary widely.  

2.3.1. Petrophysics of the tsunami deposit 

The porosity (Phi) and horizontal permeability (Kh) of tsunami samples 

were measured on 30 plugs; the vertical permeability (Kv) was measured on 12 

of these plugs. Samples were classified as a function of sorting facies class and 

grain size facies class (Table 2.1). The Phi versus Kh plot (Fig. 2.17) of tsunami 

samples shows porosity varying from 14% to 22% (as outlined by the ellipse in 

Fig. 2.17). Samples were classified by their sorting facies class, and cemented 

samples were also sub‐classified according to their sand sorting.  

 

 

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

Fig.  2.14  (previous  page):  Photomicrographs  of  b.I./inlet  samples.  (A)  Sample  no.  75  (South sector): MSs  facies showing apparent bi‐directional palaeocurrent directions. Plane polarized light. (B) Sample no. 79 (South sector): WSs facies showing fine sand and authigenic kaolinite. Cross polarized light. (C) Sample no. 68 (South sector) from the MSs facies showing clay matrix replaced  by  dolomite.  Plane  polarized  light.  (D)  Sample  no.  62  (North  sector)  from  the  CSs facies with matrix entirely replaced by dolomite. Plane polarized light. (E) Sample no. 66 (North sector) from the PSs facies showing very coarse grain sizes. Cross polarized light. 

   

56 

 

Fig. 2.15: Phi versus Kh  for all samples. Red squares,  tsunami samples; blue circles, B.I./inlet samples. 

 

Fig. 2.16: Horizontal permeability (Kh) versus vertical permeability (Kv) for all samples. 

 

57  

Despite cementation  in some samples, all Ph vs. Kh values  lie within a 

narrow  range.  A  comparison  of  facies  in  the  North  and  South  sectors  (Fig. 

2.18A and B) shows that samples from the South sector are comprised of the 

WSs facies class whereas those of the North sector belong to the Wss and Mss 

facies classes, with some PSs facies samples. The values of Phi and Kh in North 

sector samples are lower for the MSs facies than for those in the South sector; 

values of Phi and Kh  for samples of  the PSs  facies class  lie within  the ellipse 

shown in Fig. 2.17. 

 

Fig. 2.17: Phi versus Kh plot  for  the  tsunami  samples,  classified by  sorting  facies. Except  for three  samples,  the  porosity  values  lie  in  the  range  0.14–0.22  (blue  ellipse).  The  cemented samples (CSs class) are shown by pale red symbols and sub‐classified by their sand sorting. 

 

Samples  on  the  Phi  vs.  Kh  plot  (Fig.  2.19)  are  classified  according  to 

their grain size facies class. Two samples that fall outside of the ellipse  in Fig. 

2.19 belong  to  the medium–coarse grain size class; one sample belonging  to 

the fine grain size class  is also classified as the CSs facies.  In the South sector 

(Fig.  2.20A),  samples  are  principally  classified  in  the  fine‐medium  grain  size 

class. In the North sector (Fig. 2.20B), half of the samples are classified  in the 

medium‐coarse  grain  size  class.  The  sorting  and  grain  size  classes  are 

correlated; generally,  finer grain size classes correspond to the WSs and MSs 

sorting facies classes, and the coarser grain size classes correspond to the PSs 

58 

and MSs facies classes (Table 2.3). Both classifications show the heterogeneity 

of the sandy facies class distribution between the North and South sectors. 

 

 

Fig. 2.18: Phi versus Kh plot of tsunami samples, classified by sorting facies. (A) Samples from the South sector. (B) Samples from the North sector. The cemented samples are shown by pale red symbols according to the CSs class and sub‐classified by their sand sorting. 

   

59  

 

Fig. 2.19: Phi versus Kh plot for tsunami lithofacies, classified by grain size facies class. 

2.3.2. Petrophysics of the barrier island ‐ tidal inlet samples 

The porosity  (Phi)  and horizontal permeability  (Kh) of barrier  island  ‐ 

tidal  inlet  (b.i./inlet)  samples  were  measured  on  26  plugs;  the  vertical 

permeability  (Kv)  was measured  on  11  of  these  plugs  (Table  2.4).  The  Phi 

versus  Kh  plot  of  samples  classified  by  sorting  facies  (Fig.  2.21)  shows  two 

categories  of  values,  representing  low‐porosity  (<17%)  and  high‐porosity 

(>17%)  samples.  The  high  Phi  values  are mainly  classified  as WSs  and MSs 

sorting  facies, while the  low porosity values are mainly classified as PSs, MSs 

and CSs sorting facies; the CSs samples show the lowest Phi and Kh values. The 

porosity of Wss  facies  is >17%, and  the porosity of MSs  facies  falls  into  two 

groups:  half  of  the  samples  show  values  of  10%–15%, while  the  other  half 

show values of >17% (Fig. 2.21). 

Samples are plotted separately for each sector profile in Fig. 2.22. In the 

South sector  (Fig. 2.22A), permeability values are >1 mD and porosity values 

are >10%, with MSs and WSs being the dominant sorting facies classes. In the 

North  sector  (Fig. 2.22B),  the Pss  facies  is dominant and porosity values are 

<17%; permeability values are <10 mD, and half of the values are <1 mD. 

 

60 

 

 

 

 

Fig. 2.20: Phi versus Kh plot for the tsunami lithofacies, classified by grain size facies class. (A) South sector. (B) North sector. 

   

61  

 

Fig. 2.21: Phi versus Kh plot for the b.i./inlet  lithofacies, classified by sorting facies class. The cemented samples are shown by pale red symbols according to the CSs class and sub‐classified by their sand sorting. 

Classification of the samples by grain size facies class (Fig. 2.23) shows 

two main  grain  size  classes, medium–coarse  and  fine–medium  facies  class, 

representing  samples with  high  Phi  values  (<17%).  Plotting  the  samples  for 

each sector  (Fig. 2.24)  shows  that  in  the South sector  (Fig. 2.24A) Phi values 

are >10% and Kh values are >1 mD, and the dominant facies are fine–medium 

and medium–coarse facies classes. In the North sector (Fig. 2.24B), Phi is <17% 

and the dominant facies is the medium–coarse facies class. 

A  comparison  of  the  Phi  vs.  Kh  relationship  for  samples  classified  by 

sorting facies class (Fig. 2.21) and those classified by grain size facies class (Fig. 

2.23)  shows  that  the  correlation  is  stronger  for  the  sorting  facies  class,  and 

that Phi values fall into at least three ranges that define the respective sorting 

facies classes: WSs, PSs and CSs. The porosity of the WSs facies is 17‐22%; the 

porosity  of  the  PSs  facies, which  is mainly  located  in  the North  sector  (Fig. 

2.24B), is 6‐16%, while porosity values are lowest for the CSs facies (< 5%). The 

porosity values for the MSs facies are 11%–21%. 

   

62 

 

 

 

Fig. 2.22: Phi versus Kh plot  for  the b.i./inlet  lithofacies  classified by  sorting  facies  class.  (A) South sector. (B) North sector. 

 

 

63  

 

Fig. 2.23: Phi versus Kh plot for the b.i./inlet lithofacies, classified by grain size facies class. 

2.4. Discussion 

The  Aliaga  outcrop  is  an  8400‐m²  2D  vertical  face  in  a  transitional 

interval in the upper part of the Camarillas Formation (Fig. 2.1D). The present 

study  examined  two  sandstone  deposits  over  a  distance  of  200m‐long  and 

attempted to establish a correlation between sedimentary heterogeneity and 

the  petrophysical  properties  of  the  sandstones.  The  principal  sedimentary 

heterogeneities within and between the deposits were variability in grain size, 

sorting  of  sand,  and  the  presence  of  cement.  The  tsunami  and  b.i./inlet 

deposits  were  described  at  macro  (decimetre–metre)  and  micro  (micron–

millimetre)  scales, and  the  sandy  facies were analyzed as a  function of  their 

porosity and permeability, as measured on plugs obtained from drilled cores. 

Porosity and permeability are strongly correlated  in both sandstone deposits 

(Fig. 2.15).  

At the macroscale, the tsunami deposit exhibits three main  lithofacies 

that  are  homogeneously  distributed  within  the  deposit  (Fig.  2.8).  In  drone 

photographs,  two of  the  lithofacies  (LF2  and  LF3)  are  indistinguishable  from 

each other, and the other (LF1) is recognized wherever its thickness exceeds 5 

cm  and  its  length  is  >1–2 m  (Fig.  2.9).  Lithofacies  LF1  usually  fills  dinosaur 

tracks at the base of the North sector profile (Fig. 2.9B); this lithofacies is also 

64 

preserved  in  an  intermediate  sedimentary  succession  at  specific  zones  (Fig. 

2.8B and D) without  lateral  continuity.  Lithofacies  LF2  is  (Fig. 2.8B, D and E) 

dominant  in both sector. At the microscale, the tsunami deposit  is composed 

of  subarkosic–arkosic  sandstones, with 70% of  the  samples belonging  to  the 

WSs and MSs sorting facies classes (Table 2.2); almost half the samples are  

 

Fig. 2.24: Phi versus Kh plot for the b.i./inlet lithofacies, classified by grain size facies class. (A) South sector profile. (B) North sector profile. 

   

65  

classified in the fine–medium grain size class and the other half vary between 

medium, medium–coarse and coarse grain size classes  (Table 2.3). Generally, 

the  lithofacies  at  the macroscale  are  better  correlated with  grain  size  class 

than  with  sorting  facies  class;  however,  the  sorting  facies  class  allows  the 

identification of clear heterogeneities in facies between sectors. That is, in the 

South  sector WSs  is  the  dominant  facies  (Fig.  2.12A) whereas  in  the North 

sector  the  samples  are  little  heterogeneous  and  every  facies  is  present, 

principally the WSs and MSs facies (Fig. 2.12B). 

The  distribution  of  sand  in  onshore  tsunami  deposits  is  complex,  as 

tsunami run‐up processes and the preservation of sediment depend on factors 

such  as  seabed  and  nearshore  topography,  and  sediment  source  areas 

(Nanayama and  Shigeno, 2006; Dawson and  Stewart, 2007;  Sugawara et al., 

2008; Martini et al., 2010; Apotsos et al., 2012; Phantuwongraj and Choowong, 

2012; Sugawara et al., 2014). At geological time scales, tsunami deposits occur 

instantaneously, as single sedimentary events (Fujiwara and Kamataki, 2007). 

According  to  the  sedimentological  and  architectural  features  described  by 

Navarrete et al.  (2014),  the  studied  tsunami deposit  is an onshore multiple‐

bed tsunami sandstone (Fujiwara, 2008), in which the five succession of fining‐

upwards sequences corresponds to successive  incursions and outflows of the 

tsunami wave  train.  The  onshore  tsunami  sediments  accumulated  on  back‐

barrier  mudflats,  along  with  lagoonal  sediments,  and  filled  and  covered 

exceptionally well‐preserved dinosaur footprints. During sediment deposition, 

the Aliaga outcrop area was located approximately 5–8 km from the coastline. 

The  first  tsunami wave  inflow  caused  little erosion, although  the wave  train 

removed large volumes of sand from the barrier island. Approximately 70% of 

the palaeocurrents measured  from cross‐stratification planes are oriented  to 

the SSE, and represent backflows of the tsunami wave train.  

At  the  Aliaga  outcrop,  the  upper  layers  of  the  tsunami  deposit  are 

relatively fine‐grained and thick;  in addition, the higher beds are more widely 

distributed  than  the  lower  beds.  These  characteristics  are  similar  to  those 

identified  by  Nanayama  and  Shigeno  (2006)  in  onshore  tsunami  deposits 

caused  by  a  magnitude  7.8  earthquake  along  the  Japan  coast  in  1993. 

Nanayama  and  Shigeno  identified  two  lithofacies,  a  gravel  lobe  facies  (GLF) 

and a  sand‐sheet  facies  (SSF), organized  into  two  fining‐upwards  sequences, 

66 

and whose upper  sequence  is more widely distributed  and  thicker  than  the 

lower  sequence.  The  upper  sequence  is  coarser  grained  than  the  lower 

sequence, as the second run‐up was larger than the first. 

Matsumoto  et al.  (2010) described  the  sedimentary  characteristics of 

deposits  of  the  2004  Indian Ocean  tsunami  in  and  around  Periya  Kalapuwa 

Lagoon, Sri Lanka. The Kalapuwa tsunami deposits consist of well‐sorted fine–

coarse  sand.  The  mean  grain  size  of  the  Kalapuwa  tsunami  deposits  (as 

determined  from  core  samples)  is  0.64–2.35  φ  (average,  1.06  φ)  and mud 

contents are generally low (average, 0.61 vol. %). Generally, thick‐bedded (>10 

cm)  tsunami  deposits  showed  single  or multiply  graded  bedding  structures. 

The  thickness  of  deposits  decreases  landward  (westward)  from  66  to  5  cm 

over  a  distance  of  165 m.  The  landward  extent  of  the  tsunami  deposits  is 

greater  along  two  transects  near  two  inlets  (~1000 m  long  in  each  case), 

suggesting that tsunami deposition was controlled by runup flow through the 

inlets. Moreover,  the  sediment  source was mainly  scoured  from  sand dunes 

near the two inlets, as the grain‐size distribution of the sand dunes is similar to 

that  of  the  tsunami  deposits.  Some  characteristics  described  in  Kalapuwa 

tsunami  deposits  are  similar  to  the  Aliaga  tsunami,  such  as  the  sediment 

composition which  is mainly composed of well‐sorted sand,  independently of 

the sand size, and  the sediment source, which was  from erosion of  the sand 

dunes.  

In  the  Aliaga  outcrop,  samples  from  studied  tsunami  deposit  are 

relatively homogeneous  in  terms of  the  sorting  facies class, with 70% of  the 

samples classified as WSs and MSs, and in terms of porosity values (14%–22%); 

this homogeneous texture of the sand facies  in the deposit  is  independent of 

grain size (Matsumoto et al., 2010; Sun et al., 2007). The textural homogeneity 

is probably related to: 

‐ The homogeneous nature and great sediment supply from barrier island;  

‐  Flatling  deposition  surface  composed  of  mud  and  carbonate  lagoon 

sediments;   

‐ Large distance from coast plain;  

‐ Limited erosion of the deposited sediments by tsunami wave; 

67  

‐ Single sedimentary event at  the geological  time scale, principally deposited 

by backflows currents of turbidity  flow. Deposit was not reworked or eroded 

by overlaid sediments. 

The studied b.i./inlet deposit is an inlet deposit in a back barrier system 

(Navarrete  et  al.,  2013).  At  the  macroscale,  two  main  lithofacies  are 

recognized in the studied deposit, and lithofacies heterogeneity is clear. In the 

South  sector  (Fig. 2.11A),  LF4  is  the dominant  lithofacies  (an ochre‐coloured 

medium‐ to fine‐grained sandstone with decimetre‐thick trough cross‐bedding 

and  centimetre‐thick  planar  cross‐bedding  sets).  In  the  North  sector  (Fig. 

2.11B),  two  lithofacies  are  present,  LF4  and  LF5;  LF5  is  a  grey  cemented 

sandstone with local drapes and accumulations of bioclasts or plant fragments. 

At the microscale  lithofacies are composed of subarkosic–arkosic sandstones, 

and  differences  between  the  North  and  South  sectors  are  found  in  the 

distribution  of  sorting  facies  classes  (Fig.  2.11);  the WSs  and MSs  facies  are 

abundant  in  the South sector Fig. 2.11A) whereas  the PSs and CSs  facies are 

abundant  in  the North  sector  (Fig. 2.11B). When  the  facies  are  classified by 

grain  size  class,  the  samples  exhibit  a  homogeneous  distribution  of  fine‐

medium  to medium‐coarse  sand  size, except  that  those  in  the  fine–medium 

grain size class are more abundant in the South than in the North sector. 

In the South sector, lithofacies LF4 (Fig. 2.10A and B) was generated by 

the migration  of minor megaripples moved  by  flood  and  ebb water  fluxes 

(Navarrete  et al., 2013)  that promoted  the development of  straight  sinuous 

crest  ripples  from  the  sandy bedload  (Collison, 1996; Miall, 1996; Ghazi and 

Mountney, 2009) under a low‐energy flow regime in the shoreface zone of the 

tidal  inlet/barrier  spit  (Navarrete  et  al.,  2013).  These  low‐energy  processes 

deposited  and  preserved  a  homogeneous  and  usually  well  or  moderately 

sorted  sand  (Table 2.5).  In  the North  sector profile,  the existence of drapes 

formed  by  carbonaceous  plant  fragments  and  asymmetric  wave  and 

interference ripple structures (Fig. 2.10C and D) indicates variations in the flow 

regime,  probably  associated  with  tidal  flows  from  brackish  to  marine 

conditions  (Navarrete  et  al.,  2013).  The  variations  in  flow  regime  and  the 

mixing  conditions  and  properties  of  water  in  the  system  resulted  in  a 

heterogeneous sorting of sand; the sand is generally poorly sorted, with locally 

important cementation (Table 2.5). 

68 

Inlet  deposits  associated  with  barrier  island  systems  are  typically 

represented by complex fill patterns marked by multiple episodes of erosion, 

lateral  filling and migration  (Nishikawa and  Ito, 2000; Mallinson et al., 2010). 

Heterogeneity  in  the  deposit  is  determined  first  by  processes  dominant  in 

barrier systems, and secondarily by the architectural elements of such systems 

(Davis  and  Barnard,  2003;  Simms  et  al.,  2006;  Hodgkinson  et  al.,  2008; 

Mallinson et al., 2010). The  inlet deposits change dynamically and complexly 

through  time,  and  their evolution depends on  the dominant process  (wave‐

dominant  or  tidal‐dominant)  and  the  interactions  between  the  processes 

(Davis and Gibeaut, 1990; Davis and Barnard, 2000; Nishikawa and  Ito, 2000; 

Simms et al., 2006; Navarrete et al., 2013).  Inlet flow conditions and changes 

in  the  dominant  process  drive  intra‐deposit  heterogeneity  and  the  spatial 

distribution of  sorting  facies.  Jackson  and Rawn‐Schatzinger  (1993)  reported 

large variations  in  the  facies associated with  laterally migrating  tidal  inlets  in 

barrier island systems. Tidal inlet fill and tidal delta facies contain the coarsest 

and  least well‐sorted  (i.e., with  the greatest standard deviation  in grain size) 

sands  in barrier  island  systems, while middle  shoreface,  tidal creek and  tidal 

channel  facies consist of  the  finest sands with  the best sorting  (i.e., with  the 

smallest standard deviation). The differences in grain size and sorting between 

sand  facies  are  related  to  the  tidal  energy  flux,  sand  sources  and  channel 

configuration. 

A comparison of the characteristics of the studied b.i./inlet deposit with 

the Upper  Cretaceous  outcrop  of  inlet  deposits  associated  to  barrier  island 

described  by  Jackson  and  Rawn‐Schatzinger  (1993)  shows  that  in  the North 

sector, the studied deposit is composed of facies related to inlet fill of coarser‐

grained and more poorly sorted sand, whereas  in the South sector the facies 

represents a tidal channel composed of finer‐grained and moderately to well‐

sorted  sand. For  the b.i./inlet deposit,  the  sorting  facies class has a  stronger 

relationship with porosity than does the grain size class (Fig. 2.22). 

Some  zones  in  the  tsunami  and b.i./inlet deposits  are  cemented. The 

cement  is  principally  kaolin  and  calcite;  the  amount  of  cement  in  the  both 

sectors  is  small but  is  filling  the pore  space  as observed by Caja  (2004)  and 

Bauluz  et  al.  (2014).  The  kaolinite  crystallizes  from  a  fluid  rich  in  Si  and  Al 

cations, which  is  a  result  of  silicate  alterations,  such  as  feldspars  and  even 

69  

quartz minerals. The process to cristalize kaolinite might have started prior to 

the  diagenesis  but  it  continued  and  reached  a maximum  of  crystallization 

during  diagenesis  (Bauluz  et  al.,  2014).  The  carbonate  cementation  in  both 

deposits  can  be  related  to  burial  processes  (Curtis,  1978)  and/or  early 

diagenesis  (Machent  et  al.,  2007;  Henares  et  al.,  2014)  where  early  non‐

ferroan calcite precipitates  first with  solutes derived  from marine water and 

sulphate  reduction,  principally  in  transgressive  shallow marine–coastal  plain 

deposits during relative sea‐level rise and flooding (Machent et al., 2007). Early 

diagenesis  also  probably  induced  early  compaction  and  consolidation  of 

barrier sequences (deVries Klein, 1974). 

Compaction  of  tsunami  deposits  causes  fracturing  of  quartz  and 

deformation of micas  (Fig. 2.13) at micron scales. Kaolin and calcite cements 

may be  linked  to  compaction and diagenesis, as observed by Hammer et al. 

(2010). Hammer  et  al.  (2010)  described  cementation  in  the Upper  Triassic–

Lower Jurassic Åre Formation, and demonstrated a  link between compaction, 

diagenesis and cementation; these findings are applicable to the cementation 

of  tsunami  deposits  in  the  Aliaga  outcrop.  The  Åre  Formation  is  a  deep 

reservoir  in  the offshore Heidrun oil  field of  central Norway, and consists of 

fluvial channel  (FCH) sandstones,  floodplain  fines  (FF), and sandy and muddy 

bay‐fill  sediments  (SBF  and  MBF,  respectively).  In  the  FCH  sandstones, 

authigenic  kaolinite  is  identified  as  the  only  pore‐filling  clay mineral,  and  in 

some  places  its  volume  exceeds  10%  of  the  total  rock  volume.  Carbonate 

cement, which is more common than authigenic kaolinite, occurs as cemented 

lamina  and  small‐scale patches.  The  kaolinite  is  interpreted  to  have  formed 

both by replacement through leaching of feldspar and mica, and by eogenetic 

precipitation from pore fluids. 

In  inlet  deposits  associated  with  barrier  islands,  Jackson  and  Rawn‐

Schatzinger  (1993)  observed  large  amounts  of  calcite  cement  in  oyster‐rich 

beds. The cement of the studied b.i./inlet deposit is principally dolomite, along 

with some calcite in the North sector. The cementation is particularly affecting 

the  macro‐facies  LF5,  which  contains  scattered  oysters,  fish  teeth  and 

centimetre‐thick accumulations of bioclasts or carbonaceous plant fragments. 

Cementation may  also  be  related  to  fluid migration  through  fractures  and 

faults.  Syn‐sedimentary  activity  related  to  extensional  structures  in  the 

70 

Cretaceous Galve  sub‐basin  has  been  highlighted  in  previous  studies  (Soria, 

1997;  Liesa  et  al.,  2004,  2006;  Navarrete  et  al.,  2013a,  2013b),  and  such 

structures  could  have  acted  as  preferred  pathways  for  fluid  remobilization 

during and after compaction. Martín‐Martín et al.  (2012) examined dolomite 

bodies  occurring  in  association  with  basement  faults  in  the  southeast 

Maestrazgo  Basin.  The  dolomites  appear  to  be  intercalated with  very  low‐

porosity mud‐dominated facies and/or early cemented grain‐dominated facies. 

Most  of  the  dolostone  volume  (60%–70%)  consists  of  replaced  dolomite 

showing  characteristic  fabric‐retentive  textures  and  low  porosities.  The 

dolomitization was controlled primarily by tectonic structures in the area, and 

secondarily by  depositional  fabrics  and  early diagenetic  processes.  The  fluid 

flow  pattern  through  strata  and  along  faults  could  be  part  of  a  larger  scale 

convective system that may have been active in the Maeztrat basin during the 

Late Cretaceous post‐rift episode (Martín‐Martín et al., 2015).  

The cemented facies (CSs) in the tsunami deposit of the present study is 

sparsely distributed, and may reduced porosity and permeability  (Henares et 

al. 2014) to  levels that are within the tsunami porosity range (14%–22%), but 

which  would  be  higher  in  the  absence  of  cementation.  However,  the 

cementation in the CSs facies of the studied b.i./inlet deposit strongly reduces 

its porosity and permeability (Fig. 2.21). 

2.5. Conclusion 

Porosity  and  permeability  are  strongly  correlated  in  both  sandstone 

deposits  (Fig.  2.15).  Samples  from  the  tsunami  deposit  are  relatively 

homogeneous  in terms of the sorting facies class (70% composed of WSs and 

MSs facies) and porosity distribution (14‐22%) whereas b.i./inlet samples have 

heterogeneous distribution of  sorting  facies between profile  sectors. For  the 

b.i./inlet deposit, the sorting facies class has a strong relationship with porosity 

and  is  distributed  as  following:  the  porosity  of  the Wss  facies  is  >17%;  the 

porosity  of  the  PSs  facies, which  is mainly  located  in  the North  sector  (Fig. 

2.24B), is <17%, while porosity values are lowest for the CSs facies (< 5%). The 

porosity values for the MSs facies are 10%–22%.  

The  sedimentary processes of deposition and preservation  control  the  intra‐ 

and  inter‐sandstone heterogeneity, and  the  sand heterogeneity  controls  the 

71  

distribution  of  petrophysical  characteristics.  The  tsunami  deposit  is  a  single 

sedimentary  event  deposited  principally  bay  backflow  currents  under  good 

sedimentary conditions for its preservation. The b.i./inlet deposit is a complex 

combination of  sediment erosion,  reworking and preservation under distinct 

and dynamic  flow conditions. Despite  the  small  size of  the outcrop,  the  two 

studied  sandstone  deposits  show  distinct  sedimentary  processes  under  the 

same  palaeogeographical  context,  as  well  as  distinct  petrophysical 

characteristics  (Fig.  2.15).  The  sorting  facies  class  seems  to  be  more 

appropriate  for  describing  sand  heterogeneity,  and  thus  influencing 

petrophysical parameters in both deposits. 

The heterogeneity of the studied deposits is primarily a function of the 

observation  scale  and  secondarily  of  sedimentary  processes.  Both  sand 

deposits  are  homogeneous  sandstones  at  the  scale  of  the  sedimentary 

formation,  and  both  were  deposited  under  the  same  sedimentary  system. 

However,  the  deposits  are  heterogeneous  at  the metre  scale  (Fig.  2.8  and 

2.10)  and  are  very  heterogeneous  at  the micron  scale  (Fig.  2.13  and  2.14). 

With  regard  to  the  sedimentary  formations,  the  intra‐bed  heterogeneity  is 

directly related to depositional processes and  flow conditions. Therefore, the 

first step in understanding how heterogeneity affects the sandstone deposits is 

to study the genesis and conditions of sediment deposition that generated the 

distribution of heterogeneity, at both the macroscale and the microscale. 

The  sedimentary  heterogeneity  of  the  sandstone  deposits  described 

here can be hierarchically ordered. First‐order heterogeneity  is related to the 

observation scale, and can be distinguished through detailed sedimentological 

studies  at  the  basin  scale.  Second‐order  heterogeneity  is  related  to  genesis 

and  the  conditions  of  sediment  deposition  and  preservation;  these 

heterogeneities can be recognized at the meter scale, and can be important at 

the microscale.  Third‐order heterogeneity  is  related  to external elements  to 

sedimentary  system  such  as  palaeo‐relief  and/or  the  presence  of  syn‐

sedimentary faults, which can  locally change flow conditions (Pochat and Van 

Den Driessche, 2007) and/or accommodation space (García‐García et al., 2006; 

Foix et al., 2013; Navarrete et al., 2013). Moreover syn‐sedimentary faults play 

an important role in fluid remobilization during compaction and diagenesis, as 

well as in deeper conditions as conduct or barrier to fluid flow. 

72 

In  reservoir  studies,  the  first‐order heterogeneity  is  assessed  through 

sedimentological studies of seismic data and core and well  logs; second‐ and 

third‐order  heterogeneities  require more  detailed  studies  in  terms  of  facies 

distributions and their relationship to petrophysical characteristics. Analogous 

outcrop  studies  should  be  useful  restating  the  purpose  principally  in  clastic 

systems where  petrophysical  parameters  (porosity  and/or  permeability)  are 

commonly  correlated  with  specific  sandy  lithofacies  (Hornung  and  Aigner, 

1999; Heinz et al., 2003; Huysmans et al., 2008; Norden et al., 2010, Pyrcz and 

Deutsch, 2014). The use of analogous outcrops bridges the inter‐well‐scale gap 

that  is generally used  to define  the  spatial  variability of  reservoir properties 

(White et al., 2004) as sandy or cementation distribution. 

   

73  

CHAPTER 3

GEOLOGICAL AND

PETROPHYSICAL MODELLING OF THE ALIAGA OUTCROP

 

 

3.1  Materials and methods______________________76 

3.2  Grid construction___________________________81 

3.3  Facies modelling___________________________87 

3.4  Petrophysical Modelling____________________114 

3.5  Modelling Conclusion______________________136 

 

   

74 

   

75  

3. Geological  and  Petrophysical  Modelling  of  the  Aliaga 

Outcrop 

Modelling of CO2 injection and storage in geological formations is a key 

component of  the  implementation of carbon  storage  in geological materials, 

and is important for understanding the various phases of the CO2 injection and 

storage process, such as site geology heterogeneity, drilling, well testing, risk 

assessment,  storage  operations,  site monitoring,  and  site  closure  (IEAGHG, 

2009).  Large‐scale  geological models  are  usually  based  on  limited  inputs  of 

data  and  a  simplified modelling  approach;  however,  such models must  still 

incorporate  all  relevant  geological  information  related  to  controls  on  CO2 

behaviour in the reservoir. The complexity of geological models often requires 

a prolonged and time‐consuming process to calculate and update a reservoir 

model  with  monitoring  data.  The  requirements  of  small‐scale  geological 

models, on  the other hand, are different  to  those of  large‐scale models, and 

are thus useful for  investigating reservoir behaviour  in specific zones, such as 

around  boreholes  during  the  injection  of  CO2  to monitor  fluid  behaviour  or 

pressure  build‐ups  over  short  time  scales  (Norden  and  Frykman,  2013). 

Furthermore,  small‐scale models  allow  us  to  improve  or  update  large‐scale 

models with relevant geological  information.  In particular, outcrop modelling 

has  the  advantage  of  providing  direct  access  to  geological  information  at 

different scales of observation. 

In  Chapter  2,  the  Aliaga  outcrop  was  studied  at  different  scales  to 

establish a correlation between sandy facies and petrophysical characteristics. 

Tsunami  and  b.i./inlet  deposits were  described  in  terms  of  the  sandy  facies 

distribution  at  macro  (metric)  and  micro  (micron)  scales;  in  addition,  56 

samples collected from drillcores recovered along the outcrop were analysed 

for porosity and permeability values determined from measurements on plugs. 

The macro‐lithofacies  defined  in  the  field were  refined  by petrographic  and 

petrophysical  studies,  and  the  samples were  then  grouped  into  four  sandy 

facies  as  a  function  of  the  relationship  of  sand  sorting  to  petrophysical 

characteristics (see Section 2.3 in Chapter 2). The sandy facies groupings were 

used to populate the facies model, and the facies model was used to condition 

the  petrophysical modelling.  In  the  next  step,  the  petrophysical models  are 

converted to a reservoir model to investigate, at outcrop scales, how porosity 

76 

and  permeability  contrasts  observed  at  sub‐metric  scales  can  impact  CO2 

behaviour around an  injector well during a short  injection period and during 

the post‐injection period. 

3.1. Materials and methods 

To  construct  3D  static models  of  the  deposits,  a  grid  resolution was 

defined  as  a  function  of  model  purpose,  sedimentary  heterogeneity,  the 

spatial  distance  between  available  data  and  quantity  of  input  data.  The 

modelling  process  consisted  of mapping  distributed  properties  and  discrete 

and continuous variables, such as facies, porosity and permeability, onto a 3D 

grid. Modelling processes were performed using Petrel software  (courtesy of 

Schlumberger‐SIS). 

The  modelling  process  was  based  on  an  interpolation  of  values  or 

properties, such as facies, porosity, or permeability, between available data; a 

stochastic  method  was  used  for  the  interpolations.  The  original  data 

distribution was honoured during the interpolation process, and geostatistical 

analyses helped to identify trends or heterogeneities in the data distribution in 

a  given  spatial  dimension.  Properties  of  the  sample  data  and  sedimentary 

sections  were  up‐scaled  to  a  3D  grid  before  geostatistical  analyses  were 

applied;  the up‐scaling of properties was based on an assignment of  sample 

values to the grid cells that intersected the data. 

3.1.1. Geostatistical analyses 

The stochastic method is similar to the Kriging method, except that the 

stochastic method  uses  a  variogram  and  the  input  data  are  distributed  by 

adding additional values between available data  (Schlumberger, 2013b). The 

Kriging method, also called  linear estimation, uses a weighted average of the 

sample  values,  with  closer  samples  having  more  weight  (Matheron,  1971; 

Clark,  2001).  The  stochastic method,  on  the  other  hand,  generates multiple 

equiprobable  images of  the variable using a  random seed,  in addition  to  the 

input data  (Bohling, 2007);  thus, while consecutive  runs with  the same  input 

data give similar results, the details of the results are different (Schlumberger, 

2013b). 

77  

Before  starting  the modelling  process,  the  data were mathematically 

described  in  space  to  identify  trends  and/or  continuities  in  the  data 

distribution. Stochastic algorithms are based on the distribution of input data, 

the  descriptions  of  spatial  data  and  probability  curves  to  calculate  the 

probability  occurrences  of  variables  at  a  particular  location  (Deutsch  and 

Journel, 1998; Pyrcz and Deutsch, 2014). In addition, some algorithms require 

that  the  data  conform  to  a  standard  normal  distribution,  in which  case  the 

continuous variables were transformed according to needs of the original data 

distribution. 

3.1.1.1. Spatial data description 

The spatial distribution of data in the reservoir or inside an area can be 

mathematically  described  by  the  similarity  and  continuity  of  the  data.  The 

similarity  between  variable  values  can  be  calculated  from  the  cumulative 

frequency histogram, standard deviation, variance and coefficient of variation 

(Isaaks  and  Srivastava,  1989).  The  variance  (σ²) measures  the  spread  of  the 

data  distribution,  and  is  given  by  the  average  squared  difference  of  the 

observed values from their arithmetic mean:  

                                                       ∑                                                  Eq. 3.1 

where   is the number of data values,   represents the data values, and   is 

the arithmetic mean. The standard deviation is the square root of the variance 

and  its  units  are  the  same  as  those  of  the  variable  being  described.  The 

coefficient  of  variation  (CV)  is  used  to  describe  the  symmetry  of  the  data 

distribution  histogram,  and  is  calculated  as  follows  (Isaaks  and  Srivastava, 

1989):  

                                                           Eq. 3.2

where,   and  σ  are  the  original mean  and  standard  deviation  of  the  data 

variable, respectively.  

The spatial continuity of data can be described by a variogram  (Isaaks 

and Srivastava, 1989), which  can be used  to understand  the  spacing of data 

and  the  expected  length  scales  of  geological  features  (Pyrcz  and  Deutsch, 

78 

2014). Supposing that the value difference between two samples depends on 

the distance ( ), then the mean ( ) and the variance (σ²) can be described as 

a function of   (Clark, 2001) as follows:          

   

                                               ∗ ∑                                    Eq. 3.3 

 

                                             ∗ ∑                                   Eq. 3.4 

where   represents the value of the variable,   is the position of one sample in 

the pair,    is  the position of  the other  sample  in  the pair,  and    is  the 

number  of  pairs  or  correlated  values  for  .  The  function  ∗   is  the 

calculated average mean difference or expected mean difference between two 

samples,  and ∗   is  the  calculated  average  variance difference between 

two  samples.  The  term ∗ ,  which  is  also  called  a  variogram  or  an 

experimental  semi‐variogram,  as  the  function  varies  with  distance  (and 

direction), is usually represented as  , and   is generally referred to as the 

lag distance. Clark  (2001) and Bohling  (2007)  summarize  the elements of an 

experimental semi‐variogram as follows (Fig. 3.1): 

Sill:  the  semi‐variance  value  at which  the  semi‐variogram  levels  off, 

where  data  become  uncorrelated;  also  used  as  the  “amplitude”  of  a 

certain variable value. 

Range:  the  lag  distance  at which  the  semi‐variogram  reaches  the  sill 

value. The range is the distance at which samples become independent 

of one another; presumably, autocorrelation is essentially zero beyond 

the range. 

Nugget: represents the variability at distances smaller than the sample 

spacing, including measurement error. 

 

79  

 

Fig. 3.1: Experimental semi‐variogram and its elements. Modified from Clark (2001).  

In  the  case of    =  0,  two  samples  taken  from  the  same  location will 

show no difference in  ; therefore,   should pass through the origin of the 

graph (0). For values of   smaller than the sampling spacing, the nugget effect 

estimates  this  range  of  the  variability  in  the  data.  The  shape  of  the  semi‐ 

variogram  can  be  described  by  semi‐variogram models  (Fig.  3.2);  the most 

common models are the spherical, Gaussian, exponential, potential and linear 

models. The nested semi‐variogram model  is a  linear combination of a short‐

range spherical and a longer‐range spherical semi‐variogram model (Petrowiki‐

SPE, 2015). Nested variograms can be useful for examining the correlations of 

samples within outcrop sectors and between outcrop sectors. 

3.1.1.2. Stochastic simulation algorithms  

The  algorithms  for  stochastic  simulations  are mathematical  functions 

that interpolate between available data. The interpolation algorithm is defined 

as  a  function  of  the  variable  and  its  distribution;  multiple  algorithms  are 

available for modelling process. In this study, two algorithms were used in the 

simulation:  the  sequential  indicator  simulation  (SIS)  and  the  sequential 

Gaussian simulation (SGS). 

 

Sill

Distance, h (lag distance)

Nugget

Semi‐variance Estimation

g(h)

Range

80 

 

Fig. 3.2: Comparison of  the exponential and spherical semi‐variogram models with  the same range and sill values. 

The SIS, which was used  to conduct  the  facies modelling, generates a 

stochastic  distribution  of  the  facies  using  a  pre‐defined  histogram  and 

directional  settings,  such  as  a  variogram  and  extensional  trends.  The  SIS 

algorithm  runs  in  three steps:  first,  it assigns a data value  to  the closest grid 

node; second,  it establishes a  random path  through all grid nodes  (using  the 

variogram); and third, the algorithm checks each grid node to find nearby data 

and previously  simulated grid nodes,  to build  the  conditional distribution by 

Kriging. The conditional distribution is constrained by the global proportion of 

each facies type, local data or the relationship with other variables, such as the 

seismic attribute (Deutsch and Journel, 1998). 

The  SGS was  used  to  simulate  continuous  variables,  such  as  porosity 

and permeability. The SGS algorithm assigns data to the nearest grid node, and 

then determines a random path through all the grid nodes by  finding nearby 

data  and  previously  simulated  grid  nodes  and  building  the  conditional 

distribution  by  Kriging.  During  the  simulation,  local  highs  and  lows  are 

generated between input data locations, and the positions of these highs and 

lows  are  determined  by  a  random  number.  The  conditional  distribution 

honours  the  global  histogram,  local  data  and  secondary  data;  its  shape  is 

Gaussian,  with  the  mean  and  variance  given  by  Kriging;  variogram 

reproduction can be poor, principally if the variogram range is larger than the 

Sill (C)

Distance (h)

spherical model

g(h)

Range of influence (a)

81  

grid  node  spacing  (Deutsch  and  Journel,  1998).  The  SGS  algorithm  requires 

that  the data are  stationary and  conform  to a  standard normal distribution. 

The normal distribution of  the data means  that most of  the  samples  in  the 

dataset are close to the mean value, while relatively few samples tend to one 

extreme  or  the  other  (Schlumberger,  2013b).  The  traditional  method  of 

standardizing  data  (normal  transformation)  is  to  calculate  the  standard 

residual, Y = (Z – m)/σ, where m and σ are the mean and standard deviation of 

the original variable Z,  respectively;  the mean and  standard deviation of  the 

new variable Y are 0 and 1, respectively (Pyrcz and Deutsch, 2014). 

3.2. Grid construction 

The  gridding  process  defines  the  size  of  the  geological  model,  the 

resolution of the grid cell and the reservoir thickness; in fact, the geometry of 

modelled properties  is dependent on  the geometry of  the existing grid, and 

the  grid  size must  be  appropriate  to  the  data  spacing  and  to  the  scale  of 

geological heterogeneities. A stochastic algorithm propagates property values 

along the grid layers, interpolating between data points. In the first step of the 

gridding process, input surfaces or horizons marking the boundary surfaces of 

the deposit are  created  to define  the geometry and horizontal  resolution of 

the model; a  layering process  is then applied to define the vertical resolution 

of the model. 

The aim of geological and petrophysical modelling is to a build reservoir 

model that simulates CO2 injection  into the reservoir; 3D dynamic models are 

more appropriate than 2D models for obtaining reliable simulation results (EU, 

2009). To investigate the CO2 behaviour in zones close to the injection well, a 

third direction  (40 m  long) was  created  in a westerly direction at  the Aliaga 

outcrop face. The Aliaga outcrop (Fig. 3.3A) is a 2D face inside the transitional 

interval  (Fig. 2.2  in Chapter 2) which was mapped by Navarrete et al.  (2013 

and 2014) on both  sides of  the Camarillas–Jorcas  syncline  (Fig. 3.3B and Fig. 

2.1C  in Chapter 2). Navarrete et al. (2013 and 2014) noted that the thickness 

of  the profile decreases  to  the west  for 7 km; however, a constant  reservoir 

thickness was  assumed  over  the  40‐m  length  of  the western  outcrop  (Fig. 

3.3B). 

   

82 

 

 

 

 

 

 

 

Fig. 3.3: (A) Correlation of 

logged

 sedim

entary sections 

along the 

outcrop profile 

(Fig. 

2.3B in Chapter 

2; 

modified from N

avarrete et 

al., 2013).  

(B) 

Correlation of 

outcrop 

profile 

in 

the 

western 

direction, 

located on the 

opposite 

limb 

of 

the 

Camarillas–Jorcas 

syncline 

(point 

8 on Fig. 

2.1C of 

Chapter 2). 

 

83  

The outcrop data were georeferenced to the ED‐50 UTM‐30 geographic 

coordinate projection in the X (Easting UTM) and Y (Northing UTM) directions, 

where the Y direction represents the length of the outcrop and the X direction 

represents the outcrop thickness (as the sedimentary bedding is sub‐vertical). 

The X coordinate was converted to a Z coordinate (representing thickness)  in 

AutoCAD;  the  new  coordinate  axes  of  outcrop  panel  were  now  in  the  Y 

(Northing  UTM)  and  Z  (thickness)  directions  projected  onto  X  plan  693630 

UTM (Fig. 3.4). 

3.2.1. Input surface/horizon construction 

The  2D  contour map  of  the  sandstone  deposits  (Figs  2.9  and  2.11  in 

Chapter  2)  (Z/Y  axes  projected  on  the  X  plan  693630  UTM)  (Fig.  3.4)  was 

imported  into  Petrel  as  lines  in  the  ED  50‐30UTM  coordinate  geographic 

system, at a reference depth of –1000 m for the highest zone (top surface) of 

the b.i./inlet deposit. These lines were duplicated in the X direction, spaced at 

a distance of 10 m and 20 m, based on the original X coordinate data (693630 

UTM),  thus maintaining  their original  Z/Y  values  (Fig. 3.4  and  Fig. 3.5).  Four 

horizons corresponding to the basal and top surfaces of both deposits (Fig. 3.5) 

were  created  for  the  40‐m‐long  transect  (in  the  X  direction),  using  an 

algorithm of convergent  interpolation  that  relays  the original and duplicated 

lines of the deposit boundary surfaces. The created horizons have a width of 

40 m, a  length of 210 m, and variable thicknesses, according to the geometry 

of the original drafted lines (Fig. 3.4). 

The dimensions of the Aliaga model are 40‐m in the X direction, 210‐m 

in the Y direction, and 34.31‐m in the Z direction (Table 3.1). The grid cell size 

in  the  X  (E‐W)  and  Y  (N‐S)  directions  is  a  function  of  sample  locations  and 

heterogeneities  in a horizontal section; therefore, the Y cell size  is 0.5 m and 

the X cell size  is 1 m. The grid dimensions of each deposit are given  in Table 

3.2. The zone between the deposits remains unchanged (without horizons and 

layering). 

   

84 

 

 

 

Fig. 3.4: Base and top contours of the sandstone deposits at X = 693630 UTM

. The sedim

entary sections are oriented S–N

 (SedLog5, 

SedLog4, SedLog3, SedLog2 and SedLog1). The vertical scale is exaggerated by 4x. 

85  

 

  Fig. 3.5: H

orizons from the original and duplicated contour lines of the sandstone deposits. The vertical scale is exaggerated by 4x. 

86 

Table 3.1: Geographical coordinates of Aliaga model grid box  

Axis  Min (UTM) Max (UTM) Delta (meters) 

X  693600  693640 40 

Y  4500850  4501060 210 

Elevation depth [m] ‐1032.28  ‐997.97 34.31  

Table 3.2: Geographical coordinates of sandstone deposits in the Aliaga model  

B.i./inlet deposit 

Axis  Min (UTM)  Max (UTM)  Delta (meters) 

X  693600  693640 40 

Y  4500855  4501060 205 

Z  0.11  10.53 10.42 

Tsunami deposit 

Axis  Min (UTM)  Max (UTM)  Delta (meters) 

X  693600  693640 40 

Y  4500850  4501060 210 

Z  0  3.02 3.02 

3.2.2. Layering 

The layer step defines the cell thickness or the Z cell size. The layering is 

a  function  of  the  thickness  of  the  deposit  and  internal  sedimentary 

heterogeneity  in  a  vertical  section.  The  zone  between  the  top  and  base 

surfaces of each deposit (Fig. 3.5) was divided  into proportional  layers of the 

same thickness, given an average layer size of 0.21 m, as illustrated in Fig. 3.6. 

Thus, the b.i./inlet deposit was divided into 30 layers, and the tsunami deposit 

was divided into 10 layers. 

The final average 3D cell size in the X, Y and Z directions was 1 m, 0.5 m 

and 0.2 m, respectively. The  layer numbering  in the b.i./inlet deposit (from 1 

to 30) indicates layer indexing from the top to the bottom layer, given a total 

of 504,000 3D cells. The  layer numbering  in  the  tsunami deposit  (from 33  to 

42) indicates layer indexing from the top to the bottom layer, given a total of 

168,000 3D cells. 

87  

 

Fig. 3.6: Schematic proportionality of  layering  in Petrel. Layers 1–5 have  the same  thickness, and were constructed by proportional division of the zone between the top and base surface (modified from Schlumberger, 2013b). 

3.3. Facies modelling 

The objective of the  facies modelling was to distribute  facies between 

available  data,  so  as  to  realistically  preserve  reservoir  heterogeneity  and 

interpolate between existing data (Schlumberger, 2013b). The facies modelling 

process was performed using  the SIS algorithm. The  facies model  conditions 

the petrophysical model, which is used to simulate CO2 injection. In Chapter 2, 

a  facies classification  (Fig. 3.7) was defined as a  function of sand sorting; the 

facies classification was well correlated with sample porosity and permeability.  

 

 

Fig. 3.7: Colour shading for the sorting facies classification used here. 

 

3.3.1. Facies modeling of the tsunami deposit 

Before proceeding with the facies modelling, a geostatistical analysis of 

the data was performed to identify trends and/or spatial continuity in the data 

distribution.  Vertical  probability  curves  were  constructed  from  the  vertical 

distribution  of  samples  after  upscaling  to  the  3D  grid.  The  input  data were 

0

12

3

Poor sorted sandstone ‐ PSS

Moderate sorted sandstone ‐MSs

Cemented sandstone  ‐ CSs

Well sorted sandstone ‐WSs

88 

composed of 36 samples classed by sorting facies (see Table 2.2 in Chapter 2), 

collected  from  drillcores  and  hand  specimens,  and  giving  a  distribution 

principally on the Y axis and also on the Z axis (depth) (Fig. 3.8, and Figs 2.11 

and 2.12  in Chapter 2), and  from  five sedimentary sections  (Fig. 3.3 and Fig. 

3.8)  logged  from  outcrop  and  giving  a  distribution  principally  on  the  Z  axis 

(depth) and also on the Y axis. A vertical probability curve (Fig. 3.9) calculated 

for every facies was used in the algorithm that distributed facies in the vertical 

(Z)  direction.  Figure  3.9  shows  the  original  data  for  both  samples  and 

sedimentary sections, and calculated probability curves; the calculated curves 

coupled the original data distributions of samples and sedimentary sections. 

Sorting facies of the tsunami samples are composed of 50% facies WSs, 

20% facies MSs and 30% facies PSs and CSs (Table 2.2, Chapter 2). The South 

sector  is more  homogeneous  than  the North  sector  in  terms  of  the  sorting 

facies distribution (see Fig. 2.12 in Chapter 2), with facies WSs being dominant. 

The distribution of sorting facies  in the horizontal direction, principally  in the 

N–S  direction,  can  be  analysed  using  variograms.  In  spite  of  the  limited 

quantity  of  data,  variograms  can  be  adjusted manually  to  add  sedimentary 

variations observed in the field into the model. 

The  variogram was  conditioned  by  the  sample  spacing, which  varied 

from  4  to  10 m, with more  proximate  samples  (spacing,  <2 m)  obtained  in 

zones  of  thicker  deposits  (thickness,  >1  m).  Before  proceeding  with  the 

variogram,  a  cursory  analysis  of  the  distance  between  samples  of  the  same 

facies  was  undertaken  (see  Table  3.3);  the  minor  distance  is  the  distance 

between  more  proximate  samples  and  the  major  distance  is  the  distance 

between  more  distal  samples.  The  distance  is  indicative,  and  helps  to 

understand  the  micro‐scale  facies  geometry  within  macro‐scale  patterns. 

Samples with a large major distance (>100 m) are likely present in both sectors 

of the profile, as in the MSs, CSs and WSs facies. 

89  

  Fig. 3.8: Data from the Aliaga outcrop on aerial photo 543‐12: Villarluengo, at a scale of 1:5000 (available from the SITA

R w

ebpage of the 

Aragon Government) showing the locations of sedim

entary sections and collected

 samples. 

90 

 

Fig. 3.9: Proportions of Tsunami facies in the up‐scaled samples and sedimentary sections. The right  graph  shows  the  calculated  probability  curve  as  a  function  of  the  original  facies proportions. Colour codes for the facies are given in Fig. 3.7. 

Table  3.3: Horizontal  distance  (meters)  between  samples  from  the  same  facies  of  Tsunami deposit 

Facies  Minor  Major 

PSs  10 10 

MSs  3 190 

CSs  1.8 150 

WSs  0.5 200 

A nested spherical semi‐variogram was constructed for each facies from 

the  sample  data,  in  an  attempt  to  describe  sample  correlations within  and 

between  sectors;  in  facies  with  few  samples,  as  in  the  PSs  facies,  the 

experimental  semi‐variogram was  adjusted  to  observations  obtained  in  the 

field  (Fig  2.9  in  Section  2)  and  the  distances  given  in  Table  3.3.  Table  3.4 

summarizes  the  experimental  semi‐variogram  calculated  for  the  tsunami 

facies;  the X and Y data  ranges  in Table 3.4  show  the  ranges of data  in  the 

semi‐variogram  (Fig.  3.1).  Structure  1  describes  sample  similarity  at  short 

ranges, and Structure 2 describes similarity at longer ranges. The vertical range 

calculated for Structure 2 is larger than the deposit thickness, to avoid adding 

heterogeneity. The Y range for Structure 2 of less than 50 m, as in facies PSs  

91  

Table 3.4: Experim

ental variograms elem

ents of the tsunami facies 

92 

and CSs,  indicates facies discontinuity along both sectors of the profile. The X 

range  of  both  Structures  1  and  2  is  adjusted  to  accentuate  (or  not)  the 

anisotropy  of  facies,  given  an  elongated  or  circular  shape  of  the  semi‐

variogram. 

3.3.1.1. Results of facies modelling of the tsunami deposit 

The  stochastic  simulation produces multiple  results and each  result  is 

unique. The original sorting facies fraction constrains the simulation algorithm, 

and the variograms and probability curves add facies variability to the 3D grid. 

A  comparison of originals,  samples  and  sedimentary  sections,  and modelled 

frequency  histograms  (Fig.  3.10)  shows  similar  facies  fraction  distributions 

principally within  the sample histogram. The sedimentary sections histogram 

overestimates PSs facies and underestimates WSs facies amounts, because the 

PSs  facies  consists  principally  of  filled  dinosaur  footprints,  and  the  sections 

were logged at footprint zones. 

 

 

Fig. 3.10:  Frequency histogram of  the Tsunami  facies  fraction  for  sample data,  sedimentary sections and results of modelling. See facies code in Fig. 3.7. 

   

93  

The selected Tsunami facies model, illustrated in Fig. 3.11, has a vertical 

exaggeration of 4x. The view from the East (Fig. 3.11A) and West (Fig. 3.11B) of 

tsunami facies model shows the following: 

an elongate and discontinuous geometry of the PSs and CSs facies in a 

N–S direction, with both facies being abundant at the base of the 

deposit;  

the MSs facies geometry elongate in the Y direction, but which is more 

continuous than the PSs and CSs facies, and is present in both sectors 

of profile; and 

 the WSs facies is the most abundant facies in the model, but 

principally in the upper part of the deposit. 

Fig. 3.12 shows the vertical evolution of the facies model, layer by layer. 

The facies distribution and geometry evolve upwards into: 

an increasing in proportion of WSs and MSs facies;  

a higher proportion of WSs facies in the South sector; and 

a decreasing area and frequency of CSs and PSs facies patches. 

Table  3.5  summarizes  the  3D  geometry  of  the modelled  facies;  the 

geometry is given by the experimental semi‐variogram ranges. 

Table 3.5: Model geometry of the Tsunami facies 

Facies  Shape  Length (m)  Width (m)  Thickness (m) 

PSs  lenticular 10‐40  5‐10 0.2‐0.4 

MSs  Wedge‐shaped 20‐120  5‐10 0.2‐0.8 

CSs  lenticular 10‐40  1‐10 0.2 

WSs  Sand sheet 20‐200  1‐30 0.2‐1.2 

 

 

   

94 

 

 

   

Fig. 3.11: Facies m

odel of the Tsunami deposit. View from the East (A) and W

est (B) of the deposit. The arrow indicates the North direction and 

the upward or downward perspective of the model is indicated by the green

 colour and red

 colour, respectively. V

ertical exxageratiion of 4x.  

95  

 

 

 

Fig. 3.12: View of the Tsunami  facies model,  layer by  layer  from the base  (K42) to the upper layers  (K38‐37). The arrows  indicate  the heterogeneity  in  the X direction,  from east  to west. The vertical scale is exaggerated by 4x. The facies code colours are as in Fig. 3.7. 

   

96 

3.3.2. Facies modelling of the barrier island‐tidal inlet deposit 

The barrier  island‐tidal  inlet  (b.i./inlet)  input data are composed of 30 

samples classified by sorting facies (Fig. 3.7), and collected from core and hand 

specimens  (Table  2.4  in  Chapter  2  and  Fig.  2.11  in  Chapter  2)  and  five 

sedimentary sections (Fig. 3.3 and Fig. 3.8), giving a spatial distribution of data 

similar  to  that  of  the  Tsunami  deposit.  A  vertical  probability  curve  was 

calculated for each facies, as  illustrated  in Fig. 3.13, which shows the original 

and calculated probability curves and a modelled histogram similar to both of 

the original histograms,  for both  samples and  sedimentary  sections. The PSs 

facies  proportion  decreases  towards  the  upper  layers,  the  WSs  facies 

proportion increases towards the upper layers and the CSs samples are located 

in the lower layers. 

A clear heterogeneity between North and South sectors was noticed in 

the facies distribution of b.i./inlet samples: in the North sector, samples were 

classified principally as PSs and MSs  facies, whereas  in the South sector they 

were classified mainly as MSs and WSs facies (Table 2.5 in Chapter 2). The  

 

 

Fig. 3.13: Original up‐scaled facies proportions of samples and sedimentary sections from the b.i./inlet. The right graph shows the calculated probability as a function of the original facies proportions. The facies code colours are as in Fig. 3.7. 

   

97  

variograms  attempted  to  capture  the  spatial  variability  of  sorting  facies 

samples, and  the data were used  to construct experimental variograms after 

completion of an initial analysis of sample distances. 

The  horizontal  distance  in  the N–S  (Y)  direction  of  samples  from  the 

same facies class is given in Table 3.6, where the “minor distance” shows more 

proximate samples and the “major distance” shows more distal samples; the 

sample spacing is 4–10 m; the more proximate samples (<2 m) were obtained 

from  the  thicker deposit  zones  (thickness, >1 m). Samples with a high major 

distance (>100 m) are likely present in both sectors of the profile, as in the PSs 

and MSs facies. 

 

Table 3.6: Horizontal distance (meters) between samples from same facies of b.i./inlet deposit 

Facies  Minor Major

PSs  5 160

MSs  0.2 160

CSs  12 12

WSs  0.53 49

 

Nested  semi‐variograms  were  calculated  for  facies  of  the  b.i./inlet 

deposit, except  for  facies CSs  (Table 3.7), as  this  facies  is present only  in  the 

North sector. The Y range of Structure 2 (Table 3.7) is <50 m for all facies, and 

reflects  the heterogeneity  and discontinuity of  facies  in both  sectors.  The X 

range of both Structures 1 and 2 (Table 3.7) is adjusted to accentuate (or not) 

the  anisotropy  of  facies,  given  an  elongate  or  circular  shape  of  the  semi‐

variogram, as in the WSs and PSs facies, respectively. 

   

98 

   

Table 3.7: Experim

ental sem

ivariogram elements of b.i./inlet facies 

99  

3.3.2.1. Results  of  facies  modelling  of  the  barrier  island‐tidal  inlet 

deposit 

The chosen b.i./inlet facies model for upcoming reservoir studies shows 

a  global  facies  fraction  similar  to  the  original  facies  fraction  (Fig.  3.14)  and 

facies geometries according to descriptions of b.i./inlet macro‐ and micro‐scale 

patterns, as described in Chapter 2 and in Navarrete et al. (2013). 

The frequency histogram of the facies fractions in the b.i./inlet deposit 

is  given  in  Fig.  3.14,  which  compares  the  facies  fractions  of  samples, 

sedimentary  sections  and  modelled  facies.  The  modelled  facies  fraction  is 

similar to the observed facies fraction for sample data (±3%) and also for the 

sedimentary sections fraction. 

 

 

Fig.  3.14:  Frequency  histogram  of  the  b.i./inlet  sorting  facies  fraction  for  sample  data, sedimentary sections and results of modelling. See facies code in Fig. 3.7. 

   

100 

The  facies model  selected  for  the  b.i./inlet  deposit  for  the  reservoir 

study  is  illustrated  in Fig. 3.15, with a vertical exaggeration of 4x. The  facies 

model (Fig. 3.15) shows the following: 

an increasing of WSs ad MSs facies towards the upper layers; 

a lateral discontinuity of facies, except of the MSs facies; and  

local patches of the CSs facies, mainly in the North sector. 

The  vertical  evolution,  modelled  layer  by  layer  (Fig.  3.16)  from  the 

bottom layer (K30) to the top layer (K15, K09, etc.), shows the following: 

the proportion of the MSS and the PSs facies decreases; 

the  PSs  facies  patches  are  amalgamated within  the MSs  facies  and 

become more discontinuous and distant from one another; 

the CSs facies patches decrease  in area and are  located mainly  in the 

North sector; 

the proportion of the WSs  facies  increases by  forming small elongate 

E–W  oriented  patches  (Fig.3.16,  small  blue  arrows  in  K27  and  K22), 

which become increasingly abundant until they amalgamate within the 

MSs facies in the upper layers. 

Table  3.8  summarizes  the  3D  geometry  of  the modelled  facies;  the 

geometry is related to the experimental semi‐variogram ranges. 

 

Table 3.8: Modelled geometry of facies of the b.i./inlet deposit  

Facies  Shape  Length (m) 

Width (m) 

Thickness (m) 

PSs  lenticular 2‐10 5‐20 0.2‐0.4 

MSs  Sand sheet 200 40 0.4‐1.2 

CSs  lenticular 5‐20 1 0.2‐0.4 

WSs  Amalgamated to MSs 3‐200 1‐30 0.2‐0.8 

 

   

101  

 

 

 

Fig. 3.15: Facies m

odel of the b.i./inlet deposit. View of the top and base of the deposit. The arrow indicates the North direction and green

 and 

red colours represent up and down views of the model, respectively.  

102 

 

103  

3.3.3. Discussion on facies modelling 

Realistic  stochastic  facies  models  depend  on  knowledge  of  the 

sedimentary  model  and  available  input  data,  and  the  model  should  be 

designed according to its specific purpose (Norden and Frykman, 2013). Facies 

models  developed  in  this  study  are  high‐resolution  models  based  on  sub‐

metre‐scale  outcrop  data,  and  are  intended  to  be  used  for  petrophysical 

modelling through direct  facies–porosity correlations  (where correlations can 

be made). The facies were first defined on the basis of lithology and sand size 

distribution,  for  the  purpose  of  building  a  sedimentary model  at  the  basin‐

wide scale. The facies were then described at micron scales, including porosity 

and permeability measurements. The sorting  facies classification used  in  this 

study, which  is  defined  in  terms  of  sand  sorting  observed  at micron  scales, 

correlates well with  petrophysical  data.  In  addition,  a  cemented  facies was 

defined  independently of sorting criteria, given  the  influence of cementation 

on  petrophysical  properties.  The  architecture  of  the  facies model  therefore 

controls  the  architecture  of  the  petrophysical model,  and  the  facies model 

must be validated before proceeding with the petrophysical modelling. 

The  geometry  and  arrangement of modelled  facies  represent  a probabilistic 

version  of  the  micron‐scale  facies  distribution  established  through  kriging 

stochastic  simulation.  The  simulation maintains  the  proportions  and  spatial 

resolutions of available data, and variograms introduce horizontal variations in 

the data in the N–S (Y) and E–W (X) directions, while vertical probability curves 

were used  to calculate variations  in  the vertical  (Z) direction. The  input data 

were spatially distributed along the Y and Z axes of the X plan 693630 UTM; no 

samples were  collected  in  the  E–W  (X)  direction.  The  Aliaga–Miravete  road 

separates the sectors of the deposit and represents a gap of 50 m (Fig. 3.8). 

 

 

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

Fig. 3.16 (previous page): View of the b.i./inlet facies model by layer; from the base (K30) to the upper  layers  (K15–09).  The  large arrows  indicate  facies  variations  in  the N–S direction, and small arrows indicate WSs patches elongate in an E–W direction. 

   

104 

Experimental  nested  variograms  were  calculated  in  all  directions,  with 

available data distributions being convenient only in the N‐S direction. Nested 

variograms allowed a definition of facies variability within and between model 

sectors (at short and long ranges, respectively). 

3.3.3.1. Discussion on tsunami facies modelling 

The pseudo sand‐sheet geometry of the tsunami deposit extends over 

an  area  of  35  km²,  and  shows  evidence  for  the  transport  of  highly 

concentrated  suspended  sediments  driven  by wave‐dominated  sedimentary 

processes  (turbidity  flow)  over  relatively  short  periods  of  time  (hours  or 

minutes) and  rapid accumulations of  sediment under high‐energy  conditions 

(Dawson and Smith, 2000; Sugawara et al., 2014). A comparison of  the sand 

distribution  in  the  studied  tsunami  deposit with  sand  distributions  in  other 

tsunami  deposits  worldwide  indicates  that  such  sand‐sheet  deposits  are 

relatively  horizontally  homogeneous  (Clague  et  al.,  1994;  Nanayama  and 

Shigeno, 2006; Jankaew et al., 2008; Prendergast et al., 2012), and that vertical 

heterogeneity  is  expressed  by  graded  sequences  of  ‘fine‐  to  coarse‐grained 

sand (Cantalamessa and Di Celma, 2005; Dawson and Stewart, 2007; Jankaew 

et  al.,  2008;  Prendergast  et  al.,  2012).  The  studied  tsunami  deposit  is 

composed  of  relatively  homogeneous  subarkosic–arkosic  sandstones,  with 

70% of the samples belonging to the WSs and MSs sorting facies classes (see 

Table 2.2  in Chapter 2), and with nearly half  the  samples being  classified as 

fine‐ to medium‐grained sand. The geometry of the facies in the model (Table 

3.5)  is given by variograms (Table 3.4) that were manually adjusted mainly  in 

the E–W  (X) direction to reflect the  facies heterogeneity described  in section 

2.2.3.1  in Chapter 2.  Facies with poor  (PSs) and moderate  (MSs)  sorting are 

located principally in the North sector (Table 2.2 in Chapter 2), the WSs facies 

is located in the South sector, and the cemented facies (CSs) occurs in specific 

zones  in both  sectors. The  variogram  ranges of  Structure 1  (Table 3.4)  for a 

given  facies  (Table  3.3)  primarily  reflect  the  distance  between  samples  in  a 

sector.  The  ranges  of  Structure  2  (Table  3.4)  reflect  facies  continuity;  i.e., 

within a sector (distances of <50 m), such as in the PSs and CSs facies; between 

sectors, such as in the MSs and WSs facies; or along the entire outcrop, such as 

in facies WSs. Thus, the PSs and CSs facies are lenticular and elongate in the N–

S  (Y)  direction  (Table  3.5),  whereas  the  MSs  and  WSs  facies  are  widely 

105  

distributed (Table 3.5), with the WSs facies being abundant in the South sector 

and higher in the section (Fig. 3.11).  

The distribution of sand in the modelled outcrop was well documented 

in the N–S direction, along the western  limb of the Aliaga–Miravete anticline, 

by Navarrete et al. (2014) (see Fig. 2.2 in Chapter 2). Fig. 3.17A compares the 

modelled  geometry  and  distribution  of  facies  in  a  N–S  direction  with  the 

descriptions of Navarrete et al. (2014). The coherency between the modelled 

facies  (Fig.  3.17A)  and  the  described  facies  is  good,  and  the  similarities 

between the two are listed below (Fig. 3.17B and C).  

‐  The  PSs  facies  and  the  LF1  lithofacies,  located  in  the  bottom  layer, 

principally fill dinosaur footprints, where present. 

‐ The PSs facies is discontinuous in the N–S direction, and its geometry 

depends on the presence of footprints.  

‐  The  proportion  of  well  and  moderated‐sorted  facies  increases 

upwards and towards the southern area of the model. 

‐  A  stacked  sedimentary  succession  is  represented  in  the model  by 

interbedded facies (arrows in Fig. 3.17A and C). 

The studied  tsunami deposit  is particularly  thick  (1–3 m) and covers a 

vast  area.  Single‐bed  tsunami  deposits  described  in  onshore  regions  are 

usually 25–50  cm  thick  (e.g. Morton et al., 2008), and multiple‐bed  tsunami 

deposits  reach over 1 m  in  thickness  in  some  cases  (Fujiwara and Kamataki, 

2007; e.g. Chagué‐Goff et al., 2011). A comparison of the studied deposit with 

other  palaeo‐tsunami  deposits  is  difficult  on  account  of  the  exceptional 

thickness  of  the  studied  tsunami  record.  However  the  modelled  facies 

geometry is comparable to facies heterogeneities described by Nanayama and 

Shigeno  (2006)  and  Fujiwara  and  Kamataki  (2007).  The  facies  described  by 

these authors are defined by their sand size distributions, while the modelled 

facies  is  described  as  a  function  of  sand  sorting. However,  in  the modelled 

facies  the  sorting  facies  classification  is  correlated  with  the  grain  size 

distribution  at  the micron  scale  (see  Table  2.3  in Chapter  2). Generally,  the 

fine‐grained sands are well sorted (WSs) or moderately sorted (MSs), and the 

coarse‐grained sands are poorly sorted (Pss).   

106 

 

107  

Nanayama and Shigeno (2006) described  in detail the provenance and 

grain size distribution of an onshore tsunami deposit up to 36 cm thick, caused 

by  a  magnitude  7.8  earthquake  along  the  coast  of  Japan  in  1993.  The 

earthquake epicentre was  located 200  km  from  the  current  study  area. The 

authors defined  two  lithofacies,  a  gravel  lobe  facies  (GLF)  and  a  sand  sheet 

facies  (SSF),  along  two  sedimentary  sections  240 m  long  and  spaced  20 m 

apart. They are oriented perpendicular to the shoreline and  located at 500 m 

from it onshore. Two fining‐upwards sequences were observed in each of four 

stratigraphic units.  The GLF  is  composed mainly of matrix‐supported pebble 

and cobble sands, with a graded or inverse graded structure and a weak gravel 

fabric. The SSF lies above the GLF facies and is composed mainly of fine sand, 

has a graded structure, and contains current ripples indicating a landward flow 

direction. Over an area 40 m  long and 20 m wide,  the GLF  lobe geometry  is 

discontinuous  and  its  thickness  is  variable  (0–20  cm),  whereas  the  SSF 

lithofacies  is  widely  distributed.  Although  Nanayama  and  Shigeno  (2006) 

defined only two lithofacies, the GLF and SSF facies are comparable to the PSs 

and WSs facies, showing the following similarities. 

‐ The GLF and PSs facies are discontinuous in both horizontal directions, 

N‐S (Y) and E‐W (X).  

  ‐  The  GLF  and  PSs  facies  are  commonly  located  at  the  base  of  the 

sedimentary  succession  (see  Fig.  2.6  in  Chapter  2)  or  at  the  base  of 

fining‐upwards sequences. 

 

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ 

Fig.  3.17  (previous  page):  Comparison  of  the  tsunami  facies  model  with  the  sedimentary sections described by Navarrete et al.  (2014).  (A) Facies model  (colour coding as  in Fig. 3.7; vertical  exaggeration,  4x).  (B)  Detail  of  the  area  indicated  by  the  rectangle  in  A,  showing sedimentary sections of the South sector and their  locations on the drone photo. (C) Detail of the area indicated by the rectangle in A, showing sedimentary sections of the North sector and their  locations on  the drone photo  (modified  from Navarrete et al. 2014).  Locations of  core samples  are  indicated  in  (B)  and  (C).  Arrows  indicate  similarities  in  the  facies  distribution between  the model  and  the  sedimentary  sections:  black  arrows,  PSs  distribution;  thin  red arrows, WSs distribution. 

   

108 

  ‐  The  lobed  geometry  of  the  GLF  facies  is  probably  related  to  its 

proximity  to  the  coastline  (within 500 m). The  lenticular geometry of 

the  PSs  facies  is  probably  related  to  its  great  distance  from  the 

coastline (5–8 Km). 

‐ The SSF and WSs  facies have  sand  sheet geometries and are widely 

distributed. 

  ‐ The SSF and WSs facies are the most abundant facies in the deposit. 

Fujiwara and Kamataki (2007) described Holocene outcrops of shallow 

offshore tsunami deposits in eastern Japan. The authors identified three types 

of  lithology  in  the deposits:  sandy, gravelly and  conglomeratic. The deposits 

show remarkable lateral facies changes at kilometre scales. The sandy deposits 

consist mainly  of  laminated,  packed  or weakly  cemented  sand,  and  include 

gravels and mollusc  shells. They are  several centimetres  to 40 cm  thick, and 

show  generally  fining‐upward  trends.  Four  units were  identified, with  each 

deposit being composed of several sub‐layers and representing the results of 

repeated sediment flows. Unit Tna is composed of fine‐ to coarse‐grained sand 

and is up to 15 cm thick; Unit Tnb consists of laminated sand (coarser grained 

than  the  sand  in  Unit  Tna)  and  is  up  to  25  cm  thick;  Unit  Tnc  reaches  a 

thickness of 10 cm and consists of fine sand layers alternating sandy silt layers 

covered  by  mud  drapes  with  concentrated  plant  debris;  and  Unit  Tnd  is 

composed of sandy silt or silt beds with a total thickness of up to 15 cm. The 

four depositional units exhibit a distinctive stacking pattern and marked grain‐

size differences. Unit Tna, composed of relatively fine‐grained components,  is 

locally  truncated by Unit  Tnb;  sub‐layers  are  truncated  in  their upper parts. 

Unit Tnb is divided into more than four sub‐layers, each less than 10 cm thick, 

and each showing amalgamated contacts; sub‐layers are composed of sorted 

sand  with  some  gravels  and  mollusc  shells,  and  exhibit  planar  to  gently 

undulating  laminations  and wedge‐shaped  cross‐stratification. The  variability 

in  sand  sorting  and  grain  size  of  Units  Tna  and  Tnb  is  comparable  to  the 

variability observed in the modelled facies, as follows. 

‐  Unit  Tna  would  represent  a  single  layer  in  the  facies  model;  its 

lithology  is  similar  to  that  of  the  MSs  facies.  The  MSs  facies  is 

composed of moderately sorted fine–medium to medium–coarse sand. 

109  

‐ Although Unit Tnb  is coarser  than Unit Tna, Unit Tnb  is well  sorted, 

like the WSs  facies. The sub‐layers of Unit Tnb are thicker as those of 

the WSs  facies and contacts between  the  layers are amalgamated, as 

the contact between the MSs and WSs facies. At the studied scale, the 

WSs facies and the MSs facies are amalgamated. 

‐ The upper units (Units Tnc and Tnd) are finer grained than the  lower 

units (Units Tna and Tnb). In the tsunami facies model, the WSs facies is 

usually abundant  in the upper zone of the deposit, which  is composed 

mainly of fine and fine–medium sand. 

Studies of  cementation  in  tsunami deposits  are  scarce. Only  Fujiwara 

and Kamataki  (2007)  reported weak  cementation  in  tsunami  sandstone, and 

this  may  have  been  linked  to  compaction  and  diagenesis,  and/or 

remobilization of  fluids through  faults at deeper  levels. The tsunami deposits 

described by Nanayama and Shigeno (2006) and Fujiwara and Kamataki (2007) 

were deposited recently, as are most of the tsunami deposits described in the 

literature;  thus,  compaction  by  lithostatic  pressure  is  weak.  The  cemented 

facies (CSs) in the studied tsunami deposit is scarce, although the cementation 

apparently reduces the porosity and permeability of the beds (see section 2.4 

in Chapter 2). Nevertheless,  in these cemented facies, porosity values do not 

decrease significantly, and are within the tsunami porosity range  (14%–22%). 

Hammer  et  al.  (2010)  observed  that  Upper  Triassic–Lower  Jurassic  fluvial 

channel deposits with carbonate cements occur more commonly in cemented 

laminae  and  small‐scale  patches,  as  occurs  in  the modelled  CSs  facies.  The 

effects of carbonate cementation on reservoir quality are relatively limited, as 

the cementation  is restricted to millimetre‐scale  laminae of mica and organic 

debris,  as  the  calcite  cementation observed  in  studied  tsunami deposit  (see 

Fig. 2.13 in Chapter 2). 

Based on  these observations,  it can be concluded  that  the variograms 

and probability curves used  to construct  the  tsunami  facies model  represent 

the geometries of the facies at micrometre scales, which  is the same scale as 

that used for petrophysical measurements. The sand distributions in the facies 

model and those observed by different authors are remarkably similar, despite 

the differences  in scale. Thus, the selected tsunami facies model  is consistent 

110 

with  the  scenario  described  by  Navarrete  et  al.  (2014)  and  the  scenarios 

proposed for other tsunami deposits. 

3.3.3.2. Discussion on barrier island – tidal inlet deposit 

The  studied  b.i./inlet  deposit  is  composed  of  subarkosic–arkosic 

sandstones. The sorting facies distribution of the sandstones is different in the 

North and South sectors, and is linked to sedimentary processes. The WSs and 

MSs facies are abundant in the South sector (see Fig. 2.11A in Chapter 2) while 

the  PSs  and  CSs  facies  are  abundant  in  the North  sector  (see  Fig.  2.11B  in 

Chapter  2). When  the  facies  are  classified  by  grain  size  class,  the  samples 

exhibit homogeneous distributions of  fine–medium  to medium–coarse  sand, 

except  that  facies with  fine–medium  sand  are more  abundant  in  the  South 

than  in  the North  sector.  In  the  South  sector,  facies were  generated by  the 

migration  of  minor  megaripples  moved  by  flood  and  ebb  water  fluxes 

(Navarrete  et  al.,  2013),  deposited  under  low‐energy  flow  regimes.  In  the 

North sector, sedimentary structures, such as drapes formed by carbonaceous 

plant  fragments  and  asymmetric  waves  and  interference  ripple  structures, 

indicate  variations  in  the  flow  regime,  probably  associated with  tidal  flows 

from  brackish  to  marine  conditions.  Thus,  heterogeneity  in  the  b.i./inlet 

deposits,  as well  as  the  geometry  and  spatial  distribution  of  facies,  are  the 

result of a complex fill pattern marked by multiple episodes of erosion, lateral 

filling and migration of  inlets within the barrier  island system (Nishikawa and 

Ito, 2000; Mallinson et al., 2010). Recent studies of  inlet morphology and the 

lithologies  of  barrier  island  systems  describe  a  large  range  in  the  sizes  and 

shapes  of  inlets,  and  a  strong  dependency  of  the  lithofacies  distribution  on 

waves or  tidal processes, as well as  the source area of sediments  (Davis and 

Barnard, 2003; Simms et al., 2006; Hodgkinson et al., 2008). 

The  facies  model  basically  consists  of  two  facies  with  lenticular 

geometries,  and  two  facies  with  sand  sheet  geometries.  The  PSs  facies  is 

lenticular shaped and oriented NE–SW and NW–SE (large arrows in Fig. 3.16); 

the CSs facies  is also  lenticular shaped, and  is oriented N–S. The WSs facies  is 

amalgamated  with  the  MSs  facies,  forming  a  sand  sheet  geometry  (small 

arrows  in  Fig.  3.16).  These  directions  of  anisotropy  in  the  lenticular  facies 

represent  the  palaeocurrent  direction measured  by Navarrete  et  al.  (2013), 

111  

who  suggested  that  the barrier  island was oriented NW–SE with a  tidal  inlet 

evolving in an ENE–WSW direction and an open marine environment to the S–

SW. The variogram ranges, which give the geometry and distribution of facies 

in  the  model,  attempt  to  reflect  the  observed  heterogeneity  (see  section 

2.2.3.2  in Chapter 2). All variograms  (Table 3.7) exhibit a  range  smaller  than 

that  of  the  profile  sector  (~60 m)  (except  for  the  CSs  facies  variogram)  to 

reproduce observed  facies  variability between  the North  and  South  sectors. 

The CSs facies is located in the North sector and matrix is entirely replaced by 

dolomite  in  some  samples,  and  the  variogram  ranges  for  the CSs  facies  are 

larger than the model dimension in the X and Y direction.  

A comparison of  the  facies model and sedimentary sections described 

by Navarrete et al. (2013) (see Fig. 3.18) yields the following results. 

‐  The  stack  of  layers  in  the  thicker  zones  of  the  South  sector  is well 

represented by the  interbedding of sorting facies (circled zones  in Fig. 

3.18). 

‐ The fraction of WSs and MSs facies increases towards the upper parts 

of the deposit (circled zones in Fig. 3.18). 

‐ Coarser lithofacies, as well as the PSs facies, are located mainly at the 

bottom of the sections. 

The  facies  model  is  compared  with  inlet  deposits  associated  with 

barrier  islands  as  described  by  Jackson  and  Rawn‐Schatzinger  (1993)  and 

Mallinson  et  al.  (2010).  Jackson  and  Rawn‐Schatzinger  (1993)  described,  at 

outcrop scales, an Upper Cretaceous  inlet deposit of Rock Springs (Wyoming, 

United States)  composed of  stacked  laterally discontinuous  sandstone  layers 

that  show  large  variations  in  both  the  grain  size  and  sorting  of  the  sand 

(medium–coarse  sand  and  poor–moderate  sorting).  The  authors  observed 

rapid lateral changes and complex geometries resulting from the truncation of 

tidal inlets in shallow marine sands. The major sand bodies are associated with 

the lateral migration of tidal inlets, and commonly contain oysters at the base 

of  the  deposit.  The  tidal  channel  facies  are  similar  to  the  sedimentary 

characteristics of facies in the South sector (see section 2.4 in Chapter 2). The 

tidal  channel  facies  is  composed  of moderately  to well‐sorted  fine–medium 

sand associated with ebb flow currents, with planar tabular bedding 1 m thick  

112 

  Fig. 3.18: Barrier island/inlet facies m

odel and description of sedim

entary sections logged

 by Navarrete et al. (2013). The red circles show zones 

in the model that correspond to the sedim

entary sections. Vertical exaggeration is 4x. 

113  

and 6–16 m wide. The sedimentary characteristics of  the  tidal  inlet  fill  facies 

are similar to those of the North sector (see section 2.4 in Chapter 2). The tidal 

inlet  facies  is composed of moderately to poorly sorted coarse sand, with an 

erosive base containing  laterally continuous shell  lag and spit accretion beds. 

The  cross‐sections  of  outcrops  studied  by  Jackson  and  Rawn‐Schatzinger 

(1993) show lateral changes of facies from tidal inlet fill to tidal channel, in an 

interval 162 m long; this distance is similar to that of facies changes observed 

between  the North and South  sectors. Furthermore,  the authors observed a 

large amount of calcite cementation in the oyster‐rich bed, as observed in the 

present  study  in  the  North  sector.  Mallinson  et  al.  (2010)  described  pre‐

historic  inlet  deposits  on  the  Outer  Banks  barrier  island  system  of  North 

Carolina, USA, and some of the  features that they describe are also  found  in 

the  present  study;  e.g.  sandy  lithofacies  are  heterogeneous  and  most 

abundant,  and  sandy  lithofacies  are  subdivided  into  heterogeneous  sub‐

lithofacies  according  to  composition,  colour  and  texture.  Mallinson  et  al. 

(2010)  study  reveals  a  complex  fill  pattern  within  the  palaeo‐inlet  facies, 

marked  by  multiple  episodes  of  erosion,  lateral  filling  and  southward 

migration; it also exhibits marked variations in thickness, increasing from 1 to 

3 m over a distance of ~300 m. 

In  terms of  sand heterogeneity,  the modelled heterogeneity  given by 

the  variogram  is  consistent with  the  facies  descriptions  in  previous  studies 

(Jackson and Rawn‐Schatzinger, 1993; Mallinson et al., 2010; Navarrete et al., 

2013), which validates the facies model. Cementation  in  inlet deposits, which 

has  been  described  by  Jackson  and  Rawn‐Schatzinger  (1993),  has  a  strong 

influence  on  the  petrophysical  properties,  by  decreasing  porosity  and 

permeability.  In  the Aliaga  section,  cementation  is more  pronounced  in  the 

North sector, where it mainly affects the PSs facies (containing oyster and shell 

fragments) (see section 2.2.3.2 in Chapter 2); this effect is consistent with the 

observations of Jackson and Rawn‐Schatzinger (1993). The modelled CSs facies 

(Fig.  3.16)  is  abundant  at  specific  zones  in  the  North  sector  close  to  the 

Remenderuelas and other minor associated  faults  (see Fig. 2.2  in Chapter 2), 

which  suggests  that  the observed  cementation  is  related  to  the  compaction 

and diagenesis of sedimentary facies, and probably also to fluid remobilization 

in the fault zone (see section 2.4 in Chapter 2). 

114 

3.4. Petrophysical Modelling 

Petrophysical modelling of porosity and permeability variables in the 3D 

grid  are  based  on  stochastic  simulations.  The  statistical  algorithm  used  for 

calculating  porosity  and  permeability  probabilities  at  a  given  location  is  the 

sequential  Gaussian  algorithm,  conditioned  by  spatial  data  locations,  input 

distributions,  variograms  and  trends  (Deutsch  and  Journel,  1998;  Pyrcz  and 

Deutsch, 2014).  The porosity  and permeability of  a  sedimentary deposit  are 

represented by a range of values which depend on the rock texture  (Corbett 

and Potter, 2004; Sun et al., 2007); these properties are often simulated using 

a  facies model.  The  facies  classification  used  in  this  study  is  correlated  to 

porosity  and  permeability  measures  of  plugs  extracted  from  drillcores 

recovered from the outcrop (Figs 2.7, 2.17 and 2.21 in Chapter 2). 

3.4.1. Petrophysical modelling of the tsunami deposit 

3.4.1.1. Porosity modelling of the tsunami deposit 

The  porosity  of  the  Tsunami  deposit  and  its  relationship  to  sorting 

facies  was  studied  in  Section  2.3.1;  the  study  of  the  petrophysics  of  the 

tsunami deposit was based on 30 plugs (Table 2.4  in Chapter 2). The porosity 

values are generally  in  the range of 14%–22%  for all sorting  facies  (Fig. 2.17, 

Chapter 2). The porosity model construction of tsunami deposit conditioned by 

facies  was  discarded  because  no  real  relationship  was  observed  between 

porosity and sorting  facies;  thus, any analysis of  the data according  to  facies 

does  not  lead  to  distinguishable  flow  properties  (Pyrcz  and Deutsch,  2014). 

Therefore,  the  tsunami  deposit  porosity was  distributed  in  the  grid  using  a 

probability  curve  and  semi‐variograms of measured porosity.  The  arithmetic 

mean  of  16.6%  and  the  standard  deviation  of  3%  (Table  3.9)  show  the  low 

range of variation of measured values, with some extreme low values denoted 

by  the  variance  coefficient.  A  probability  curve  was  calculated  from  the 

frequency histogram (Fig. 3.19), and this curve was then normalized (Fig. 3.19, 

blue curve).  

   

115  

Table 3.9: Main statistics of porosity values for the tsunami deposit. 

Tsunami

Number of values 30

Mean  0.16605

Standard deviation 0.0334702

coefficient of variance 0.201567

Min  0.02

Max  0.2175

 

The  porosity  distribution  was  analysed  spatially  using  nested  semi‐

variograms  (Fig. 3.20);  the  semi‐variogram elements are given  in Table 3.10. 

The  experimental  semi‐variogram  for  the  Tsunami  deposit  porosity  (Table 

3.11) attempts to represent the correlation of porosity values along an outcrop 

sector through Structure 1, and between outcrop sectors through Structure 2. 

The semi‐variogram  in the X  (E–W) direction  for both structures 1 and 2 was 

calculated using a large tolerance angle (Table 3.10), thus, the variogram range 

in the X direction is similar to that in the Y (N–S) direction (Table 3.11).  

 

 

Fig. 3.19: Histogram of porosity values  (bars)  for  the Tsunami deposit. The blue curve  is  the porosity probability curve 

   

116 

 

 

Fig. 3.20: Semi‐variograms for the spatial distribution of porosity in three dimensions: vertical, the major direction Y and  the minor direction X. The distance  (in meters)  is  the  lag distance listed in Table 3.10.  

   

117  

Table  3.10:  Experimental  semi‐variogram  elements  for  measured  porosity  in  the  Tsunami deposit. 

Direction 

Azimuth 

Dip 

Number 

lags 

Lag 

distance 

Search 

radius 

Ban

d 

width 

Tolerance 

angle 

Lag 

tolerance 

Thickness 

Vertical  NA  90 20 0.2 4 1.8 90 50 NA 

Major  0 0 18 5 90 17.8 55.8 50 0.001 

Minor  270 0 20 5.9 118 123.3 90 50 0.001 

 

Table 3.11: Modelled nested Gaussian semivariogram for measured Tsunami porosity  

 

 

3.4.1.1.1. Results of porosity modelling of the tsunami deposit 

The  porosity model  of  the  Tsunami  deposit  selected  for  permeability 

modelling was obtained  after multiple  iterations, which were  repeated until 

the modelled  frequency  histogram  achieved  a  coherent model  design  that 

fitted  the original data. A  comparison of modelled  and measured  frequency 

histograms  (Fig.  3.21)  shows  similar  shapes  and  ranges  of  values  in  both 

histograms,  with  an  overestimation  of  14%–15%  of  values  in  interval  10 

(porosity = 19‐20% of porosity) and an underestimation of 14%–16% of values 

in  interval 8 (porosity = 16‐17%) for the modelled distributions; however, the 

main statistics of the distributions (Table 3.12) in the modelled and measured 

histograms  are  similar.  Improvements  in  the  modelled  distribution  are 

reflected by decreasing covariance values. 

   

Structure 1  Structure 2 

Type  Gaussian  Gaussian 

Sill  1.7894 0.846

 Major range (Y)  23.37 55.235

Minor range (X)  23.271 83.902

Vertical range (Z)  0.91 8

118 

 

Fig. 3.21: Frequency histogram of modelled and measured porosity in the Tsunami deposit. 

Table 3.12: Statistics of measured and modelled porosity values for the Tsunami deposit. 

Porosity 

m³/m³  

Min: 

Max: 

Delta: 

Number of 

defined 

values: 

Mean

: 

Std. d

ev. 

Variance: 

Covarian

ce 

Measured  0.07 0.22 0.16 30.00 0.17 0.03 0 0.20 

Modelled  0.07 0.21 0.15 92715 0.18 0.03 0 0.16  

The  Tsunami  porosity model  from  the  East  and  bottom  perspectives, 

illustrated  in  Fig.  3.22A  and B,  respectively,  shows higher  (>20%)  and  lower 

(<8%) porosity values in specific zones. The layer‐by‐layer evolution of porosity 

in the model, presented in Fig. 3.23, shows lower values arranged as individual 

patches with  thicknesses of >60 cm  located beside  the  road  (black arrows  in 

Fig. 3.23), and higher values (>20%)  located  in specific zones with thicknesses 

of <1 m  (ellipses  in Fig. 3.23). The porosity variation  in  the model  is divided 

into four main intervals, with more or less defined geometries, as enumerated  

119  

  Fig. 3.22: Tsunami porosity m

odel: (A) perspective from the East, and (B) perspective from the bottom. V

ertical scale exaggerated is 4x.  

120 

 

Fig.  3.23:  Layer‐by‐layer  evolution  of  the  porosity model  of  the  Tsunami  deposit  from  the bottom  (K42)  to  the  upper  (K37)  layers.  See  the  legend  in  Fig.  3.22  for  details.  The  arrows indicate  patches  of  lower  porosity  values  (<  8%).  The  ellipses  indicate  the  zones  of  higher porosity values (>20%).   

121  

in Table 3.13. The porosity background of  interval 3  (16%–19%)  is dominant, 

with intervals 1 (6%–11%) and 4 (19%–22%) evolving within it; interval 2 (11%–

16%) is usually associated with interval 1. 

Table 3.13: Geometry of porosity patches for a given interval of values. 

Interval Code 

Porosity interval (%) 

Shape  Length (m) 

Width (m) 

Thickness (m) 

1  6‐11  spherical  5‐10  5‐30  0.2 ‐ 1.4 

2  11‐16  around patch 1      0.2 ‐ 1.6 

3  16‐19 Background , everywhere 

    0.2 ‐ 3 

4  19‐22 more or less elongated patches in X direction 

10‐20  5‐40  0.2 ‐ 3 

3.4.1.2. Permeability modelling of the tsunami deposit 

The permeability modelling  involved distributing both vertical (Kv) and 

horizontal  (Kh)  permeabilities  into  the  3D  grid.  Two  main  characteristics 

describe  the distribution of measured permeability values  in  the 29  samples 

(Table 2.1 in Chapter 2): (1) vertical and horizontal permeabilities are strongly 

correlated  (correlation  coefficient  of  0.85)  (Fig.  2.16  in  Chapter  2),  and  the 

permeability behaviour is assumed to be isotropic; and (2) a strong correlation 

between  porosity  and  horizontal  permeability  (Fig.  2.15  in  Chapter  2).  The 

permeability model was constructed as a function of the porosity model in the 

X, Y and Z directions, each assuming the same model for Kh(x), kh(y) and Kv(z). 

The correlation between measured permeability and porosity is 0.82; thus, it is 

assumed that permeability depends on porosity, and that the relationship can 

be described by an exponential regression curve (Equation 3.5), as  illustrated 

in Fig. 2.15 in Chapter 2, expressed by 

                   . . ∗                                 (Eq. 3.5) 

   

122 

3.4.1.2.1. Results of permeability modelling of the tsunami deposit 

When  applying  equation  3.5  to  distribute  Kh  values  in  the  tsunami 

deposit, the measured permeability values were not up‐scaled to the 3D grid. 

A comparison of measured and modelled permeability  frequency histograms 

(Fig. 3.24) shows a perfect exponential distribution of the modelled histogram 

with an improvement of value intervals (bar width in Fig. 3.24). With regard to 

the main statistics of the modelled and measured Kh values (Table 3.14), the 

mean  and  standard  deviation  remain  nearly  equal,  while  the  variance, 

covariance and delta values are  smaller  in  the modelled  than  in  the original 

distribution. The permeability model depends on the porosity model, and the 

permeability  distribution  in  the  model  evolves  according  to  the  porosity 

distribution (Fig. 3.25); however, the permeability values show  less variability 

than the porosity values. Permeability values of <1 mD are found in the North 

sector of the model, at the upper  layers with a thickness of 0.4 m  (arrows  in 

Fig. 3.25). 

 

 

Fig. 3.24: Frequency histograms of measured and modelled Kh values showing the permeability distribution of the Tsunami deposit. 

   

123  

Table 3.14: Main statistics of measured and modelled permeability in the Tsunami deposit. 

Kh (mD) 

Min: 

Max: 

Delta: 

Number 

of 

defined 

values: 

Mean

: 

Std. d

ev. 

Variance

:   Covarian

ce 

Measured  0.17 28.76  28.59 29 8.92 6.29 39.6  0.70 

Modelled  0.5 21.81  21.31 92715 10.41 5.59 31.28  0.53  

3.4.2. Petrophysical modelling of the barrier island – tidal inlet deposit 

3.4.2.1. Porosity modelling of the barrier island – tidal inlet deposit 

A  good  correlation  between  the measured  porosity  and  the  sorting 

facies was established in Chapter 2, Section 2.3.2, based on the barrier island – 

tidal  inlet  (b.i./inlet)  petrophysical  characteristics  determined  from  27  plugs 

(Table 2.4 in Chapter 2). The porosity distribution can be divided into intervals 

according  to  sorting  facies  (Fig.  2.22  in  Chapter  2),  as  enumerated  in  Table 

3.15; lower porosity values are classified as CSs facies and higher values as WSs 

facies. Clear lithological heterogeneities are observed between profile sectors, 

with the WSs facies located in the South sector and the CSs facies in the North 

sector. 

The porosity modelling was carried out according  to  the  facies model 

using  the  sequential  Gaussian  algorithm;  porosity  intervals  (Table  3.15), 

variograms  and  probability  curves  were  defined  for  every  facies.  The 

probability curves (Fig. 3.26) represent the frequency of the porosity interval  

Table 3.15: Measured porosity intervals in the b.i./inlet deposit in both profile sectors, grouped by sorting facies class and frequency.  

Sorting Facies class  CSs  PSs  MSs  WSs 

Porosity interval (%)  0‐6 6‐17 11‐21  17‐22 

Facies Fraction in North sector  100% 66% 10%  0% 

Facies Fraction in South sector  0% 33% 90%  100% 

 

   

124 

 

Fig. 3.25: Layer‐by‐layer permeability model for the Tsunami deposit, from the bottom (K42) to the upper (K37) layers. The arrows indicate the zones of lower permeability values (<0.1 mD). 

   

125  

Fig. 3.26: Histograms of b.i./inlet deposit porosity by facies, with respective probability curves (blue lines): (A) PSs facies; (B) MSs facies; (C) CSs facies; and (D) WSs facies. 

with respect to facies; the curves were smoothed and normalized by a normal 

transformation, and  the mean and  standard deviation used  in  the modelling 

process are specified (Table 3.16). 

Table 3.16: Statistics of b.i./inlet porosity distribution by facies 

Facies  PSs MSs CSs WSs

Mean (m³/m³)  0.1485  0.166  0.023 0.194

Std (%)  0.0377  0.037  0.0002 0.016

 

The  limited number of samples of each facies precludes an acceptable 

statistics analysis to calculate experimental semi‐variograms; therefore, semi‐

variogram ranges (Table 3.17) were set with regard to the analyses in Section 

2.3.2  of  Chapter  2  and  Fig  2.22  (see  Chapter  2),  and  in  some  cases,  larger 

ranges than model dimension were set to avoid adding artefact heterogeneity. 

126 

Table 3.17: Semivariograms used in the modelling process for each facies.  

SEMIVARIGRAM FOR FACIES

Facies  Nugget Major Minor Vertical Sill 

PSs  0.10 50.00  50.00 10.00 1 

MSs  0.10 75.00  20.00 10.00 1 

CSs  0.50 200.00  100.00 10.00 1 

WSs  0.10 75.00  40.00 3.00 1  

3.4.2.1.1. Results of porosity modelling  

Multiple  realizations were generated  to match  the porosity  frequency 

histogram  of  input  data  with  that  of  the  model,  in  addition  to  matching 

coherent  porosity  variations  related  to  facies  geometry  (Table  3.8,  and 

information  in Section 2.3.2  in Chapter 2). A comparison of the modelled and 

measured porosity histograms (Fig. 3.27) shows similar exponential shapes  in 

both  histograms,  with  small  variations  in  the  range;  the main  statistics  of 

modelled and measured porosities are similar, with slight improvements in the 

covariance of the modelled values (Table 3.18). 

Table 3.18: Statistics measured and modelled porosities for the b.i./inlet deposit. 

Porosity (%)  Measured Modelled

Min:  0.02  0.02

Max:  0.22  0.22

Delta:  0.19  0.19

Number of defined values:  27  199822

Mean:  0.15  0.16

Std. dev.  0.05  0.04

Variance:  0  0

Covariance:  0.33  0.25

 

   

127  

 

Fig. 3.27: Histograms of modelled and measure porosities for the b.i./inlet deposit. 

 

Fig. 3.28  and  Fig. 3.29  illustrate  the porosity  and  facies models,  from 

the  East  and West  perspectives,  respectively.  The  porosity  variations  in  the 

MSs and PSs facies are important (Table 3.15), and create contrasting porosity 

values  in  some  zones  (see  the ellipses  in  Fig. 3.28  and  Fig. 3.29). Generally, 

within  a  given  facies  the  porosity  values  transition  from  low  in  the  North 

sector to high in the South sector according to distribution of Fig. 2.22 (see in 

Chapter 2). The vertical  layer‐by‐layer evolution of porosity  (Fig. 3.30) shows 

an  increase  in porosity values towards the upper  layers, with higher values  in 

the South sector. Porosity evolves  in two main directions, as  indicated by the 

large  arrows  in  Fig.  3.30:  (1)  a NNW–SSE  direction,  related  to  variations  in 

porosity of <16%; and (2) a N–S direction, as related to variations in porosity of 

>16%; the lowest values (<6%), corresponding to CSs facies patches (Fig. 3.16), 

are located mainly in the North sector.  

   

128 

 

  Fig. 3.28: View from the East of b.i./inlet models. The sedimentary sections are represented as wells. The green/red

 arrows indicate North, and 

green

 shading indicates the top of the model. The vertical exaggeration is 4x. The ellipses indicate the zones of high permeability within a given

 

facies. (A) Porosity m

odel. (B) Facies m

odel. 

129  

 

Fig. 3.29: View from the West of the b.i./inlet models. North is indicated by the green/red

 arrows; the top of the model is indicated by green

 shading. The vertical exaggeration is 4x. The ellipses indicate the zone of high permeability contrast within a given

 facies. (A) b.i./inlet porosity 

model.  (B) B.i./inlet facies model. 

130 

 

Fig. 3.30: Vertical evolution of the b.i./inlet porosity model from the bottom layer (K30) to the upper  layers  (K15, K09). The  large arrows  indicate the apparent  lateral trend  in porosity; the small vertical arrows and the circled zones indicate patches of lower porosity.

131  

3.4.2.2. Permeability  modelling  of  the  barrier  island  –  tidal  inlet 

deposit 

The methodology used  for modelling  the permeability of  the Tsunami 

deposit  was  also  applied  to  modelling  of  the  barrier  island  –  tidal  inlet 

(b.i./inlet) deposit. The 27 permeabilities measured on plugs exhibit two main 

characteristics:  (1) a correlation coefficient of 0.85 between  the vertical  (Kv) 

and horizontal (Kh) permeabilities (Fig. 2.16  in Chapter 2), indicating  isotropic 

permeability of the deposit; and (2) a correlation coefficient of 0.94 between 

the  porosity  and  the  horizontal  permeability.  Thus,  the  permeability model 

was constructed as a function of the porosity model for X, Y and Z permeability 

directions,  and  using  the  same  model  for  Kh(x),  Kh(y)  and  Kv(z).  The 

dependence of permeability on porosity is described by a power regression of 

the form (Equation 3.6): 

                                               ∗ .                                                                (Eq. 3.6) 

where   is the permeability and   is the porosity (see Fig. 2.15 in Chapter 2). 

3.4.2.2.1. Results of permeability modelling  

Equation 3.7 was applied to the distribution of permeability (Kh) in the 

barrier  island  –  tidal  inlet  (b.i./inlet)  deposit;  however,  the  measured 

permeability values were not up‐scaled  to  the 3D grid. A  comparison of  the 

frequency histograms of the measured and modelled permeabilities (Fig. 3.31) 

shows  that  the  shapes  of  the  two  histograms  are  similar,  with  some 

differences  in  the data  spread. The modelled  values are distributed  close  to 

the ideal power curve; thus, the mean and standard deviation of the modelled 

and measured  values  are  similar,  but  the  variance  is  lower  in  the modelled 

distribution (Table 3.19). The layer‐by‐layer permeability model is given in Fig. 

3.32, from the bottom layer (K30) to the upper layers (K09, K15, etc.). Because 

permeability is conditioned by porosity, the heterogeneity in permeability  

   

132 

 values in the model (Fig. 3.32) is very similar to that in the porosity model (Fig. 

3.30), with  the  orientation  trends  of  permeability  being  similar  to  those  of 

porosity (large arrows in Fig. 3.32); however, the variations in the permeability 

model are smoothed relative to those in the porosity model. 

 

 

Fig. 3.31: Histogram of measured and modelled permeability for the b.i./inlet deposit. 

Table 3.19: Statistics of permeability values for the b.i./inlet deposit. 

Permeability Kh (mD) Measured Modelled

Min:  0.01  0.01

Max:  16  14.89

Delta:  15.99  14.88

Number of defined values:  27  199822

Mean:  7.05  6.85

Std. dev:  4.8  3.63

Variance:  23.06  13.17

Covariance  0.68  0.52

 

 

   

133  

 

Fig. 3.32: Vertical evolution of the b.i./inlet permeability model from the bottom layer (K30) to the  upper  layers  (K15,  K09).  The  large  arrows  indicate  the  apparent  trends  of  lateral permeability variations; the small arrows and circles indicate regions of lower permeability. 

134 

3.4.3. Discussion on Petrophysical Modelling 

The petrophysical modelling process was unique for each deposit, and 

accorded  with  the  distribution  of  petrophysical  characteristics  and  their 

relationship to the sorting facies of each deposit. Permeability was modelled in 

the tsunami and the b.i./inlet deposits as a function of porosity, on account of 

the strong porosity–permeability correlation (see section 2.3 in Chapter 2). The 

strong correlation allowed permeability  to be modelled using an exponential 

function  and  a  power  function  for  the  tsunami  and  b.i./inlet  deposits, 

respectively.  This  method  smoothed  the  permeability  distribution  in  the 

reservoir,  as  it  was  based  on  the  most  relevant  petrophysical  parameters 

(Corbett  and  Potter,  2004),  and  thus  improved  the  statistical  power  of  the 

parameters (Tables 3.14 and 3.19) and the small‐scale variations (Fig. 3.24 and 

Fig. 3.31) of the permeability distribution for each deposit. 

The  porosity  distribution  in  the  tsunami  deposit  is  relatively 

homogeneous  (14%–22%)  and  independent  of  the  facies.  The  permeability 

distribution is mainly in the range of 3–22 mD, and only one sample showed a 

permeability  of  <1 mD. Despite  the  grain  size  variations  in  the  deposit,  the 

sand  is  moderately  to  well  sorted,  and  cementation  is  weak  and  sparse. 

Therefore,  the  porosity  was  modelled  as  a  function  of  the  porosity 

distribution,  as  the  distribution  is  homogeneous  (a  standard  deviation  of 

values  of  only  3%).  The  distribution  of  the modelled  porosity  improved  the 

original  porosity  distribution  by  fine‐tuning  the  main  statistics,  as  well  as 

decreasing  the  covariance. The  spatial  location of  lower  and higher porosity 

values  is  given  by  the  kriging  estimation,  and  the  distribution  of  values  is 

ranged  in  intervals within  a  geometry  (Table  3.13)  given  by  the  variogram. 

Regions with lower porosity (6%–11%, Table 3.13) are mainly located close to 

the road  (Fig. 3.23) and  to  the Remenderurelas syn‐sedimentary  fault on  the 

northern sector of the outcrop, whereas high porosity values  (>16%) evolved 

as  a  background  or  a  sheeted  geometry  (Table  3.13  and  Fig.  3.23).  The 

presence of low‐porosity patches near the road also could reflect the presence 

of the fault in this zone. 

In  the  literature,  any  data  is  available  on  the  porosity  and/or 

permeability of  tsunami deposits. This  lack of data  is probably because most 

studies are focused on recent tsunami deposits and thickness of these deposits 

135  

is  low  (usually  less  than  1 m),  then  they  are  not  considered  as  reservoirs. 

However,  here  the  distribution  of  porosity  reflects  the  homogeneous  facies 

distribution which is related to the well sorted sand composition of facies. 

The  b.i./inlet  porosity  distribution  is  heterogeneous  between  sectors 

and is correlated with facies (Table 3.15: low‐porosity values correspond to the 

CSs  and  PSs  facies  and  are  located  in  the North  sector, while  high‐porosity 

values  correspond  to  the WSs  and MSs  facies  and  are  located  in  the  South 

sector).  The  porosity  and  permeability  models  reflect  the  sedimentary 

heterogeneity observed  in each sector of the profile. The permeability values 

in  the  South  sector  are  >1 mD, whereas  in  the  North  sector,  permeability 

values of half  the  samples  are <1 mD  (see  Fig. 2.22  in Chapter 2). While  all 

permeability values are <22 mD, the modelled petrophysical heterogeneity  is 

consistent  with  the  permeability  distribution  observed  by  Ambrose  et  al. 

(2008)  for  reservoirs  in beach  and barrier‐island  systems  in  the West Ranch 

field (Gulf Coast, USA). These authors reported that barrier island deposits are 

typically  well  sorted,  continuous,  sandy,  and  internally  homogeneous  as  a 

result  of  their  high‐energy,  shallow‐marine  origin.  Such  deposits  consist  of 

elongate  shore‐parallel  sand bodies  separated  from  the  shoreline by muddy 

lagoons,  and  are  commonly  crosscut  by  tidal‐inlet  and  distributary‐channel 

deposits that introduce facies heterogeneity and permeability variations. Over 

an area of 165 m² and thickness of 3.3 m, which is similar to the dimensions of 

the model  presented  here,  the  authors  described  permeability  variations  in 

the inlet‐fill facies in the West Ranch field of up to three orders of magnitude 

(<500  to  1000 mD),  whereas  permeability  values  in  the  barrier‐core  facies 

display  less  variability, with  the highest permeability occurring  at  the  top of 

the succession (>2000 mD). 

In the b.i./inlet deposit of this study, the trend in porosity variations in a 

north–south  direction  (large  arrows  in  Fig.  3.30),  principally  in  the  bottom 

layers (K30, K27, K24, and K22), is marked by lower values in the North sector 

changing gradually  to higher values  in  the South  sector, and also changes  to 

higher  values  upwards  in  the  section.  The  porosity model  depends  on  the 

facies model, and  the  variograms, probability  curves and kriging estimations 

give  the  porosity  variation  in  the  facies,  as  indicated  in  Table  3.15.  Semi‐

variogram  ranges  were manually  set  to  create  the  horizontal  porosity  and 

136 

permeability variations. The ranges represent the  large permeability range  in 

the North sector (0.01–10 mD), which corresponds to the inlet infill facies, and 

the more homogeneous permeability distribution  in  the South sector  (10–22 

mD),  which  corresponds  to  the  channel  inlet  or  barrier  spit  facies. 

Furthermore, the lowest permeability values in the North sector correspond to 

the CSs facies. Cementation occurs in the inlet infill facies, and in proximity to 

the Remenderurelas Fault, as discussed in section 2.4 in Chapter 2.   

In both deposits, the tsunami and b.i./inlet, the vertical permeability  is 

strongly correlated with  the horizontal permeability  (see Fig. 2.16  in Chapter 

2),  demonstrating  the  isotropic  behaviour  of  permeability  vectors.  The  low 

anisotropy of permeability in plug samples has also been noted by Meyer and 

Krause  (2006)  in  samples without  clay  or  carbonate  laminae,  at millimetre 

scales; moreover, the permeability anisotropy is likely to be dependent on the 

scale of the measurement. Here, the permeability anisotropy of the deposits is 

represented  by  the  high  resolution  of  the  grid,  which  gives  an  important 

permeability  contrast  in both  the  vertical  and horizontal directions,  creating 

permeability anisotropy at the scale of the model. 

3.5. Modelling Conclusion  

The porosity and permeability models of both deposits were developed 

for use in a simulation study of CO2 injection. The small size of the grid blocks 

(1 m  in the X direction, 0.5 m  in the Y direction and 0.2 m  in the Z direction) 

represents  the  dimensions  of  sedimentary  heterogeneities,  and  is  in  accord 

with the sample spacing in the Y and Z directions. Each sample was up‐scaled 

to one grid block  (grid cell), to avoid the need  for averaging to obtain values 

for each grid block. 

The modelling  process was  different  for  each  deposit,  and  honoured 

the petrophysical characteristics  that were used  to build  the reservoir model 

post‐hoc. The tsunami deposit has a homogeneous porosity distribution  in all 

facies, despite the small differences  in the sorting facies distribution between 

the North and South sectors. Consequently,  the  tsunami porosity model was 

constructed  as  a  function  of  the  porosity  distribution,  and  the  modelling 

process  produced  a  model  that  is  consistent  with  field  observations.  The 

b.i./inlet porosity modelling was conducted based on  the  facies models, and 

137  

performed well in reproducing the observed heterogeneities in the deposit, as 

well  as  the observations of  other  authors  regarding  these deposits  (Jackson 

and Rawn‐Schatzinger, 1993; Ambrose et al., 2008). 

Although  some  factors  affect  the  reliability  of  the  variograms  (Oliver 

and Webster, 2014), such as the absence of samples taken along the X axis and 

the  small  number  of  samples  for  any  given  facies  (Table  3.11),  the 

petrophysical  heterogeneity  created  by  the modelling  process  is  a  probable 

result of scenarios selected between multiple stochastic iterations. The chosen 

models represent heterogeneity in grid block at sub‐metre scales, over interval 

200 m  long.  In  fact,  the models  represent  up‐scaled microscopic  (micron–

centimetre) features within macroscopic (metre–hectometre) features, as the 

facies and petrophysical characteristics were analysed at microscopic scales. 

138 

   

139  

CHAPTER 4

CO2 INJECTION IN THE

TSUNAMI AND BARRIER ISLAND – TIDAL INLET RESERVOIRS AT THE

OUTCROP SCALE  

 

4.1  Reservoir Model___________________________________141 

4.2  Fluid Model_______________________________________142 

4.3  Fluid properties____________________________________145 

4.4  Results of reservoir simulation________________________148 

4.5  Discussion________________________________________158 

4.6  Conclusion________________________________________162 

   

140 

 

   

141  

4. CO2  injection  in the tsunami and barrier  island – tidal  inlet 

reservoirs at the outcrop scale 

Reservoir modelling  is essential  in studies of geological storage of  the 

CO2  to  understand  the  behaviour  of  CO2  in  the  reservoir  for  a  safely  and 

efficiently storage. The reservoir model is a petrophysical model reflecting the 

rock heterogeneity which maximizes the CO2 storage  in the reservoir through 

different time scales. The petrophysical model and its architecture is of course 

important, but also  the  fluid model and  its physical and  chemical properties 

which  lead the processes of CO2 trapping (see section 1.3.1  in Chapter 1) and 

movement. Buoyancy  forces  are  the most  important mechanism driving  the 

CO2  movement  in  the  reservoir  by  the  difference  of  density  (IPCC,  2005; 

Frykman, 2009).  

The petrophysical models of the tsunami and barrier  island –tidal  inlet 

(b.i./inlet) deposits built in Chapter 3 were converted into reservoir models for 

simulation  study  cases  of  CO2  injection.  The  size  of  reservoir models  here 

represent  nearly  one  grid  block  (grid  cell)  of  classic  reservoir models.  The 

complexity of  tsunami  and b.i./inlet models  is  related  to  the  grid  resolution 

(size  and  number  of  grid  blocks)  and  the  petrophysics  distribution  in  the 

reservoir. Four study cases of each reservoir, the tsunami and b.i./inlet, tested 

the sensibility of  the  injector well  location and  the  reservoir  thickness  in  the 

behaviour  of  injected  CO2  during  a  short‐injection  and  pos‐injection  period. 

The studies of CO2 injection simulation were undertaken in Eclipse 300 (E300) 

software using the CO2STORE option, a courtesy of Schlumberger. 

4.1. Reservoir Model 

The porosity (see Fig. 3.22, 3.28 and 3.29 in Chapter 3) and permeability 

models  (see  Fig.  3.25  and  3.32  in  Chapter  3)  of  each  deposit  of  the  Aliaga 

outcrop, the tsunami at the bottom and the b.i./inlet at the top (see Fig. 3.3 in 

Chapter  3),  supplied  two  independent  reservoir  models  from  different 

sedimentary processes with a 15 m‐thick of shales, marls and micrit carbonate 

deposits  separating  them.  The  dimensions  of  Aliaga  3D  grid  and  of  each 

deposit  are  given  in  Table  4.1  (see  section  3.2  in  Chapter  3);  the  tsunami 

142 

reservoir has 92,659 active grid blocks between  layers K 33‐42;  the b.i./inlet 

reservoir has 199,818 active grid blocks between layers K 1‐30.  

In order  to avoid a  fast pressure build‐up  related  to  the  small  size of 

reservoir models,  the  pore  volume  of  the  four  end  faces  of  each  reservoir 

model was multiplied by 1000 (Fig. 4.1).  

Table 4.1: 3D grid dimensions of Aliaga model and each resevoir. 

Aliaga model Horizontal i  East‐West 

Horizontal j North‐South 

Vertical k thickness 

Aliaga grid bocks  40  420  42 

Tsunami grid blocks  40  420  10 

B.i./inlet grid blocks  40  420  30 

Average  size  of  grid  block (meters) 

1  0.5  0.21 

 

4.2. Fluid Model  

The  fluid  model  defines  the  fluid  components  and  phases  in  the 

reservoir at the  initial conditions and during the simulation. The temperature 

of  fluid model was constant of 32⁰C and  the  initial equilibrium pressure was 

103 bars for Tsunami model and 98 bars for b.i./inlet model, which correspond 

to  the  hydrostatic  pressure  at  1003  and  998  m‐deep  from  the  ground, 

respectively. At this range of temperature (T) and pressure (P), the state of CO2 

is very close to its critical point in P x T phase diagram (see Fig. 1.3 in Chapter 

1);  thus  the  CO2  is  in  a  supercritical  state where  it  behaves  as  a  gas  (IPCC, 

2005).  

A  fluid model of 4  components was established with  three phases,  a 

CO2‐rich gas phase, a H2O‐rich liquid phase and a solid phase. The components 

at  the  intial  conditions  were  H2O  and  CO2  in  aqueous  and  gas  phases 

respectively, and NaCl and CaCl2 in aqueous phases. The mutual solubility and 

partitioning of CO2 and H2O  in aqueous and gas phases during simulation are 

calculated to match the experimental data of Spycher and Pruess (2005). The 

salt components (NaCl and CaCl2) can be presented in both aqueous and solid  

143  

 

 

   

Fig. 4.1: Top view of tsunami and b.i./inlet reservoir m

odel showing the four end faces of each reservoir m

odel which were multiplied 

by 1000. V

ertical scale is exaggerated of 4x. 

144 

phase during the simulation; the salt equilibrium in the reservoir is calculated 

according to reactions (Schlumberger, 2013a) as following:  

H2O  H+ + OH‐ 

CO2 + H2O  HCO3‐ + H+ 

HCO3‐   CO3

‐ + H+ 

CaCl+  Ca2+ + Cl‐ 

NaCl(s)  Na+ + Cl‐ 

CaCl2(s)  CaCl+ + Cl‐ 

CaCO3(s)  Ca2+ + CO32‐ 

The dissolved  salts are essentially non volatile and  formulation hardly 

changes. In salinity ranging up to ionic strength of around 6 molal (below halite 

saturation),  the water activity equals  its mole  fraction on  the basis of a  fully 

ionized  salt.  Thus,  the  water  mole  fraction  in  the  CO2‐rich  phase  ( , 

Equation 4.1) and the CO2 mole fraction in the aqueous phase ( , Equation 

4.2) are respectively expressed as (Spycher and Pruess, 2005):  

                                                                         (Eq.4.1) 

 

                       .

                             (Eq.4.2) 

K0  is  the  thermodynamic  equilibrium  constant  for  each  component  at  temperature  T  and 

reference  pressure  P0=1  bar,  for  respective  reactions  H2O  (liquid) H2O(gas)  and 

CO2(aqueous) CO2(gas/liquid).  

P is total pressure. 

V is the average partial molar volume of each pure condensed phase over the pressure range 

P0‐P. 

F is the fugacity coefficient of each component in the CO2‐rich (compressed gas) phase. 

 R is the gas constant. 

 is the activity coefficient for aqueous CO2. 

   

145  

4.3. Fluid properties 

The  physical  and  chemical  properties  of  fluid  model  components, 

principally of  the CO2, determine  the behaviour  and  trapping mechanism of 

injected CO2 and  its evolution  in  the  reservoir during and after  the  injection 

operation. 

4.3.1. Density  

The density of  supercritical CO2  (at depths below 800 m,  see  Fig.1.3) 

range  from  50  to  80%  of  the  density  of  water,  under  these  conditions, 

buoyancy  forces  tend  to  drive  CO2  upwards  (IPCC,  2005).  However,  at  the 

interface between  supercritical CO2  and brine, CO2 dissolves  in  the brine  to 

form a solution that is heavier than the underlying brine (Nomeli et al, 2014). 

The  simulator  (E300)  leads  to  fast density changing  for  the CO2  rich gaseous 

phase,  and  the  gas density  is  calculated by  a  cubic  equation of  state  (EOS), 

modified from Redlich‐Kwong EOS and adjusted to match experimental results 

of  Spycher  and  Pruess  (2005).  For  the  H2O  rich  phase,  density  is  firstly 

computed  from  the  density  of  pure water  following  the  thermo‐dynamical 

properties  detailed  in  “The  International  Association  for  the  Properties  of 

Water and Steam” (IAPWS‐IF97), then the Ezrokhi’s method (Equations 4.3 and 

4.4) is applied to calculate the effect of salt and CO2 (Prost, 2008; e.g. Zaytsev 

and Aseyev, 1993). 

                                         ∑                                                    (Eq.4.3) 

r is the density of water  and r0 is the density of pure water. 

ci is the mass fraction of each component. 

Ai is the activity coefficient for each component 

                                       , , ,                       (Eq.4.4) 

, i are coefficients for a series of electrolytes and  

 stands for temperature in degree Celsius. 

Solid density of NaCl and NaCl2 were respectively 2170 kg/m3 and 2150 

kg/m3  at  the  reference  pressure  of  100  bars  and  temperature  of  32⁰C 

(Schlumberger, 2013a). 

146 

4.3.2. Viscosity  

Supercritical  CO2  is  much  less  viscous  than  water  (by  an  order  of 

magnitude or more) and migration is controlled by the contrast  in mobility of 

CO2 and the in situ formation fluids (IPCC, 2005; Celia et al., 2005; Nordbotten 

et al., 2005). The viscosity of CO2 is calculated from the equations of Vesovic et 

al. (1990) and Fenghour et al. (1998) which declare the viscosity as a function 

of temperature and pressure. The viscosity of H2O rich phase  is calculated as 

the H2O density. Firstly, the H2O viscosity is calculated for pure water and then 

the Ezrokhi’s method is applied (Equations 4.3 and 4.4).  

4.3.3. pH calculation 

The  dissociation  of  CO2  leads  to  the  transformation  of  dissolved  CO2 

into  bicarbonate  ions  (ionic  trapping)  inducing  a  lowering  of  the  pH  in  the 

formation water  (Chadwick et al., 2008). The pH  is calculated as given  in  the 

equation 4.5 (Schlumberger, 2013a): 

                                                                                        (Eq.4.5) 

 is the activity coefficient of the H+ ion. is themolality of theH+ ion. 

4.3.4. Saturation functions 

Interactions between the CO2 and H2O rich‐phases are represented at 

the  grid‐block  scale  by  the  capillary  pressure  and  relative  permeability 

functions (Doughty, 2007), which depend on the fluid saturation in the porous 

media (Corey, 1954) or the grid block. Many studies have showed the  impact 

and  the  sensibility  of  the  capillary pressure  and  relative  permeability  in  the 

CO2  trapping  mechanism  by  increasing  the  residual  trapping  mechanism 

and/or accelerating the CO2 dissolution in the brine (Juanes et al. 2006; Spiteri 

and Juanes, 2006; Plug and Bruining, 2007; Pini et al., 2012; Boxiao et al., 2013; 

Frykman et al., 2013).   The water (WSF) and gas saturation (GSF) functions of 

Table 4.2 were  taken  from  the CO2STORE.data  Schlumberger  study  case,  as 

well as  the gas‐water drainage capillary pressure  (Pcog). However, sensibility 

tests  of  these  parameters  for  the  Camarillas  Fm.  are  strong  recommended, 

147  

because  the  capillary  heterogeneity  in  the  reservoir  induces  the  capillary 

trapping and reduces the migration of CO2 plume (Frykman et al., 2013). 

Table 4.2: Water and Gas saturation function used in this study 

WSF (water saturation function)

GSF(Gas saturation function) 

Sw  Krw  Sg  Krg  Drain Pcog (bars) 

0.3  0 0 0 0 

0.38  0.000152 0.08 0 0.6 

0.46  0.002439 0.16 0.000407 0.78 

0.53  0.012346 0.23 0.005831 0.93 

0.61  0.039018 0.31 0.024131 1.09 

0.69  0.09526 0.39 0.064892 1.26 

0.77  0.197531 0.47 0.140566 1.49 

0.84  0.36595 0.54 0.269314 1.84 

0.92  0.624295 0.62 0.484797 2.53 

1  1 0.7 1 10 

 

The solid saturation reduces the mobility of flow by the solid adsorption 

on to the rock formation (Schlumberger, 2013a). However, at the time scale of 

this study, the solid saturation is low. 

4.3.5. Diffusion 

Diffusion  or mass  transfer  is  the  dominant mechanism  to  transport 

dissolved  CO2  into  the  low‐permeability  regions  from  the  high‐permeability 

pathways (Chang et al., 2014). The molecular diffusion in E300 is calculated for 

diffusive flows in terms of the liquid mole fractions and vapour mole fractions. 

The diffusion coefficients  ( ) of each component, entered by user, solve  the 

condition  (equation 4.6) of Reid et al.  (1987) to define the molar vapour  flux 

( ) of each component per unit of area: 

                                                                                                                  (Eq.4.6) 

 is the molar concentration  

 is the molar concentration gradient of component i 

 

148 

Water diffusion coefficients are  typically an order of magnitude  lower 

than gas diffusion coefficients (Schlumberger, 2013a) and were entered for the 

four components of the fluid model. Although the diffusion mechanism is slow 

and not relevant to time scale of this study, Schlumberger recommended the 

utilization of diffusion coefficients, which are summarized in Table 4.3. 

Table 4.3: Diffusion coefficients used in this study  

Water diffusion coefficients  Gas diffusion coefficients 

H2O  CO2  NaCl  CaCl2  H2O  CO2 

0.0001  0.0001  0.0001  0.0001  0.001  0.001 

 

4.4. Results of reservoir simulation  

In  order  to  investigate  the  impact  of  the  permeability  and  porosity 

contrast  and  the  reservoir  thickness  in  trapping mechanism  of  the  CO2,  for 

each  reservoir were  simulated  four  study  cases with  two  different  injection 

rate regimes at two distinct well locations. The CO2 was injected as a dry gas.  

4.4.1. Simulation on the Tsunami reservoir 

The  Table  4.4  summarizes  the  study  cases  of  the  tsunami  reservoir 

model in terms of the injection rate, injection time and observation time after 

injection. The study cases TsunV2 and TsunV3 had the injector well located in 

the North  sector of model, while  in  the  study  cases TsunV4 and TsunV5  the 

injector well was  located  in  the South  sector. The  cases TsunV2 and TsunV5 

had  a  constant  injection  flow  rate of 80  sm³/day  and  the  cases TsunV3  and 

TsunV4  had  three  different  injection  rates  and  each  one  is  spaced  from 

another by ~ 1 year observation  time or  stopped  injection  time.  In all  study 

cases,  the  injector well was horizontal  in  the  ‘Y’ direction and  located at  the 

bottom  of  model  connecting  7  grid  blocks.  The  well  diameter  at  the 

connection  of  grid  block  is  19  cm;  this  value was  required  to  calculate  the 

connection transmissibility factor and well productivity/injectivity index. 

   

149  

Table 4.4: Injection rate, simulation time and observation time after injection of Tsunami study cases 

Case  Rate (sm³/day) Injection time 

(years) Observation time (Years) 

TsunV2  & TsunV5 

80  3.56  3.97 

TsunV3  & TsunV4 

200  0.92  0.97 

150  0.51  0.97 

100  0.34  3.17 

 

The  CO2  is  present  in  the  reservoir  as  dissolved  in  the  brine  (saline 

water), trapped in the gas phase and mobile gas phase. Table 4.5 summarizes 

the CO2 amount  in  the  reservoir  for different CO2  states. Although  the  total 

amount of CO2 injected in the cases of different rate regimes was 3.7% higher 

than  the  cases  of  constant  rate,  the  constant  rate  cases  TsunV2  (northern 

injector well)  and  TsunV5  (southern  injector well)  dissolved  quite more CO2 

than  the  cases  TsunV3  and  TsunV4  for  the  respective  sector  of model.  This 

difference  in  the  amount  of  injected  CO2  produces  a  slightly  larger  plume 

extension of gas saturation (CO2)  in the cases of different  injection rates (see 

arrows  in Fig. 4.2B, D and Fig. 4.3A, C). The maximum  saturation of CO2 gas 

into the saturation plume at the end of simulation reached up 30% and 25% in 

the  cases  with  the  injector  well  located  in  the  North  and  South  sectors, 

respectively, independent on the rate regime (Fig. 4.2 and Fig. 4.3). During the 

simulation,  the  gas  saturation  in  the  gas  plume  up  to  45%  in  the  cases  of 

constant rate regime (covert picture) and to 50% in the cases of different rate 

regimes.  Further,  the  southern  cases  (TsunV4  and  TsunV5,  Fig.  4.3)  stored 

quite more  (1‐2%) CO2  as dissolved  in  the brine  than northern  cases  (Table 

4.5). The average reservoir pressure of all case studies remained ~122 bars at 

the  end  of  simulation,  and  up  to  130  bars  at  the wellbore  bottom  during 

injection. 

   

150 

 

Table 4.5: Summary of CO2  distribution into tsunami reservoir at the end of simulation 

151  

 

Fig.  4.2:  Plume  extension  of  the  CO2  saturation at  the  end  of  simulation  for  Tsunami  study cases with the injector well (‘W’) in the North sector. Vertical exaggeration of 4x. (A) Reservoir top view of the case TsunV2 with constant injection rate; the injector well is represented by the vertical  line.  (B)  Reservoir  top  view  of  the  case  TsunV3 with  different  rate  regimes;  arrow indicates  the CO2  saturation of around 24%.  (C) North‐South  cross  section of CO2  saturation between points 1 and 1’  in A of TsunV2 case; the  injector well  is represented by vertical bars marked  ‘W’.  (D) North‐South cross section of CO2 saturation between points 2 and 2’  in B of TsunV3 case, the arrow indicates the northern border of the plume extension.  

   

152 

 

Fig. 4.3: Plume extension of CO2 saturation at the end of simulation  for Tsunami study cases with  the  injector well  (‘W’)  in  the  South  sector; arrows  indicate  the CO2 plume  extension  in North direction. Vertical scale exaggerated of 4x.  (A) Reservoir top view of case TsunV4 with different rate regimes. (B) Reservoir top view of case TsunV5 with constant  injection rate. (C) North‐South cross section of CO2 saturation between points 1 and 1’ in A (case TsunV4) at well location.  (D) North‐South cross  section of CO2  saturation between points 2 and 2’  in B  (case TsunV5) at well location; injector well is represented by blue bar. 

4.4.2. Simulation on the barrier island – tidal inlet deposit reservoir 

Table  4.6  summarizes  the  barrier  island  –  tidal  inlet  (b.i./inlet)  study 

cases  in terms of the  injection rate,  injection time and observation time after 

injection. The  injector well was  located  in the North sector  in the study cases 

InletV3 and InletV4 and  in the South sectors in cases InletV5 and InletV6. The 

cases InletV4 and InletV5 had a constant injection rate of 260 sm³/day and the 

cases InletV3 and InletV6 had three different injection rate regimes spaced of 

~1.6 year observation time after injection period. In all cases, the injector well 

was  horizontal  in  the  ‘Y’  direction  and  located  at  the  bottom  of  model 

153  

connecting 7 grid blocks. The well diameter at grid block connection is 19 cm; 

this value was required to calculate the connection transmissibility factor and 

the well productivity/injectivity index. 

Table 4.6: Rate and simulation time of b.i./inlet study cases 

  

Injection rate (sm³/ day) 

injection time  (year) 

Observation time  (year) 

IV3 and IV6 

400  0.54  1.96 

150  0.34  1.45 

150  0.34  1.95 

IV4 and IV5  260  1.22  5.34 

 

Table 4.7  summarizes  the amount of CO2 dissolved  in  the water, and 

mobile and trapped  in gas phase for all study cases: The comparison of cases 

with the  injector well  located  in the North  (Fig. 4.4) shows a  larger extent of 

the CO2  saturation plume and a more homogeneous distribution of  the CO2 

saturation into the plume in the case of constant injection rate (InletV4) at the 

end of simulation, despite of the quantity of injected CO2 (Table 4.7) in InletV4 

and  InletV5  was  a  little  lower.  Although  the  cases  InletV5  and  InletV6 

(southern injector well) show similar CO2 plume extension (Fig. 4.5), nearly 3% 

more CO2  is dissolved  in  the  case of  constant  rate  (InletV5)  (Table 4.7). The 

cases with the  injector well  in the North sector dissolved 20% more CO2 than 

the  cases  of  southern  location  of  the  injector  well.  The  average  reservoir 

pressure at  the end of simulation  is similar between study cases  (Table 4.7); 

maximum  bottom well  pressure  during  injection was  around  130  bars  (±  3 

bars)  for  study cases of different  rate  regimes  (InletV3 and  InletV6) and 128 

bars and 118 bars for InletV4 and InletV5, respectively. 

 

   

154 

 

Table 4.7: Summary of CO2 distribution into b.i./ inlet reservoir at the end of simulation 

155  

 

Fig. 4.4: Plume extension of  the CO2  saturation at  the end of  simulation  for b.i./  Inlet  study cases with  the  injector well  (‘W’)  in  the  North  sector.  The  arrows  indicate  the  CO2  plume extension in the North‐South direction. Vertical scale is exaggerated of 4x. Reservoir view from the  top  of  (A)  the  case  InletV3  with  different  rate  regimes  and  (B)  the  case  InletV4  with constant injection rate. (C) Cross section of CO2 saturation between points 1 and 1’ in A (case InletV3). (D) Cross section of CO2 saturation between points 2 and 2’ in B (case InletV4). 

   

156 

 

Fig. 4.5: Plume  extension of  the CO2  saturation at  the end of  simulation  for b.i./inlet  study cases with  the  injector well  in  the  South  sector  (‘W’).  Vertical  scale  is  exaggerated  of  4x. Reservoir view from the top of (A) the case InletV5 with constant injection rate and (B) the case InletV6 with different  rate  regimes.  (C) Cross section of  the CO2 saturation between points 1 and 1’ in A (case InletV5). (D) Cross section of CO2 saturation between points 2 and 2’ in B (case InletV6).  

   

157  

4.4.3. Flow at the boundary grid blocks of reservoirs 

The  pore  volume  of  the  four  end  faces  of  reservoir  models  were 

multiplied by 1000  to avoid a  fast  increasing of pressure  linked  to  the  small 

volume of reservoir grid (Fig. 4.1). The end faces grid blocks represents ~5% of 

the total grid blocks with defined continuous values for both reservoir models 

(Table  4.8).  Their  total  pore  volume  correspond  to  ~98%  of  the  total  pore 

volume in the reservoir, however the amount of CO2 (in all phases) into these 

grid blocks at the end of simulation represented less than 1% of the total CO2 

activity  in  the  entire model  (Table  4.8)  for  both  reservoirs  the  tsunami  and 

b.i./inlet. The flow is inactive outside the reservoirs.  

Table 4.8:  Summary of defined  values  for pore  volume and CO2 activity  in  the  entire model (column ALL), boundary zone of pore volume multiplied by 1000 (MULTPV) and the main zone with the original pore volume (MUTPVNO).  

ALL  MULTPV  MULTPVNO 

Statistics for pore volume (rm³) at initial conditions 

InletV3

Type of data:  Continuous

Number  of  defined values: 

199818 10110 189708

Sum of values: 175551 172080 3471

volume percentage:  100 98.0227968 1.9772

Statistics for CO2 at the end of simulation 

InletV3

Number  of  defined values: 

199818 10110 189708

Sum:  12565.493 108.3761 12446.9

volume percentage  100 0.86248984 99.0561

TsunV5

Number  of  defined values: 

92659    4868 87791

Sum:  10417.1272 79.5426 10341.9

volume percentage:  100 0.7635752 99.278

 

 

158 

4.5. Discussion 

The CO2  injected at  the end of  the  simulation was,  in all  study  cases, 

distributed  in  the reservoir as a gas phase and as a phase dissolved  in brine. 

The dissolution of CO2  in brine  is an  important mechanism  for  its  safe  long‐

term  entrapment  (IPCC,  2005). Moreover,  as  a mobile  gas,  the  CO2  in  the 

reservoir moves  upwards,  driven  by  buoyancy,  which  increases  the  risk  of 

leakage  (IEA‐GHG, 2009) by diffusion across caprock  formations, mobilization 

through natural faults and fractures, and through human‐made features such 

as wellbores  (Celia  et al., 2005).  Leakage  types  range  from  short‐term  large 

leakage to long‐term diffuse leakage (Chadwick et al., 2008). Although the CO2 

trapped  by  residual  saturation  is  effectively  immobile,  an  upwards  leakage 

pathway  may  degas  CO2  as  saturated  brine  is  depressurized  (IPCC,  2005). 

However,  when  CO2  is  dissolved  it  no  longer  exists  as  a  separate  phase, 

thereby eliminating  the buoyant  forces  that drive  it upwards  (IPCC, 2005).  In 

addition,  the  dissolved  CO2 may,  over  thousands  of  years,  be  converted  to 

stable carbonate minerals, thus trapping the CO2 as minerals  in the reservoir 

(see Fig. 1.2 in Chapter 1). 

The  partitioning  of  CO2  between  aqueous  and  gas  phases  is  strongly 

dependent  on  the  fluid  model,  temperature  and  pressure  (IPCC,  2005). 

Reservoir heterogeneity also  influences  the CO2 distribution  in  the  reservoir. 

Injection  in homogeneous high‐permeability zones provides conduits for flow 

circulation  and  the  lateral  distribution  of  CO2  as  an  aqueous  phase  (Akatu, 

2008;  Ambrose  et  al.,  2008;  Sifuentes  et  al.,  2009),  while  heterogeneous 

permeability zones have  reduced  injectivity  (Hovorka et al. 2004; Deng et al. 

2012),  although  such  zones  trap more  residual  CO2  (Ambrose  et  al.,  2008, 

Frykman et al. 2013). 

The heterogeneity of  reservoir models  is expressed by  the contrast of 

porosity and permeability  in a reservoir. The distribution of permeability and 

porosity values is strongly correlated with the facies classified as a function of 

the sand sorting (see Chapter 2); thus, their spatial distribution is controlled by 

the geometry of the depositional  facies and the degree of continuity of sand 

bodies  (Ambrose  et  al.,  2008).  The  tsunami  reservoir  model  has  a 

homogeneous porosity and permeability distribution  (see Figs. 3.23 and 3.25 

in  Chapter  3), with  lower  values  located  in  specific  zones,  principally  in  the 

159  

North sector. The cross‐sectional view of  the  tsunami porosity model at well 

locations (Fig. 4.6A), which  is strongly correlated with the permeability model 

at  these  locations  (Fig. 4.6B), shows high porosity values  (>20%) close  to  the 

wellbore in the South sector, whereas in the North sector the wellbore is close 

to  lower  porosity  values  (11%–13%).  The  injector well  located  in  the  South 

sector stores slightly more CO2 dissolved in brine and trapped in the gas phase 

(Table 4.5); in addition, the maximum gas saturation is relatively low (Fig. 4.3). 

With  regard  to  the  injection  rate  regime, a  constant  injection  rate  seems  to 

enhance CO2 dissolution in both sectors at the studied scale. 

The b.i./inlet reservoir model is heterogeneous in terms of the porosity 

and permeability distribution between  the North  sector  (lower porosity  and 

permeability  values)  and  the  South  sector  (higher porosity  and permeability 

values). The reservoir thickness also varies;  in the South sector, the thickness 

reaches 7 m, as compared with a thickness of only 1–2 m in the North sector. 

The  cross‐sectional view of  the b.i./inlet permeability model at  the wellbore 

location  in both sectors  (Fig. 4.7) shows the highest permeability values  (>10 

mD) close to the wellbore in the South sector (Fig. 4.7A and C) and the lowest 

values  (1–5 mD)  close  to  the wellbore  in  the North  sector  (Fig. 4.7B and C). 

Despite  the  large  thickness  (5–6 m)  and  the high permeability  values  in  the 

South  sector,  study  cases  in  the  North  sector  stored  20%–25%  more  CO2 

dissolved  in brine and 10%–15%  less CO2 as a mobile gas phase (Table 4.7). A 

comparison of cases  in the South sector shows  that a constant  injection rate 

increases  the  amount of dissolved CO2 by 3%. A  comparison of  cases  in  the 

North sector shows that a constant injection rate influences the partitioning of 

the CO2 in the reservoir and the CO2 saturation gas in the plume. Injection at a 

constant  rate  trapped more  CO2  dissolved  in  brine  and  as  residual  gas;  in 

addition, the gas plume showed a more homogenous saturation distribution, 

with  smaller  patches  of  high  saturation  values  displaced  in  a  southeast 

direction relative to the injection point (Fig. 4.4). 

Despite the simplicity of the fluid model, at the studied scale the cases 

in which  the  injector well  is  located  in a  thinner  reservoir  zone  stored more 

CO2  dissolved  in  brine,  principally  in  the  b.i./inlet  reservoir,  where 

concentrations of dissolved CO2 were 20% higher. Furthermore, when CO2 is 

160 

 

Fig. 4.6: Tsunami models (vertical exaggeration, 4x) and locations of wellbores (represented by vertical bars m

arked

 ‘W’) (A) North–south 

cross‐section of the porosity model at the well locations in the North and South sectors. (B) Overview of the permeability m

odel 

161  

injected  in  thicker  zones  (6–7 m), more CO2  is present as mobile gas. At  the 

reservoir scale, thin reservoirs and caprock are both susceptible to damage by 

the  build‐up  of  pressure  during  injection,  and  CO2  injectivity  may  be 

diminished  (Ambrose  et  al.,  2008).  The  rate  of  injection  in  tsunami  deposit 

cases was lower than that in the b.i./inlet cases, to control for pressure build‐

up during injection at the bottom of the hole. A similar pressure build‐up was 

observed  in all  tsunami cases  (~30 bars above  the  initial  reservoir pressure). 

For the b.i./inlet reservoir, the pressure build‐up was only 18 bars  in the case 

of  a  constant  injection  rate,  based  on  an  injector well  in  the  South  sector 

(InletV5), while in other cases the pressure build‐up was 30 bars. 

 

 

Fig. 4.7: The b.i./inlet permeability model (vertical exaggeration, 4x) and locations of wellbores (represented  by  vertical  bars  marked  ‘W’).  (A)  North–south  cross‐sectional  view  of  the permeability model at the location of wells in the South sector. (B) North–south cross‐sectional view of the permeability model at the location of the well in the North sector. (C) Overview of the permeability model. 

   

162 

4.6. Conclusion  

Despite  the  relatively  low  permeability  of  tsunami  and  b.i./inlet 

reservoirs  (0.1–20 mD),  the  two  deposits  exhibit  an  important  permeability 

contrast  in a restrained volume.  In  the  tsunami reservoir,  the  location of  the 

injector well  in  a  homogenous  and  higher‐permeability  zone  improves  CO2 

dissolution  and  decreases  the  gas  concentration  in  the  gas  plume.  In  the 

b.i./inlet  reservoir, with  the  injector well  located  in  thinner  heterogeneous 

zones  (high permeability contrasts, as  in the North sector), the constant rate 

regime seems to improve CO2 dissolution and decrease the gas concentration 

in the gas plume. The amount of dissolved CO2 in the northern b.i./inlet cases 

(thinner  zones)  is  similar  to  the  amount  of  dissolved  CO2  in  tsunami  cases. 

However, the tsunami cases seem to store more CO2 as residual gas 

At the metre scale, reservoir thickness has the greatest  impact on the 

amount of dissolved CO2 under the simulated conditions. The CO2 injected in a 

thin reservoir (1–3 m thick) improves its dissolution in formation water, which 

reaches  a  total of 40%  injected CO2  in  a  short period  (7  years).  In  addition, 

constant  rate  regimes  can  control  pressure  build‐up  and  enhance  CO2 

distribution  in the reservoir  in  its different phases. Although heterogeneity  is 

observed with higher permeability contrasts (0.01–20 mD) in the North sector 

of  the b.i./inlet  reservoir,  this  zone  seems  to be  the best  for  improving CO2 

dissolution at higher injection rates, principally under a constant injection rate. 

   

163  

CHAPTER 5

CONCLUSIONS AND

PERSPECTIVE

CONCLUSIONES Y PERSPECTIVA

164 

165  

5. Conclusions and Perspective 

Geological and reservoir modelling are mandatory in studies that regard 

the  geological  storage  of  CO2.  The  scale  of  the model  is  a  function  of  the 

phenomena  that  is  been  investigated. Modelling  performed  at  the  outcrop 

scale  allows  to  quantify  the  impact  and  the  variability  of  the  geological 

parameters,  further,  to  improve  reservoir  models  with  the  most  relevant 

characteristics which will affect the CO2 behaviour. In this doctoral thesis, the 

geological and  reservoir modelling of a  tsunami and barrier  island‐tidal  inlet 

(b.i./inlet) deposits from the Camarillas Fm. were achieved at the outcrop scale 

(200 m‐length, 40 m‐width and maximum 7 m of  individual thickness), with a 

high resolution of the grid blocks at the sub‐metric scale (1 cm in i (X or E‐W), 

0.5 cm in j (Y or N‐S), and 0.2 cm in z (thickness) directions). The adopted fluid 

model  and  scenario  of  simulation were  hypothetical  and  consider  the  same 

parameters used  in other study cases and  laboratory studies (see Chapter 4).  

The  high  resolution  of  constructed  models  allowed  to  investigate  the 

behaviour of the CO2 in zones closer to the injector well. The CO2 is injected as 

a  dry  gas  and  behaves  as  a  supercritical  gas  at  the  simulated  reservoir 

conditions,  of  which  the  risk  of  leakage  is  important,  as  the  CO2  moves 

upwards.  Thus  the  CO2  behaviour  in  the wellbore  region  controls  the well 

efficiency  in terms of CO2 distribution  in the reservoir and its  interaction with 

formation water, especially at the beginning of the CO2 injection operation. 

The  conclusions  of  this  study  parallel  the  observed  sedimentary 

heterogeneity  (see  section 2.4  in Chapter 2) and also  can be hierarchized  in 

three orders.  

 First‐order heterogeneity is related to the observation scale, and can 

be distinguished through detailed sedimentological studies at the basin scale. 

First‐order  conclusion  is  related  to  the  upscalling  of  some  features  in  the 

reservoir scale studies for the geological storage of CO2. The studied tsunami 

and barrier  island‐tidal  inlet deposits are  laterally continuous over an area of 

35 km², and were classified as fine‐coarse grained sandstones by Navarrete et 

al.  (2013  and 2014). Detailed  studies  at  the basin  scale of Navarrete  (2015) 

have  showed  that  the  deposits  were  generated  by  distinct  sedimentary 

process  within  the  same  sedimentary  system.  The  features  which  were 

166 

observed here  can be up‐scaled  into  reservoir  studies of  clastic back barrier 

sedimentary systems; as follows. 

‐  The  nature  and  distribution  of  sand  barrier  control  the 

characteristics of  the  tsunami, washover and  storm deposits. The well‐

sorted sand grains,  independently of their size, eroded from the barrier 

island  and  accumulated  on  back‐barrier mudflats,  along with  lagoonal 

sediments, are well preserved and show a good potential as reservoir for 

geological  storage  purpose.  The mud  and  carbonate  sediments  should 

play a role as top seal rocks and/or as flow barriers into reservoir which 

would block the upwards movement of the CO2. 

‐ The petrophysics models of both studied deposits reflected the 

sandy variability which was  represented by  the  facies distribution. The 

facies were defined as a function of the sand sorting at the petrographic 

scale.  The  tsunami  facies  and porosity distributions  are homogeneous, 

whereas the barrier island‐tidal inlet facies and porosity distributions are 

heterogeneous. 

‐  A  most  likely  and  realist  reservoir  model  depends  on  the 

knowledge  of  sedimentary model  and  on  the  correlation  between  the 

sedimentology  and  petrophysics.  The  good  correlation  between  facies 

and petrophysics allowed to performer the petrophyscical modelling as a 

function  of  facies  model,  and  to  produce  geologically  realist  spatial 

distributions of porosity and permeability in the reservoir.    

In  addition,  the  performed  CO2  flow  modelling,  which  mainly 

conclusions  are  summarized  in  second  order  conclusions,  provides 

considerations that are also interesting to the basin scale studies, such as:      

‐ Although  the permeability  is usually  low  (tens of mD),  the  two 

deposits  behaved  as  a  reservoir.  At  a  short‐time  scale  (7  years),  both 

reservoirs stored at least of 60% injected CO2, within 20‐40% dissolved in 

the brine.   

‐ The CO2 injection in thinner reservoir zones (1‐3 m) dissolved at 

least 20% more CO2 compared to the  injection  in thicker zones such as 

the  southern  case  of  barrier  island‐tidal  inlet  deposit  (5‐6 m).  At  the 

reservoir scale, the presence of impermeable layers (< 0.5 mD) into thick 

167  

sandstone  reservoirs  (>  10  m)  could  improve  the  CO2  dissolution  by 

restraining the upwards movement of CO2 and creating hydrodynamism 

in the reservoir.       

 Second‐order heterogeneity is related to the genesis of sedimentary 

process and to the conditions of sediment deposition and preservation; these 

heterogeneities can be recognized at the meter scale, and can be important at 

the  micro‐scale.  Thus,  the  conclusions  of  second‐order  are  related  to  the 

characteristics  of  each  sandstone  deposit  which  control  the  petrophysics 

distribution, modelling process and simulation input; they are: 

‐   The  tsunami deposit has an  important variation of  sand grain 

size (coarse to fine), however the sand sorting is moderated to well, and 

the porosity variation is low, between 14‐22%. The deposit is a single and 

instantaneous event considering the geological time scale. The dominant 

sedimentary  process  was  a  turbidity  flow  which  deposited  sand 

sediments principally from backflow currents of the tsunami wave train; 

further, deposited sediments were not reworked or eroded afterwards. 

The homogeneity of sedimentary process and the excellent preservation 

of  deposit  controlled  the  homogenous  sorting  of  sand  and  hence  the 

porosity distribution, despite of the variability in sand grain size. 

‐  The barrier  island‐tidal  inlet deposit  is  composed of  inlet  infill 

facies in the North sector and tidal channel facies in the South sector. In 

the  North  sector,  the  sand  is  poor‐sorted  and  the  cementation  is 

important, whereas in the South sector, the sand is moderate‐sorted and 

the cementation  is  low.  In an extension of 200m  in  length,  the deposit 

showed  significant variation  in  facies and petrophysics. The porosity  in 

the North sector varies from 3 to 16%, and  in the South sector from 11 

to  22%. Moreover,  the  porosity  varies  according  to  facies,  the  higher 

porosity  values  correspond  to  the  well‐sorted  facies  and  the  lower 

porosity values correspond  to  the cemented  facies. This great variation 

of facies and porosity is mainly related to the sedimentary nature of the 

deposit.  The  facies  associated  to  the  inlet  infill  showed  a  fill  pattern 

more  complex  than  the  facies  of  tidal  channel.  Inlet  deposits  are 

characterized  by  multiple  episodes  of  erosion,  migration  and  lateral 

filling  of  inlets  within  the  barrier  island  system,  therefore,  the 

168 

heterogeneous  distribution  of  porosity  reflects  the  heterogeneous 

nature of the deposition process. 

‐ Petrography description and petrophysics measurements were 

performed at the same scale  (micron‐centimetres), and showed a good 

correlation  between  the  petrographic  facies  (sorting  facies)  and  the 

porosity  distribution.  Indeed,  the  facies  and  petrophyscial  modelling 

represented up‐scaled microscopic  (micron–centimetre)  features within 

macroscopic (metre–hectometre) features.  

‐ The  sampling  spacing  constraints  the geostatistic analyses and 

should  represent  the  facies  variability  observed  on  field.  A  regular 

sampling  spacing  and  adequate  concerning  the  sedimentary  variability 

gives  a  better  analysis  of  the  spatial  variability  of  facies  through  the 

variograms for stochastic modelling. 

‐  The  sequential  indicator  algorithm  used  in  facies  modelling 

reproduced possible scenarios according to the sedimentary model and 

the  input data distribution. Nested  variograms  showed  to be useful  in 

modelling  of  heterogeneous  deposit  as  the  barrier  island‐tidal  inlet 

sandstone. The knowledge of sedimentary model allowed to adjust  the 

experimental variogram ranges which did not match with the variogram 

model and then to better determine the gemetry of facies. 

‐ Porosity modelling of  the  tsunami and barrier  island‐tidal  inlet 

deposits  was  achieved  through  a  Gaussian  algorithm.  The  porosity 

modelling of the tsunami deposit honoured  its porosity distribution due 

to the low variation of the porosity values. The porosity modelling of the 

b.i./inlet deposit was conditioned by the facies model once the defined 

facies clearly controlled the porosity distribution. 

‐ The porosity and permeability have a strong correlation  in both 

deposits.  The  porosity  model  of  both  deposits  conditioned  the 

permeability  model  through  application  of  regression  functions. 

Exponential  and  power  regression  functions  defined  the  permeability 

variation  in  the  tsunami  and  barrier  island‐tidal  inlet  deposits, 

respectively. 

169  

‐ Although permeability anisotropy  is  low,  the high  resolution of 

reservoir model with sub‐metric size of grid blocks created a contrast of 

permeability  at  sub‐metric  scale  and  thus,  created  permeability 

anisotropy in the reservoir model.  

‐ The total pore volume of both reservoirs is low and the injection 

rate was  limited  to  control  the pressure build‐up. A  constant  injection 

rate seems to improve the CO2 dissolution and to decrease the maximum 

gas saturation into the gas plume in the zone close to the injector well. 

‐ The results from simulation studies which regard the behaviour 

of CO2 under storage conditions depend on the petrophysics model, fluid 

model,  reservoir conditions and  simulator capacities. At  the  sub‐metric 

scale, under the same reservoir conditions and fluid model parameters, 

the  thickness  of  deposit  has  the major  impact  in  the  amount  of  CO2 

dissolution rather than the permeability contrast. 

‐  In  the  tsunami  reservoir,  the  location of  the  injector well  in  a 

more  homogenous  zone with  better  permeability  values  improves  the 

CO2 dissolution and decreases the gas saturation  in the gas plume. The 

amount of dissolved CO2 in the northern b.i./inlet cases (thinner zones) is 

similar  to  the  amount of dissolved CO2  in  tsunami  cases; however  the 

injection rate of b.i./inlet case was higher. 

  Third‐order  heterogeneity  is  related  to  external  elements  to 

sedimentary  system  such  as  palaeo‐relief  and/or  the  presence  of  syn‐

sedimentary faults, which could locally change flow conditions. Moreover syn‐

sedimentary  faults  play  an  important  role  in  fluid  remobilization  during 

compaction  and  diagenesis,  as  well  as  in  deeper  conditions  as  conduct  or 

barrier  to  fluid  flow.  Third‐order  conclusions  are  related  to  the  presence  of 

such external elements and their implication in the petrophysics of deposits at 

the metric scale. 

‐  At  the  sandstone  bed  scale,  the  intense  cementation  in  the 

North  sector of b.i./inlet deposit  seems  to be  related  to  the proximity 

with  the  Remenderuelas  and  other minor  associated  syn‐sedimentary 

normal faults, and to the inlet infill nature of facies in this sector. Faults 

might  remobilize  the  fluid  during  and  after  diagenesis,  thus  the 

170 

cementation  could  be  located  close  to  faults. On  the  order  hand,  the 

cementation  is  related  to  facies which  contain oysters, as observed by 

Jackson and Rawn‐Schatzinger (1993) and here (see Chapter 2). 

The  perspective  of  this  study  concerns  the  Camarillas  Fm  and  its 

potential as reservoir for geological storage of CO2. Therefore, the presence of 

syn‐sedimentary  faults  has  also  an  impact  in  the  unit  scale.  The  lower 

permeability  (mD)  observed  in  both  deposits  is  related  to  compaction  and 

probably  to  cementation  of  remobilized  fluid  through  faults.  Cementation 

might be affecting only specific zones of Camarillas Fm, thus the radius of fault 

influence into sandstone beds could be restrained by certain distance (tens of 

meters?)  from  fault. A structural and digenetic study of Camarillas Fm. could 

elucidate  the  relationship  between  faults  and  cementation. Moreover,  the 

hydraulic behaviour of syn‐sedimentary  faults conducts or blocks  the  flow of 

injected CO2. The simulation studies at the sedimentary formation scale should 

take into account the hydraulic behaviour of faults and their vertical extension 

to quantify their radius of influence and risk of leakage. 

  Finally,  a  study  to  estimate  the  geological  storage  capacity  of  the 

Camarillas Fm. is interesting, as the Camarillas Fm. is located close to a major 

coal‐fired power plant and the transport of CO2 within the Carbon Capture and 

Storage (CCS) technology, from the emission source to the storage site, is risky 

and costly. On the other hand, the Camarillas Fm is composed of interbedded 

sandstones with  shale and marls which could be considered,  for  the  storage 

purpose,  as  a multi‐layer  reservoir.  The  shale  and marls  play  a  role  of  flow 

barrier  to  the upwards movement of CO2, while  the  thinner  reservoir  zones 

enhance  the  CO2  dissolution.  The  injection  in  thin  reservoirs  needs  an 

exhaustive monitoring  of  the  injection  rate  and  pressure  build‐up  to  avoid 

reservoir and top seal damages, whereas the injection in thick reservoir zones 

improves  the  injection  rate  with  a  lower  pressure  build‐up.  However,  the 

injected CO2 in thin reservoir zones (< 3m) showed a higher rate of dissolution 

in  the brine over  few years  (7 years). Therefore, a compromise between  the 

needs of  storing high amount of CO2 and  increasing  the CO2 dissolution  in a 

short‐time  scale  is needed. Moreover,  the  lower permeability  zones  located 

close  to normal  syn‐sedimentary  faults  suggest  that areas of better porosity 

and permeability values should be located outside the zone of fault influence. 

171  

The possible presence of zones with better petrophysics values is a plus in the 

interest of the Camarillas Fm. as reservoir for geological storage purposes.  

   

172 

   

173  

Conclusiones y Perspectiva 

La  modelización  geológica  y  de  reservorios  es  obligatoria  en  los 

estudios  sobre  almacenamiento  geológico  de  CO2.  La  escala  del modelo  se 

define en función de los fenómenos investigados. La modelización a escala de 

afloramiento permite la cuantificación del impacto de dicho almacenamiento y 

la variabilidad de los parámetros geológicos, con el fin de mejorar los modelos 

de  reservorios  teniendo  en  cuenta  las  características  más  relevantes  que 

afectarán al comportamiento del CO2. En esta tesis doctoral se ha abordado la 

modelización  geológica  y  de  reservorio  de  dos  cuerpos  arenosos  de  la  Fm. 

Camarillas  correspondientes  al depósito de un  episodio de  tsunami  y de un 

complejo  isla  barrera/inlet  realizados  a  escala  de  afloramiento  (200  m  de 

longitud, 40 m de ancho y un máximo de 7 m de espesor individual), con una 

alta resolución de los bloques de cuadrícula en la escala sub‐métrica: 1 cm en 

la dirección i (X o dirección E‐W), 0,5 cm en la j (Y o dirección N‐S), y 0,2 cm en 

la  dirección  z  (espesor).  El modelo  de  fluido  adoptado  y  el  escenario  de  la 

simulación  utilizados  fueron  hipotéticos,  pero  están  de  acuerdo  con  los 

parámetros que  se encuentran en otros  casos descritos en  la  literatura y en 

estudios  de  laboratorio  (ver  Capítulo  4).  La  alta  resolución  de  los modelos 

elaborados  permitió  investigar  el  comportamiento  del  CO2  en  las  zonas 

cercanas  al  pozo  inyector.  El  CO2  se  inyecta  en  forma  de  gas  seco  y  se 

comporta como gas  supercrítico en  las condiciones del yacimiento  simulado. 

En estas condiciones el riesgo de fuga es importante ya que el CO2, como fase 

gaseosa, se mueve hacia arriba. Por lo tanto, el comportamiento del CO2 en el 

área cercana al pozo controla la eficiencia, en términos de distribución del CO2 

en  el  reservorio,  y  su  interacción  con  el  agua  de  formación,  especialmente 

durante el comienzo de la operación de inyección. 

Las  conclusiones  de  este  estudio  están  estrechamente  ligadas  a  la 

heterogeneidad  sedimentaria observada  (ver  sección  2.4  en  el Capítulo  2)  y 

también pueden ser jerarquizadas en tres órdenes.  

  Las  heterogeneidades  de  primer  orden  están  relacionadas  con  la 

escala  de  observación,  y  se  pueden  identificar  a  través  de  estudios 

sedimentológicos detallados  a escala de  cuenca.  Las  conclusiones de primer 

orden  están  relacionadas  con  la  aplicación  que  los  estudios  de  reservorio  a 

174 

escala  de  afloramiento  para  el  almacenamiento  geológico  de  CO2  puedan 

tener a mayor escala  (escala de  cuenca).  Los depósitos de  tsunami y de  isla 

barrera  /inlet  son  lateralmente  continuos  en  un  área  de  35  km²,  y  se 

clasificaron como areniscas de grano fino a grueso por Navarrete et al. (2013 y 

2014). Los estudios detallados a escala de  la cuenca realizados por Navarrete 

(2015),  han  mostrado  que  estos  depósitos  se  generaron  por  procesos 

sedimentarios distintos dentro de un mismo  sistema  sedimentario  (sistemas 

de  islas barrera). Las principales conclusiones de este estudio que se pueden 

aplicar a mayor escala en estudios de  reservorios de  sistemas  sedimentarios 

clásticos de back barrier son: 

‐  La  naturaleza  y  distribución  espacial  de  las  barreras  arenosas 

controlan las características de los depósitos de tsunami, de washover y 

de  tormenta.  Las  areniscas  que  componen  estos  depósitos  están  bien 

seleccionadas, y con independencia de su tamaño de grano, proceden de 

la erosión de  la  isla barrera y  se depositan en  las  llanuras  fangosas de 

backbarrier y en los sedimentos margosos del lagoon, por lo que tienen 

una  buena  preservación  y  potencial  como  reservorio  para  fines  de 

almacenamiento.  Los  sedimentos  lutíticos  y  carbonatados  deben  jugar 

un  papel  como  rocas  sello  y  /  o  como  barreras  de  flujo  dentro  del 

reservorio que bloquearían el movimiento hacia arriba del CO2. 

‐  Los  modelos  petrofísicos  de  ambos  depósitos  reflejan  la 

variabilidad de  las areniscas, representada por  la distribución de  facies. 

Las  facies  han  sido  definidas  como  una  función  de  la  selección  de  las 

areniscas  a  escala  petrográfica.  La  distribución  de  las  facies  y  de  la 

porosidad del depósito de  tsunami es homogénea, mientras que en el 

depósito de  isla barrera/inlet, tanto  la distribución de  las facies como  la 

distribución de porosidad son heterogéneas. 

‐ Un modelo de  reservorio más probable y  realista depende del 

conocimiento del modelo sedimentario y de la relación que se establece 

entre  la  sedimentología  y  la  petrofísica.  Una  buena  correlación  entre 

facies  y  petrofísica  permitió  ejecutar  la  modelización  petrofísica  en 

función  del  modelo  de  facies,  y  producir  distribuciones  espaciales, 

geológicamente realistas, de  la porosidad y  la permeabilidad dentro del 

reservorio.      

175  

Además,  la modelización de  flujo de CO2 realizada, cuyas conclusiones 

se  resumen  en  las  conclusiones  de  segundo  orden,  permite  hacer  algunas 

consideraciones  que  también  pueden  ser  interesantes  para  los  estudios  a 

escala de la cuenca, tales como: 

‐ A pesar de que la permeabilidad es generalmente baja (decenas 

de  mD),  ambos  depósitos  se  comportaron  como  reservorios.  A  una 

escala  de  tiempo  corto  (7  años),  ambos  modelos  de  reservorios 

almacenan al menos un 60% de todo el CO2 inyectado, con entre un 20‐

40% de él disuelto en la salmuera. 

‐ La inyección de CO2 en las zonas más delgadas de los reservorios 

(1‐3 m) disuelve al menos un 20% más de CO2 que cuando la inyección se 

realiza  en  las  zonas  más  potentes  (5‐6  m),  como  en  el  caso  de  la 

inyección en el sector meridional del depósito de la isla barrera / inlet. A 

escala  del  reservorio,  la  presencia  de  capas  impermeables  (<0,5 mD) 

dentro  de  depósitos  potentes  arenosos  (>  10  m)  podría  mejorar  la 

disolución de CO2 por disminución del movimiento ascendente del CO2 y 

creación de hidrodinamismo en el depósito. 

 Las heterogeneidades de segundo orden se relacionan con la génesis 

del proceso sedimentario y con las condiciones de depósito de los sedimentos 

y  su  preservación.  Estas  heterogeneidades  pueden  ser  reconocidas  a  escala 

métrica,  y  pueden  ser  importantes  a  escala  micro.  Por  lo  tanto,  las 

conclusiones de  segundo orden están  relacionadas  con  las  características de 

cada  depósito  arenoso,  que  controlan  tanto  la  distribución  petrofísica 

obtenida, como el proceso de modelización y de simulación. Éstas son: 

‐  El  depósito  de  tsunami  tiene  una  importante  variación  de 

tamaños de grano (desde arena gruesa a fina), sin embargo su selección 

es de moderada a buena, y la variación de la porosidad es baja, entre el 

14‐22%. Este depósito es un evento único y considerado  instantáneo a 

escala de  tiempo geológico. El proceso sedimentario dominante  fueron 

flujos turbidíticos que depositaron sedimentos arenosos principalmente 

desde  corrientes  de  reflujo  de  trenes  de  olas  del  tsunami  y  cuyos 

sedimentos  depositados  no  fueron  retrabajados  o  erosionados 

posteriormente. Este proceso  sedimentario y  la excelente preservación 

del depósito controlan  la selección arenosa y, por tanto,  la distribución 

176 

de  la porosidad, a pesar de  la  variabilidad observada en el  tamaño de 

grano. 

‐ En el depósito de isla barrera / inlet se han identificado facies de 

relleno  de  inlet  en  el  sector  norte  del  afloramiento  y  facies  de  canal 

mareal  en  el  sector  sur.  En  el  sector  norte,  las  areniscas  están  mal 

seleccionadas y la cementación es importante, mientras que en el sector 

sur,  la  arena  está moderadamente  seleccionada  y  la  cementación  es 

baja.  En  una  extensión  de  200 m  de  longitud,  este  depósito muestra 

variaciones  significativas  tanto en  las  facies como en  las características 

petrofísicas. La porosidad en el sector norte varía del 3 al 16%, y en el 

sector Sur desde 11 a 22%. Por otra parte, la porosidad varía en función 

de las facies, de tal manera que los valores de las porosidades más altas 

corresponden  a  facies bien  seleccionadas, mientras que  los  valores de 

porosidad más  bajos  corresponden  a  las  facies  cementadas.  Esta  gran 

variación de facies y de porosidades se relaciona principalmente con los 

diferentes  subambientes  y  procesos  sedimentarios  del  depósito.  Las 

facies  asociadas  al  inlet  muestran  un  patrón  de  relleno  mucho  más 

complejo  que  las  facies  de  canal  mareal.  Los  depósitos  de  inlet  se 

caracterizan por episodios múltiples de erosión, migración y de  relleno 

lateral, por  lo tanto,  la distribución heterogénea de  la porosidad refleja 

la  heterogeneidad  y  complejidad  de  los  procesos  sedimentarios 

involucrados. 

‐  La  descripción  petrográfica  y  las  mediciones  petrofísicas  se 

realizaron a  la misma escala  (micras‐centímetros),  y  se ha demostrado 

una buena correlación entre las facies petrográficas (selección de grano) 

y la distribución de la porosidad. De hecho, la modelización de facies y la 

modelización petrofísica representan una  integración de  la escala micro 

(micras‐centímetros)  dentro  de  las  características  de  la  macro‐escala 

(metro‐hectómetro). 

‐ El espaciado del muestreo limita el análisis geoestadístico y debe 

representar  la  variabilidad  de  facies  observadas  en  el  campo.  Un 

muestreo  con  espaciado  regular,  que  además  sea  adecuado  a  la 

variabilidad  sedimentaria,  proporciona  un  mejor  análisis  de  la 

177  

variabilidad  espacial  de  facies,  a  través  de  los  variogramas,  para  la 

modelización estocástica. 

‐ El  indicador secuencial del algoritmo de simulación utilizado en 

la modelización de  facies  reproduce posibles  escenarios de  acuerdo  al 

modelo  sedimentario  y  a  la  distribución  de  los  datos  de  entrada.  Los 

variogramas nested mostraron ser útiles en la modelización de depósitos 

heterogéneos  como  las  areniscas  del  depósito  de  isla  barrera/inlet.  El 

conocimiento  del modelo  sedimentario  permitió  ajustar  los  rangos  de 

variogramas  experimentales  que  no  coincidían  con  el  modelo  del 

variograma y estimar mejor la longitud de la variación de facies. 

‐ La modelización de  la porosidad en ambos depósitos se  llevó a 

cabo a través de un algoritmo Gausiano. La modelización de la porosidad 

del  depósito  de  tsunami  se  realizó  a  través  de  la  distribución  de 

porosidad, debido a  la baja variación de dichos valores. El modelo de  la 

porosidad  del  depósito  de  isla  barrera/inlet  está  condicionado  por  el 

modelo  de  facies,  ya  que  las  facies  definidas  controlan  claramente  la 

distribución de la porosidad. 

‐ La porosidad y permeabilidad  tienen una buena correlación en 

ambos  depósitos.  El  modelo  de  porosidad  de  ambos  depósitos 

condicionó  el  modelo  de  permeabilidad  a  través  de  funciones  de 

regresión. Funciones exponenciales y de  regresión potencial definen  la 

variación  de  la  permeabilidad  en  los  depósitos  de  tsunami  y  de  isla 

barrera/inlet, respectivamente. 

‐ Aunque  la anisotropía de  la permeabilidad es muy baja,  la alta 

resolución del modelo de reservorio con un tamaño sub‐métrico de  los 

bloques  de  la  cuadrícula  genera  un  contraste  de  la  permeabilidad  a 

escala  sub‐métrica  creando  la  anisotropía  de  la  permeabilidad  en  el 

modelo de reservorio. 

‐  El  volumen  total  poroso  de  ambos  depósitos  es  bajo  y  la 

velocidad de  inyección  se  limitó a controlar  la presión acumulada. Una 

velocidad de inyección constante mejoró un poco la disolución del CO2 y 

disminuyó la saturación máxima del CO2 en la pluma gaseosa en la zona 

cercana al pozo inyector. 

178 

‐ Los resultados de  los estudios de simulación que consideran el 

comportamiento del CO2 en condiciones de almacenamiento dependen 

del modelo  petrofísico,  del modelo  de  fluido,  de  las  condiciones  del 

yacimiento y de las capacidades del simulador. A la escala submétrica, a 

las mismas condiciones del yacimiento y con los mismos parámetros del 

modelo  de  fluido,  la  potencia  del  reservorio mostró  tener  un mayor 

impacto  en  la  cantidad  de  disolución  de  CO2  que  el  contraste  de 

permeabilidad. 

‐  En  el  depósito  tsunami,  la  ubicación  del  pozo  inyector en  el 

sector meridional,  que  es  una  zona  algo más  homogénea  y  de mayor 

permeabilidad, mejora  un  poco  la  disolución  del  CO2  y  disminuye  su 

concentración en  la  pluma  de  gas.  La  cantidad  de  CO2  disuelto  en  los 

casos de  inyección simulados en el sector septentrional del sistema  isla 

barrera / inlet, correspondiente a la zona menos potente, es similar a la 

cantidad de CO2 disuelto en  todos  los casos estudiados del depósito de 

tsunami; sin embargo, su tasa de inyección fue mayor. 

  Las  heterogeneidades  de  tercer  orden  están  relacionadas  con 

elementos  externos  al  sistema  sedimentario  como  la  presencia  de 

paleorelieves  y  /o  fallas  sinsedimentarias,  que pueden modificar  localmente 

las condiciones de  flujo. Además,  las  fallas  sinsedimentarias  juegan un papel 

importante  en  la  removilización  de  los  fluidos  durante  la  compactación  y 

diagénesis,  e  incluso  en  condiciones más  profundas,  pudiendo  actuar  como 

vías preferentes de circulación o  como barreras al  flujo. Las  conclusiones de 

tercer orden están relacionadas con la presencia de estos elementos externos 

y su implicación en la petrofísica de los depósitos a escala métrica. 

‐  A  escala  de  las  capas  de  areniscas,  las  zonas  altamente 

cementadas en el  sector norte del depósito de  isla barrera/inlet están 

probablemente  relacionadas  con  la  proximidad  a  la  falla  normal 

sinsedimentaria  de  Remenderuelas  y  otras  fallas  normales  menores 

asociadas,  así  como  con  las  características  de  las  facies  de  relleno  de 

inlet  en  este  sector.  Estas  fallas  podrían  permitir  la  removilización  de 

fluidos durante  la diagénesis o posteriormente a ella y cementar zonas 

cercanas  a  éstas.  Por  otro  lado,  la  cementación  también  podría  estar 

179  

relacionada  con  facies de ostreídos,  según  lo observado por  Jackson  y 

Rawn‐Schatzinger (1993) y en este estudio (ver Capítulo 2). 

 La perspectiva de este estudio se refiere al potencial que tiene la Fm. 

Camarillas como almacén geológico de CO2, y en este sentido, la presencia de 

fallas sinsedimentarias  tienen un impacto a escala de yacimiento. A escala de 

yacimiento, la baja permeabilidad (mD) observada en ambos depósitos podría 

relacionarse con  la compactación y con  la cementación por removilización de 

fluidos  a  través  de  fallas.  Esta  cementación  estaría  afectando  solamente  a 

zonas  específicas  de  la  Fm.  Camarillas,  debido  a  que  su  radio  de  influencia 

dentro de  las capas de areniscas parece estar  limitado a una cierta distancia 

(decenas de metros) de  las fallas. Un estudio más profundo tanto estructural 

como  diagenético  de  la  Fm. Camarillas  podría  dilucidar  la  relación  entre  las 

fallas  sinsedimentarias  y  la  cementación  carbonatada.  Además,  el 

comportamiento  hidráulico  de  las  fallas  sinsedimentarias  podría  permitir  o 

bloquear  el  flujo  de  CO2  inyectado.  Los  estudios  de  simulación  a  escala  de 

formación sedimentaria deben tener en cuenta el comportamiento hidráulico 

de  las fallas y su extensión vertical para cuantificar su radio de  influencia y el 

potencial riesgo de fuga. 

  Por  último,  sería  interesante  estimar  la  capacidad  de 

almacenamiento de la Fm. Camarillas, sobre todo teniendo en cuenta que esta 

unidad  está  relativamente  cerca  de  una  gran  planta  de  energía  térmica  de 

carbón  y  que  el  transporte  de  CO2,  dentro  de  la  tecnología  de  captura  y 

almacenamiento de  carbono  (CCS), desde  la  fuente de emisión a  la  zona de 

almacenamiento, es arriesgado y costoso. Por otro  lado,  la Fm. Camarillas se 

compone  de  areniscas  con  intercalaciones  de  arcillas  y  margas  pudiendo 

considerarse, para el almacenamiento propuesto,  como un  reservorio multi‐

capa.  Las  arcillas  y margas  juegan  un  papel  de  barrera  para  el movimiento 

ascendente del CO2, mientras que las zonas de reservorios menos potentes, de 

escala métrica, mejoran la disolución de CO2. La inyección en estos reservorios 

poco  potentes  necesita  una  exhaustiva  monitorización  de  la  velocidad  de 

inyección y de las presiones acumuladas a fin de evitar daños en el reservorio y 

en el sello, mientras que la inyección en zonas de reservorios potentes mejora 

la velocidad de  inyección con una presión acumulada más baja. Sin embargo, 

la inyección de CO2 en reservorios delgados (< 3m) permite una mayor tasa de 

180 

disolución del CO2 en la salmuera en unos pocos años (7 años). Esto nos obliga 

a  encontrar  un  compromiso  entre  la  necesidad  de  almacenar  grandes 

cantidades de CO2  y  la necesidad de  aumentar  la disolución de CO2  en una 

escala de tiempo corto (que haría el almacenamiento más seguro en el menor 

tiempo posible). Además, las zonas de menor permeabilidad localizadas cerca 

de  fallas  sinsedimentarias  normales,  sugieren  que  los  valores  de  mayor 

porosidad y permeabilidad se deben localizar fuera de su zona de influencia. La 

posible presencia de zonas con mejores valores petrofísicos es un dato a tener 

en  cuenta para  valorar el  interés de  la  Fm. Camarillas  como  reservorio para 

fines de almacenamiento geológico. 

   

181  

REFERENCES

 

   

182 

   

183  

REFERENCES 

AAPG  (American  Association  of  Petroleum  Geologist),  2015.  AAPG  Wiki. 

ttp://wiki.aapg.org/Main_Page. 

Akaku,  K.,  2008.  Numerical  Simulation  of  CO2  Storage  in  Aquifers  without 

Trapping  Structures.  International  Petroleum  Technology  Conference,  3‐5 

December, Kuala Lumpur, Malaysia. IPTC‐12304‐MS. 

Alvaro, M., Capote, R., Vegas. R., 1979. Un modelo de evolución geotectónica 

para la Cadena Celtibérica. Acta Geológica Hispanica 14, 172–177.  

Ambrose, W.A., Lakshminarasimhan, S., Holtz, M.H., Núñez‐López, V., Hovorka, 

S.D., Duncan,  I., 2008. Geologic  factors  controlling CO2  storage  capacity and 

permanence: case studies based on experience with heterogeneity  in oil and 

gas reservoirs applied to CO2 storage. Environmental Geology 54, 1619–1633.  

Antolín‐Tomás,  B.,  Liesa,  C.L.,  Casas,  A.M.,  Gil‐Peña,  I.,  2007.  Geometry  of 

fracturing  linked  to  extension  and  basin  formation  in  the Maestrazgo  basin 

(Eastern Iberian Chain, Spain). Revista de la Sociedad Geológica de España 20, 

3‐4, 351‐365. 

Apotsos, A., Gelfenbaum, G., Jaffe, B., 2012. Time‐dependent onshore tsunami 

response. Coastal Engineering 64, 73–86. 

Asharf, M.,  2014.  Geological  storage  of  CO2:  Heterogeneity  impact  on  the 

behaviorof pressure. International Journal of Greenhouse Gas Control 28, 356–

368. 

Bachu,  S.,  Bonijoly,  D.,  Bradshaw,  J.,  Burruss,  R.,  Holloway,  S.,  Christensen, 

N.P., Mathiassen, O.M., 2007.  CO2 storage capacity estimation: Methodology 

and gaps. International journal of greenhouse gas control 1, 430–443. 

Bauluz, B., Yuste, A., Mayayo, M. J., Canudo, J.  I., 2014. Early kaolinization of 

detrital Weald facies in the Galve Sub‐basin (Central Iberian Chain, north‐east 

Spain) and its relationship to palaeoclimate. Cretaceous Research 50, 214‐227. 

Bersezio, R., Bini, A., Giudici, M., 1999. Effects of  sedimentary heterogeneity 

on  groundwater  flow  in  a Quaternary  pro‐glacial  delta  environment:  joining 

facies analysis and numerical modelling. Sedimentary Geology 129, 327–344. 

184 

Bohling,  G.,  2007.  Introduction  to  Geostatistics.  Courses  notes  of 

Hydrogeophysics:  Theory,  Methods,  and  Modeling.  Boise  State  University, 

Idaho, USA. http://people.ku.edu/~gbohling/BoiseGeostat. 

Boxiao, L., Tchelepi, H.A., Benson, S.M. 2013. The Influence of Capillary Entry‐

Pressure Representation on CO2 Solubility Trapping. Energy Procedia 37, 3808 

– 3815. 

Caja,  M.A.,  2004.  Procedencia  y  diagénesis  de  los  sedimentos  del  Jurásico 

superior‐Cretácico  inferior (facies Weald) en  las subcuencas occidentales de  la 

Cuenca  del  Maestrazgo,  Cordillera  Ibérica  Oriental.  Tesis  Doctoral,  Univ. 

Complutense de Madrid, 293 p. 

Cantalamessa,  G.,  Di  Celma,  C.,  2005.  Sedimentary  features  of  tsunami 

backwash deposits in a shallow marine Miocene setting, Mejillones Peninsula, 

northern Chile. Sedimentary Geology 178, 259–273. 

Capote,  R.,  Muñoz,  J.A.,  Simón,  J.L.,  Liesa,  C.L.,  Arlegui,  L.E.,  2002.  Alpine 

tectonics  I:  the Alpine  system north of  the Betic Cordillera.  In: Gibbons, W., 

Moreno, T. (eds), Geology of Spain. The Geological Society, London, 367–400. 

Celia,  M.A.,  Bachu,  S.,  Nordbotten,  J.M.,  Gasda,  S.E,  Dahle,  H.K.,  2005. 

Quantitative  estimation  of  CO2  leakage  from  geological  storage:  analytical 

models,  numerical  models,  and  data  needs.  Greenhouse  Gas  Control 

Technologies 7, I, 663‐671. 

Chadwick, A., Arts,R., Bernstone,C., May,F., Thibeau, S., Zweigel, P., 2008 ‐ Best 

practice  for  the  storage  of  CO2  in  saline  aquifers.  British Geological  Survey, 

Occasional Publication 14, 277 p. 

Chagué‐Goff, C., Schneider, J.L., Goff, J.R., Dominey‐Howes, D., Strotz, L., 2011. 

Expanding  the  proxy  toolkit  to  help  identify  past  events—lessons  from  the 

2004 Indian Ocean Tsunami and the 2009 South Pacific Tsunami. Earth‐Science 

Reviews, 107 (1), 107‐122. 

Chang, C.,  Zhou, Q., Guo,  J.,  Yu, Q.,  2014.  Supercritical CO2  dissolution  and 

mass  transfer  in  low‐permeability  sandstone:  Effect  of  concentration 

difference  in  water‐flood  experiments.  International  Journal  of  Greenhouse 

Gas Control 28, 328–342. 

185  

Clague, J.J., Bobrowsky, P.T., Hamilton, T.S., 1994. A sand sheet deposited by 

the 1964. Alaska tsunami at Port Alberni, British Columbia. Estuarine, Coastal 

and Shelf Science 38 (4), 413–421. 

Clark,  I.,  2001.  Practical  Geostatistics.  Author  home  page: 

http://www.kriging.com/PG1979/PG1979_pdf.html. 

Collison,  J.D.,  1996.  Alluvial  sediments.  In:  Reading,  H.G.  (ed),  Sedimentary 

Environments and Facies. Blackwell Publishing, Oxford, 37–82. 

Corbett,  P.W.M.,  Potter,  D.K.,  2004.  Petrotyping:  a  basemap  and  atlas  for 

navigating  through  permeability  and  porosity  data  for  reservoir  comparison 

and permeability prediction.  International Symposium of  the Society of Core 

Analysts, Abu Dhabi, UAE, 5‐9 October. 

Corey,  A.T.,  1954.  The  interrelation  between  gas  and  oil  relative 

permeabilities. Producers Monthly 19 (November): 38–41. 

Curtis,  C.D.,  1978.  Possible  links  between  sandstone  diagenesis  and  depth‐

related geochemical reactions occurring in enclosing mudstones. Journal of the 

Geological Society 135(1), 107‐117. 

Cushman,  J.H.,  1997.  The  Physics  of  Fluids  in  Hierarchical  Porous  Media: 

Angstroms to Miles. Springer, Heidelberg. 484 p. 

Dalrymple, M., 2001. Fluvial reservoir architecture  in  the Statfjord Formation 

(northern  North  Sea)  augmented  by  outcrop  analogue  statistics.  Petroleum 

Geoscience 7, 115‐122. 

Davis, R.A., Barnard, P.L., 2000. How anthropogenic factors in the back‐barrier 

area  influence  tidal  inlet  stability:  examples  from  the Gulf  Coast  of  Florida, 

U.S.A.  In:  Pye,  K.,  Allen,  J.R.L.  (eds),  Coastal  and  Estuarine  Environments: 

Sedimentology, Geomorphology and Geoarchaeology. Geol. Soc. London Spec. 

Publ. 175, 293‐303. 

Davis, R.A., Barnard, P.L., 2003. Morphodynamics of  the barrier‐inlet system, 

west‐central Florida. Marine Geology 200, 77‐101. 

Davis, R.A., Gibeaut, J.C., 1990. Historical Morphodynamics of Inlets in Florida: 

Models  for Coastal Zone Planning. Tech Paper 55. Florida Sea Grant College, 

Gainesville, FL, 81 p. 

186 

Dawson,  A.G.,  Stewart,  I.,  2007.  Tsunami  deposits  in  the  geological  record. 

Sedimentary Geology 200, 3, 166‐183. 

Dawson, S., Smith, D.E., 2000. The sedimentology of Middle Holocene tsunami 

facies in northern Sutherland, Scotland, UK. Marine Geology, 170, 1, 69‐79.  

Deng,  H.,  Stauffer,  P.H.,  Dai,  Z.,  Jiao,  Z.,  Surdam,  R.C.,  2012.  Simulation  of 

industrial‐scale  CO  2  storage: Multi‐scale  heterogeneity  and  its  impacts  on 

storage capacity,  injectivity and  leakage.  International  Journal of Greenhouse 

Gas Control 10, 397‐418. 

Deutsch, C.V.,  Journel, A.G., 1998. GSLIB‐ Geostatistical Software Library and 

User's Guide, Second Edition. New York Oxford. Oxford University Press, 376 p. 

DeVries Klein, G., 1974. Estimating water depths from analysis of barrier island 

and deltaic sedimentary sequences. Geology 2, 8, 409‐412. 

Doughty, C., 2007. Modeling geologic storage of carbon dioxide: Comparison 

of non‐hysteretic and hysteretic characteristic curves. Energy Conversion and 

Management 48, 1768–1781. 

Eaton,  T.T.,  2006.  On  the  importance  of  geological  heterogeneity  for  flow 

simulation. Sedimentary Geology 184, 187–201.  

Eaton, T.T., Bradbury, K.R., 2003. Hydraulic transience and the role of bedding 

fractures  in  a  bedrock  aquitard,  southeastern Wisconsin,  USA.  Geophysical 

Research Letters 30, 18. doi:10.1029/2003GL017913. 

EEA  –  (European  Environment  Agency),  2014.  Annual  European  Union 

greenhouse  gas  inventory  1990–2012  and  inventory  report  2014.  Technical 

report No 09/2014.   

Ekeland,  A.,  Pedersen, N., Howell,  J., Nemec, W.,  Keogh,  K.,  Viste,  I.,  2008. 

Modeling of  Intra‐Channel Belt Depositional Architecture  in Fluvial Reservoir 

Analogs  from  the Lourinha Formation, Portugal. Search and Discovery Article 

number: 50146. 

EU, 2009. European Parliament and of the Council Directive 2009/31/EC on the 

geological  storage  of  carbon  dioxide  and  amending  Council  Directive 

85/337/EEC,  European  Parliament  and  Council  Directives  2000/60/EC, 

187  

2001/80/EC,  2004/35/EC,  2006/12/EC,  2008/1/EC  and  Regulation  (EC)  No 

1013/2006. 

Felletti,  F.,  2004.  Statistical  modelling  and  validation  of  correlation  in 

turbidites:  an  example  from  the  Tertiary  Piedmont  Basin  (Castagnola  Fm., 

Northen Italy). Marine and Petroleum Geology 21, 23‐39. 

Fenghour, A., Wakeham, W.A., and Vesovic, V., 1998. The Viscosity of Carbon 

Dioxide. Journal of Physical and Chemical Reference Data 27, 1, 31‐44. 

Foix,  N.,  Paredes,  J.M.,  Giacosa,  R.E.,  2013.  Fluvial  architecture  variations 

linked  to  changes  in  accommodation  space:  Río  Chico  Formation  (Late 

Paleocene), Golfo San Jorge basin, Argentina. Sedimentary Geology 294, 342–

355. 

Folk, R.L., 1980. Petrology of Sedimentary Rocks. Hemphill Publish Company. 

Austin, USA. 184 p.  

Frykman, P., 2009. The  importance of geological heterogeneities. CO2GeoNet 

Open Forum March 18‐20, Venice, San Servolo Island, Italy. 

Frykman,  F.,  Nielsen,  C.M.,  Bech,  N.,  2013.  Trapping  effects  of  small  scale 

sedimentary heterogeneities. Energy Procedia 37, 5352 – 5359. 

Fujiwara,  O.,  2008.  Bedforms  and  sedimentary  structures  characterizing 

tsunami  deposits.  In:  Shiki,  T.,  Tsuji,  Y.,  Yamazaki,  T.,  Minoura,  K.  (eds), 

Tsunamiites — Features and Implications. Elsevier, Amsterdam, Oxford, 51–62. 

Fujiwara, O., Kamataki, T., 2007. Identification of tsunami deposits considering 

the  tsunami  waveform:  an  example  of  subaqueous  tsunami  deposits  in 

Holocene shallow bay on southern Boso Peninsula, Central Japan. Sedimentary 

Geology 200, 3, 295‐313. 

García‐García, F., Ferñandez, J., Viseras, C., Soria, J.M., 2006. Architecture and 

sedimentary facies evolution in a delta stack controlled by fault growth (Betic 

Cordillera, southern Spain, late Tortonian). Sedimentary Geology 185, 79 – 92. 

Ghazi, S., Mountney, N.P., 2009. Facies and architectural element analysis of a 

meandering  fluvial  succession:  the Permian Warchha  Sandstone,  Salt Range, 

Pakistan. Sedimentary Geology 221, 99–126. 

188 

Guimerà, J.J,. 1988. Estudi estructural de l'enllaç entre la Serralada Ibèrica i la 

Serralada Costanera Catalana. PhD Thesis, Universitat de Barcelona, 600p. 

Guimerà,  J.,  Salas,  R.,  Vergés,  J.,  Casas,  A.,  1996.  Extensión  mesozoica  e 

inversión compresiva  terciaria en  la Cadena  Ibérica: aportaciones a partir del 

análisis de un perfil gravimétrico. Geogaceta 20 , 7, 7697‐7694. 

Hammer, E., Mørk, M.B.E., Næss, A., 2010. Facies controls on the distribution 

of diagenesis and compaction in fluvial‐deltaic deposits. Marine and Petroleum 

Geology, 27, 8, 1737‐1751. 

Heinz, J., Kleineidam, S., Teutsch, G., Aigner, T., 2003. Heterogeneity patterns 

of  Quaternary  glaciofluvial  gravel  bodies  (SWGermany):  application  to 

hydrogeology. Sedimentary Geology 158, 1–23. 

Henares, S., Caracciolo,  L., Cultrone, G., Fernández,  J., Viseras, C., 2014. The 

role  of  diagenesis  and  depositional  facies  on  pore  system  evolution  in  a 

Triassic outcrop analogue (SE Spain). Marine and Petroleum Geology 51, 136‐

151. 

Hodgkinson,  J.,  Cox,  M.E,  McLoughlin,  S.,  Huftile,  G.J.,  2008.  Lithological 

heterogeneity  in  a  back‐barrier  sand  island:  Implications  for  modelling 

hydrogeological frameworks. Sedimentary Geology 203, 64–86. 

Hornung,  J., Aigner,T., 1999. Reservoir and aquifer  characterization of  fluvial 

architectural elements: Stubensandstein, Upper Triassic, southwest Germany. 

Sedimentary Geology 129, 215–280. 

Hovorka,  S.D.,  Doughty,  C.,  Benson,  S.M.,  Pruess  K.,  Knox  P.R.,  2004.  The 

impact of geological heterogeneity on CO2 storage in brine formations: a case 

study from the Texas Gulf Coast. In: Baines S.J., Worden R.H. (eds), Geological 

storage  of  carbon  dioxide.  Geological  Society  of  London  Special  Publication 

233, 147–163. 

Huysmans, M., Peeters, L., Moermans, G., Dassargues, A., 2008. Relating small‐

scale  sedimentary  structures  and  permeability  in  a  cross‐bedded  aquifer. 

Journal of Hydrology 361, 41– 51. 

IAPWS (The International Association for the Properties of Water and Steam), 

1997. Industrial Formulation 1997 for the Thermodynamic Properties of Water 

and Steam.  

189  

IEAGHG (IEA Greenhouse Gas R&D Programme), 2009. Summary report of 1st 

IEA‐GHG CO2 Geological Storage Modelling Network Meeting. BRGM, Orleans, 

France. http://ieaghg.org/docs/Modelling/2009‐5_Summary.pdf. 

IFP  (Instituto Petrofísico de Madrid), 2012. Helium Porosity and Permeability 

measurements. Technical Report.  

IGME  (Instituto  Geológico  y  Minero  de  España),  2012.  Panorama  Minero. 

http://www.igme.es/PanoramaMinero/actual/CARBON12.pdf 

IPCC (Intergovernmental Panel on Climate Change), 2005.  IPCC Special Report 

on  Carbon  Dioxide  Capture  and  Storage.  Cambridge  University  Press,  New 

York. 431 p. 

Isaaks, E.H., Srivastava, R. M., 1989. Applied geostatistics  (Vol. 2). New York: 

Oxford University Press, 561 p.. 

Issautier, B., Fillacier, S.,  Le‐Gallo, Y., Audigane, P., Chiaberger, C., Viseur, S., 

2013.  Modelling  of  CO2  Injection  in  Fluvial  Sedimentary  Heterogeneous 

Reservoirs. Energy Procedia 37, 5181 – 5190. 

Issautier, B., Viseur, S., Audigane, P.,  le Nindre, Y.M., 2014.  Impacts of  fluvial 

reservoir heterogeneity on connectivity:  Implications  in estimating geological 

storage capacity for CO2. International Journal of Greenhouse Gas Control 20, 

333–349. 

Jackson,  S.R.,  Rawn‐Schatzinger,  V.,  1993.  Data  from  selected  Almond 

Formation outcrops‐‐Sweetwater County, Wyoming (No. NIPER‐‐724). National 

Inst. for Petroleum and Energy Research, Bartlesville, OK (United States). 

Jankaew, K., Atwater, B.F., Sawai, Y., Choowong, M., Charoentitirat, T., Martin, 

M.E., Prendergast, A., 2008. Medieval  forewarning of  the 2004  Indian Ocean 

Tsunami in Thailand. Nature 455, 1228–1231. 

Juanes,  R.,  Spiteri,  E.J.,  Blunt,  M.J.,  2006.  Impact  of  relative  permeability 

hysteresis on geological CO2 storage. Water Resources Research, 42, W12418, 

doi:10.1029/2005WR004806. 

King M.B., Mubarak  A.,  Kim  J.D.,  Bott  T.R.,  1992.  The mutual  solubilities  of 

water with supercritical and  liquid carbon dioxide. Supercritical Fluids 5, 296–

302. 

190 

Klingbeil, R., Kleineidam, S., Asprion, U., Aigner, T., Teutsch, G., 1999. Relating 

lithofacies  to  hydrofacies:  outcrop‐based  hydrogeological  characterisation  of 

quaternary gravel deposits. Sedimentary Geology 129, 3‐4, 299–310.   

Koltermann, C.E., Gorelick, S., 1996. Heterogeneity  in sedimentary deposits: a 

review of  structure  imitating, process‐imitation,  and descriptive  approaches. 

Water Resource Research 32, 9, 2617–2658. 

Lantuéjoul, C., Beucher, H., Chilès, J.P., Lajaunie, C., Wackernagel, H., Elion, P., 

2005. Estimating the trace  length distribution of  fractures  from  line sampling 

data.  In  Leuangthong,  O.,  Deutsch,  C.  V.  (eds),  Geostatistics  Banff  2004. 

Quantitative  Geology  and  Geostatistics  14,  165–174.  Springer  Netherlands, 

Dordrecht. 

Le‐Gallo, Y., 2009 ‐ Injectivity. Session 2 Assessment Objectives for Modelling. 

CO2 Geological Storage Modelling Workshop, 10‐12 February, Orleans, France. 

Organised by IEA Greenhouse Gas R&D Programme. 

Le  Gallo,  Y.,  Fillacier,  S.,  Lecomte,  A.,  Munier,  G.,  Hanot,  F.,  Quisel,  N., 

Rampnoux, N.,  Thomas,  S.,  2010.  Technical  challenges  in  characterization of 

future  CO2  storage  site  in  a  deep  saline  aquifer  in  the  Paris  basin.  Lessons 

learned from practical application of site selection methodology. Proceedings 

of the 10th International Conference on Greenhouse Gas Control Technologies 

(GHGT‐10), 19‐23 September 2010, Amsterdam. 

Liesa,  C.,  Soria,  A.R.,  Meléndez,  A.,  2000.  Lacustrine  evolution  in  a  basin 

controlled  by  extensional  faults:  the  Galve  subbasin,  Teruel,  Spain.  In: 

Gierlowski‐Kordesch,  E.H.,  Kelts,  K.R.  (eds),  Lake  Basins  through  Space  and 

Time. American Association of Petroleum Geologists, Studies  in Geology, 46, 

295–302. 

Liesa, C.L., Casas, A.M., Soria, A.R., Simón, J.L., Meléndez, A., 2004. Estructura 

extensional  cretácica e  inversión  terciaria en  la  región Aliaga‐Montalbán.  In: 

Colombo, F., Liesa, C.L., Meléndez, G., Pocoví, A., Sancho, C., Soria, A.R. (eds), 

Itinerarios Geológicos por Aragón. Sociedad Geológica de España, Geo‐Guías 1, 

151–180. 

191  

Liesa,  C.L.,  Soria,  A.R., Meléndez,  N., Meléndez,  A.,  2006.  Extensional  fault 

control on  the sedimentation patterns  in a continental  rift basin: El Castellar 

Formation, Galve sub‐basin, Spain. Geological Society of London 163, 487–498. 

Machent, P.G., Taylor, K.G., Macquaker,  J.H.,Marshall,  J.D., 2007. Patterns of 

early  post‐depositional  and  burial  cementation  in  distal  shallow‐marine 

sandstones:  Upper  Cretaceous  Kenilworth Member,  Book  Cliffs,  Utah,  USA. 

Sedimentary Geology 198, 1, 125‐145. 

Mallinson, D.J., Smith, C.W., Culver, S.J., Riggs, S.R., Ames, D., 2010. Geological 

characteristics  and  spatial  distribution  of  paleo‐inlet  channels  beneath  the 

outer banks barrier  islands, North Carolina, USA. Estuarine, Coastal and Shelf 

Science 88, 175‐189. 

Martin, J.J., 1979. Cubic Equations of State‐Which? Industrial and Engineering 

Chemistry Fundamentals 18, 81‐97. 

Martín‐Martín,  J.D., Gómez Rivas, E., Travé  i Herrero, A., Salas, R., Vergés,  J., 

2012. Dolomías controladas por fracturas en carbonatos aptienses de  la zona 

de  Benicàssim  (SE  Cuenca  del  Maestrat):  distribución  y  características 

petrográficas. Geogaceta 51, 19‐22. 

Martín‐Martín, J. D., Travé, A., Gomez‐Rivas, E., Salas, R., Sizun, J. P., Vergés, J., 

Alfonso,  P.,  2015.  Fault‐controlled  and  stratabound  dolostones  in  the  Late 

Aptian–earliest Albian Benassal Formation (Maestrat Basin, E Spain): Petrology 

and geochemistry constrains. Marine and Petroleum Geology 65, 83‐102. 

Martini, P.M., Barbano, M.S., Smedile, A., Gerardi,   F., Pantosti, D., Del Carlo, 

P., Pirrotta,   C., 2010. A unique 4000 year  long geological  record of multiple 

tsunami inundations in the Augusta Bay (eastern Sicily, Italy). Marine Geology 

276, 42–57. 

Matheron, G., 1971. La théorie des variables régionalisées et ses applications. 

Fasc. 5, École National Supériure des Mines, Paris. 

Matsumoto, D., Shimamoto, T., Hirose, T., Gunatilake, J., Wickramasooriya, A., 

DeLile,  J., Murayama, M.,  2010.  Thickness  and  grain‐size  distribution  of  the 

2004  Indian Ocean  tsunami deposits  in Periya Kalapuwa  Lagoon, eastern  Sri 

Lanka. Sedimentary Geology 230, 3, 95‐104. 

192 

Meléndez, M.N., Liesa, C.L., Soria, A.R., Meléndez, A., 2009. Lacustrine system 

evolution during early rifting: El Castellar Formation (Galve sub‐basin, Central 

Iberian Chain). Sedimentary Geology 222, 64‐77. 

Meyer, R., Krause, F.F., 2006. Permeability Anisotropy and Heterogeneity of a 

Sandstone Reservoir Analogue: An Estuarine to Shoreface Depositional System 

in  the  Virgelle  Member,  Milk  River  Formation,  Writing‐on‐Stone  Provincial 

Park,  Southern  Alberta.  Bulletin  of  Canadian  Petroleum Geology  54,  4,  301‐

318.  

Miall, A.D., 1996. The Geology of Fluvial Deposits,  Sedimentary  Facies, Basin 

Analysis, and Petroleum Geology. Springer‐Verlag, New York, 582 p. 

Morton,  R.A.,  Goff,  J.R.,  Nichol,  S.L.,  2008.  Hydrodynamic  implications  of 

textural trends in sand deposits of the 2004 tsunami in Sri Lanka. Sedimentary 

Geology 207, 1, 56‐64. 

Nanayama,  F.,  Shigeno,  K.,  2006.  Inflow  and  outflow  facies  from  the  1993 

tsunami in southwest Hokkaido. Sedimentary Geology 187, 139–158. 

Navarrete, R., 2015. Controles alocíclicos de  la sedimentación barremiense en 

la  Subcuenca de Galve  (Fm. Camarillas, margen  occidental de  la Cuenca del 

Maestrazgo). PhD Thesis, Univ. de Zaragoza. 444 p. 

Navarrete, R., Rodríguez‐López, J.P., Liesa, C.L., Soria, A.R., Veloso, F.M., 2013. 

Changing  physiography  of  rift  basins  as  a  control  on  the  evolution  ofmixed 

siliciclastic–carbonate  back‐barrier  systems  (Barremian  Iberian  Basin,  Spain). 

Sedimentary Geology 289, 40–61. 

Navarrete,  R.,  Liesa  C.L.,  Castanera  D.,  Soria    A.R,  Rodríguez‐López,  J.P., 

Canudo  ,  J.L., 2014. A  thick Tethyan multi‐bed  tsunami deposit preserving  a 

dinosaur megatracksite within  a  coastal  lagoon  (Barremian,  eastern  Spain). 

Sedimentary Geology 313, 105–127. 

Nishikawa,  T.,  Ito,  M.,  2000.  Late  Pleistocene  barrier‐island  development 

reconstructed  from  genetic  classication  and  timing  of  erosional  surfaces, 

paleo‐Tokyo Bay, Japan. Sedimentary Geology 137, 25‐42. 

Nomeli,  M.A.,  Tilton,  N.,  Riaz,  A.,  2014.  A  new  model  for  the  density  of 

saturated  solutions of CO2–H2O–NaClin  saline aquifers.  International  Journal 

of Greenhouse Gas Control 31, 192–204. 

193  

Nordbotten, J.M., Celia, M.A., Bachu, S., 2005. Injection and storage of CO2 in 

deep  saline  aquifers:  Analytical  solution  for  CO2  plume  evolution  during 

injection. Transport in Porous Media 58, 339–360. 

Norden, B., Frykman, P., 2013. Geological modelling of  the Triassic  Stuttgart 

Formation  at  the  Ketzin  CO2storage  site, Germany.  International  Journal  of 

Greenhouse Gas Control 19, 756–774. 

Norden, B., Förster, A., Vu‐Hoang, D., Marcelis, F., Springer, N., Le Nir, I., 2010. 

Lithological  and  Petrophysical  Core‐Log  Interpretation  in  CO.  SPE  Reservoir 

Evaluation and Engineering 13, 2, 179‐192. 

Oliver, M.A., Webster, R., 2014. A  tutorial  guide  to  geostatistics: Computing 

and modelling variograms and kriging. Catena 113, 56–69. 

Peropadre,  C.,  2012.  El  Aptiense  del  margen  occidental  de  la  cuenca  del 

Maestrazgo:  controles  tectónico,  eustático  y  climático  en  la  sedimentación. 

PhD Thesis, Universidad Complutense de Madrid, 649 pp. 

Peropadre,  C.,  Meléndez,  N.,  Liesa,  C.L.,  2008.  Variaciones  del  nivel  mar 

registradas como valles  incisos en  la Formación Villarroya de  los Pinares en  la 

subcuenca de Galve (Teruel, Cordillera Ibérica). Geo‐temas 10, 167–170. 

Petrowiki,  2015.  Petrowiki  webpage  published  by  Society  of  Petroleum 

Engineers (SPE). http://petrowiki.org/PetroWiki. 

Pettijohn,  F.J.,  Potter,  P.E.,  Siever,  R.,  1973.  Sand  and  sandstone.  Springer‐

Verlag, New York‐Heidelberg‐Berlin, 618 p. 

Phantuwongraj, S., Choowong, M., 2012. Tsunamis versus storm deposits from 

Thailand. Natural Hazards 63, 31–50. 

Pini,  R.,  Krevor,  S.C.M.,  Benson,  S.M.,  2012.  Capillary  pressure  and 

heterogeneity  for  the  CO2/water  system  in  sandstone  rocks  at  reservoir 

conditions.  Advances in Water Resources 38, 48–59. 

Plug,  W.J.,  Bruining,  J.,  2007.  Capillary  pressure  for  the  sand–CO2–water 

system under various pressure  conditions. Application  to CO2  sequestration. 

Advances in Water Resources 30, 2339–2353. 

194 

Pochat, S., Van Den Driessche, J., 2007. Impact of synsedimentary metre‐scale 

normal fault scarps on sediment gravity flow dynamics: An example from the 

Grès d’Annot Formation, SE France. Sedimentary Geology 202, 796–820.  

Prendergast,  A.L.,  Cupper, M.L.,  Jankaew,  K.,  Sawa,  Y.,  2012.  Indian  Ocean 

tsunami  recurrence  from  optical  dating  of  tsunami  sand  sheets  in  Thailand. 

Marine Geology 295‐298, 20–27. 

Prost,  P.,  2008. Numerical  Simulations  of  CO2  Injection  into  Saline  aquifers: 

estimation of storage capacity and srrival times using multiple realizations of 

heterogeneous  permeability  fields.  PhD  Thesis,  University  of  Stuttgart, 

Germany, 69 p.   

Pyrcz,  M.  J.,  Deutsch,  C.V.  2014.  Geostatistical  reservoir  modeling.  Oxford 

university press, 448 p. 

Reid,  R.C.,  Prausnitz,  J.M.,  Polling,  B.E.,  1987.  The  Properties  of  Gases  and 

Liquids. New York, USA, McGraw‐Hill. 

Robinson,  J.W.,  McCabe,  P.J.,  1997.  Sandstone‐body  and  shale‐body 

dimensions in a braided fluvial system: salt wash sandstone member (Morrison 

Formation), Garfield County, Utah. AAPG Bulletin 81, 1267–1291. 

Rodríguez‐López,  J.P.,  Meléndez‐Hevia,  N.,  Soria,  A.R.,  De‐Boer,  P.L.,  2009. 

Reinterpretación estratigráfica y sedimentológica de las formaciones Escucha y 

Utrillas de la Cordillera Ibérica. Revista de la Sociedad Geológica de España 22, 

3‐4, 163‐219. 

Salas, R., 1987. El Malm y el Cretaci inferior entre el Massis de Garraf y la Serra 

d'Espadà. PhD Thesis, Universidad de Barcelona, 345 pp. 

Salas,  R.,  Casas,  A.,  1993. Mesozoic  extensional  tectonics,  stratigraphy  and 

crustal  evolution  during  the  Alpine  cycle  of  the  eastern  Iberian  basin. 

Tectonophysics 228, 1, 33‐55. 

Salas,  R.,  Guimerà,  J., Más,  R., Martín‐Closas,  C., Meléndez,  A.,  Alonso,  A., 

2001. Evolution of  the Mesozoic Central  Iberian Rift System and  its Cenozoic 

inversion  (Iberian  Chain).  In:  Ziegler,  P.A.,  Cavazza,  W.,  Robertson,  A.F.H., 

Crasquin‐Soleau,  S.  (eds),  Peri‐Tethys  Memoir  6:  PeriTethyan  Rift/Wrench 

Basins  and  Passive  Margins.  Mémoires  du  Muséum  national  d'Histoire 

naturelle 186, 145–185. 

195  

Saripalli, P., McGrail, P., 2002.  Semi‐analytical approaches  to modeling deep 

well  injection  of  CO2  for  geological  sequestration.  Energy  Conversion  and 

Management 43, 2, 185–198. 

Schlumberger, 2013a.  Eclipse Technical Descriptions, Version 2013.1, 58 p.   

Schlumberger, 2013b. Petrel Help Center Manual.  

SEE  (Secretaria  de  Estado  de  Energia),  2014.  La  Energia  en  España  2013. 

Ministerio de Industria, Energia y Turismo, 333 p. 

Sifuentes,  W.F.,  Giddins,  M.A.,  Blunt,  J.B.,  2009.  Modeling  CO2  Storage  in 

Aquifers:  Assessing  the  key  contributors  to  uncertainty.  SPE  123582. 

http://dx.doi.org/10.2118/123582‐MS. 

Simms,  A.R.,  Anderson,  J.B.,  Blum, M.,  2006.  Barrier‐island  aggradation  via 

inlet migration: Mustang Island, Texas. Sedimentary Geology 187, 105–125.  

Simón,  J.L.,  1982.  Compresión  y  distensión  alpinas  en  la  Cadena  Ibérica 

oriental. PhD Thesis, Universidad de Zaragoza. Publicaciones del  Instituto de 

Estudios Turolenses, 269 p. 

Simón, J.L., 1989.  Late Cenozoic stress field and fracturing in the Iberian Chain 

and Ebro Basin (Spain). Journal of Structural Geology 11 (3), 285‐294. 

Soria, A.R., 1997. La sedimentación en las cuencas marginales del surco ibérico 

durante el Cretácico  inferior y su control estructural. PhD Thesis. Universidad 

de Zaragoza. 363 p. 

Soria,  A.R.,  Meléndez,  M.N.,  Meléndez,  A.,  Liesa,  C.L.,  Aurell,  M.,  Goméz‐

Fernández, J.C., 2000. The Early Cretaceous of the Iberian Basin (Northeastern 

Spain).  In: Gierlowski‐  Kordesch,  E.H.,  Kelts,  K.R.  (eds),  Lake  basins  through 

space  and  time.  American  Association  of  Petroleum  Geologists,  Studies  in 

Geology 46, 285–294. 

Soria,  A.R.,  Liesa,  C.L.,  Meléndez,  A.,  Meléndez,  N.,  2001.  Sedimentación 

sintectónica de  la Formación El Castellar  (Cretácico  Inferior) en  la  subcuenca 

de Galve (Cuenca Ibérica). Geotemas 3, 2, 257‐260. 

Spiteri, E.,  Juanes, R., 2006.  Impact of relative permeability hysteresis on  the 

numerical  simulation  of  WAG  injection.  Journal  of  Petroleum  Science  and 

Engineering  50, 115– 139. 

196 

Spycher,  N.,  Pruess,  K.,  2005.  CO2‐H2O  mixtures  in  the  geological 

sequestration of CO2  II. Partitioning  in chloride brines at 12‐100 C and up  to 

600 bar. Geochimica et Cosmochimica Acta 69, 13, 3309‐3320. 

Spycher,  N.,  Pruess,  K.,  Ennis‐King,  J.,  2003.  CO2‐H2O  mixtures  in  the 

geological  sequestration  of  CO2.  I.  Assessment  and  calculation  of  mutual 

solubilities from 12 to 100°C and up to 600 bar. Geochimica et Cosmochimica 

Acta 67, 16, 3015–3031. 

Sugawara,  D.,  Minoura,  K.,  Imamura,  F.,  2008.  Tsunamis  and  Tsunami 

sedimentology.  In:  Shiki,  T.,  Tsuji,  Y.,  Yamazaki,  T.,  Minoura,  K.  (eds), 

Tsunamiites — Features and Implications. Elsevier, Amsterdam, Oxford, 9‐50. 

Sugawara,  D.,  Goto,  K.,  Jaffe,  B.E.,  2014.  Numerical  models  of  tsunami 

sediment  transport —  Current  understanding  and  future  directions. Marine 

Geology 352, 295–320. 

Sun,  S.,  Shu,  L., Zeng,  J.C,  Feng, Z., 2007. Porosity–Permeability and  textural 

heterogeneity of  reservoir  sandstones  from  the  Lower Cretaceous Putaohua 

Member  of  Yaojia  Formation,  Weixing  Oilfield,  Songliao  Basin,  Northeast 

China. Marine and Petroleum Geology 24, 109–127. 

Tye,  R.S.,  2004.  Geomorphology:  an  approach  to  determining  subsurface 

reservoir dimensions. AAPG Bulletin 88: 1123–1147.   

U.S.  GeoSupply,  Inc.,  2015.  Wellsite  Geological  Solutions.  Website: 

www.usgeosupply.com 

Veloso, F.M.L., Navarrete, R., Soria, A.R., Meléndez Hevia, M.N., 2013. Estudio 

de  afloramiento  de  escala  intermedia  como  almacén  geológico  (Aliaga, 

provincia de Teruel). In: Garcia‐Hidalgo, J.F., Gil, Barroso, F., Diaz de Neira, J.A. 

(eds), V Congreso Cretácico de España, 136‐139. 

Vennin,  E.,  Aurell, M.,  2001.  Stratigraphie  sequentielle  de  l'Aptien  du  sous‐

basin  de Galvé  (Province  de  Teruel, NE  de  l'Espagne).  Bulletin  de  la  Société 

Géologique de France 172, 397–410. 

Vesovic,  V., Wakeham, W.  A.,  Olchowy,  G.A.,  Sengers,  J.V., Watson,  J.T.R., 

Millat, J., 1990. The Transport Properties of Carbon Dioxide. Journal of Physical 

and Chemical Reference Data 19, 3, 763. 

197  

White, C.D., Willis, B.J., Dutton, S.P., Bhattacharya, J. P., Narayanan, K., 2004. 

Sedimentology,  statistics,  and  flow  behavior  for  a  tide‐influenced  deltaic 

sandstone, Frontier Formation, Wyoming, United States.  In: Grammer, G.M., 

Harris, P.M., Eberli, G.P  (eds),  Integration of outcrop and modern analogs  in 

reservoir modeling. AAPG Memoir 80, 129‐152. 

Wood, L.J., 2004. Predicting tidal sand reservoir architecture using data  from 

modern and ancient depositional systems  .  In:  Gramer,  M.,  Harris,  P.M., 

Eberli,  G.P.  (eds),  Integration  of  Outcrop  and Modern  Analogs  in  Reservoir 

Modeling. American Association of Petroleum Geologists Memoir 80, 45–66. 

Yoshida, S., Jackson, M. D., Johnson, H. D., Muggeridge, A. H., Martinius, A. W., 

2001. Outcrop studies of tidal sandstones for reservoir characterization (Lower 

Cretaceous Vectis Formation,  Isle of Wight, southern England).  In: Martinsen, 

O.J., Dreyer, T. (eds), Sedimentary Environments Offshore Norway ‐ Palaeozoic 

to  Recent.  NPF  Special  Publication  10,  233‐257.  Elsevier  Science  B.V., 

Amsterdam. 

Zaytsev,  I.D.,  Aseyev,  G.G.,  1993.  Properties  of  Aqueous  Solutions  of 

Electrolytes. Boca Raton, Florida, USA CRC Press. 

Zheng, C.M., Gorelick,  S.M.,  2003. Analysis of  solute  transport  in  flow  fields 

influenced by preferential flowpaths at the decimeter scale. Ground Water 41, 

2, 142–155.