Reservoir data assimilation for realistic geology

-Modellering av petroleumsreservoarene er viktig for å kunne utnytte ressursene på en optimal måte; produsere effektivt, lønnsomt og til enhver tid gjøre de riktige beslutningene som f.eks. bestemme hvor en ny brønn skal bores. I dette prosjektet, RESERVOAR DATA ASSIMILLERING FOR REALISTISK GEOLOGI, brukes ensemble baserte metoder som f.eks. Ensemble Kalman Filter (EnKF) for å forbedre reservoarmodellene. (Heretter brukes EnKF istedenfor ensemble baserte metoder for å forenkle.) I EnKF blir et ensemble av reservoarmodeller benyttet, typisk ikke mer enn 100 modeller for å begrense regnetiden. Modellene oppdateres sekvensielt ved å ta i bruk informasjon om reservoaret etterhvert som denne informasjonen blir tilgjengelig. Informasjonen som brukes er produksjonsdata, data fra brønnlogger og noen ganger seismiske data. EnKF er en Monte Carlo metode hvor statistikk fra ensemble brukes til å oppdatere modellene. Resultatet er et nytt sett med modeller som gir en bedre historietilpassing av dataene og som dermed kan gi en mer korrekt prediksjon av reservoaroppførselen. En stor fordel med metoden er usikkerhetsestimatet en får med på kjøpet ved å bruke et ensemble av modeller, både i estimat og i prediksjon. At EnKF er utviklet for å håndtere svakt ikke lineære problemer, og Gaussisk fordelte variabler og målefeil kan være en utfordring når f.eks. realistisk geologi skal håndteres. En annen utfordring ved metoden er at 100 ensemble medlemmer kan være for få, og at feilaktige oppdateringer dermed kan oppstå. I dette prosjektet er fokus å videreutvikle EnKF for å karakterisere komplekse geologiske egenskaper inneholdt i virkelige reservoar (f.eks. plutselige overganger mellom facies typer med ulik karakteristikk, forkastninger, etc.) og å historietilpasse modellene uten å ødelegge de karakteristiske egenskapene som initialt er inneholdt i modellene.

Reliable reservoir simulation models are crucial for improved oil recovery at existing fields. The simulation models allow prediction of future reservoir behavior. This prediction forms the basis for decisions in reservoir management. For example, the mod els can be used to compute the optimal location of infill wells, or to compute the optimal management strategy for a reservoir. Due to the complexity of the reservoir, realistic geological models often include complex spatial dependencies of petrophysic al properties, discontinuities in petrophysical properties at facies boundaries, and inhomogeneous faulting and fracture system. Although a reservoir simulation model is often an up-scaled version of the geological model, a large number of model parameter s is still necessary to appropriately simulate the actual reservoir behavior. Because of the high dimensionality of the model and the non-Gaussian prior probability distributions of the model parameters due to complex geology, obtaining calibrated simulat ion models with plausible geological characteristics and reasonable match to dynamic data is exceptionally difficult. Most history-matching algorithms can only handle a limited number of parameters. This reduction in the number of degrees of freedom in hi story matching often results in models that are not geologically plausible, give poor matches to well data and consequently cannot provide reliable predictions. Some recent ensemble-based history matching methods have the ability to adjust large numbers o f parameters. The standard use of these methods, however, results in reservoir models that match data but are not geological plausible, so that the confidence in future predictions is reduced. The primary objective of this project is to develop methodolo gies for characterization of the complex geological features of the reservoir and to history match models in a geologically consistent manner for improved predictability and quantification of uncertainty.