Geosteering for improved oil recovery

Plassering av brønner i et underjordisk reservoar er en svært viktig faktor for utvinning av olje og gass. Prosessen med å justere retningen til brønnen under boring som et resultat av nylig oppnådde informasjon om geologien kalles geostyring. Beslutninger tatt når man geostyrer er generelt basert på geologiske modeller. For å ta best mulige beslutninger under boring er det nødvendig at de geologiske modellene for brønnområdet er godt kalibrert mot målinger og at usikkerheten kvantifiseres. Dagens arbeidsprosesser for geostyring lider av mangler. (i) Det er svært utfordrende å kalibrere geomodeller til Deep Electromagnetic (DeepEM) målinger og Logging While Drilling (LWD) målinger for komplekse formasjoner. (ii) Det er mangel på fleksibilitet i dagens geomodeller for støtte strukturelle oppdateringer og raske lokale oppdateringer. (iii) Det er mangel på en systematisk og konsistent arbeidsflyt for å kvantifisere komplekse geologiske usikkerheter og bruke denne informasjonen når man tar beslutninger om geostyring. Hovedmålet med dette prosjektet er å utvikle en metodikk for å ta informerte beslutningen under geostyring ved å kontinuerlig oppdatere geomodellen basert på LWD-målinger inkludert DeepEM-målinger. Prosjektet har utviklet den første prototypen av et interaktivt Decision Support System (DSS) og prototypen er brukt på en syntetisk studie i 2018. Systemet bruker en komplett arbeidsflyt med oppdatering av flere (ensemble) modellrealiseringer og gjennomfører beslutningsanbefalingene. Resultatene viser statistisk optimal brønnlanding i komplekse tilfeller med flere mål (https://doi.org/10.1016/j.petrol.2019.106381). For å sammenligne DSS med beslutninger tatt av geostyringseksperter har prosjektet, i samarbeid med NFES, organisert en geostyringskonkurranse i løpet av Formation Evaluation and Geosteering workshop i 2019. Systemet presterte bedre enn 95 % av deltakerne. Den utviklede nettbaserte konkurranseplattformen kan videre brukes som benchmark for sekvensielle avgjørelser under usikkerhet (se https://doi.org/10.1016/j.acags.2021.100072). Resten av aktivitetene i prosjektet er å forbedre spesifikke deler av metodikken og adresserer de sekundære prosjektmålene: (a) behandling av realistiske DeepEM-målinger, (b) utvikle en mer fleksibel geomodellrepresentasjon, og (c) forbedre den ensemble-baserte arbeidsflyten. Sanntidstolking av DeepEM-målinger krever rask og pålitelig modellering. Avhengig av den nødvendige oppdateringsfrekvensen, kan det kreves ulike nivåer av detaljer. I prosjektet har vi utviklet en dyp-neural-nettverksbasert modell som er opplært til å tilnærme en kommersiell 1D Extra-Deep EM-simulator og kan simulere 5000 loggposisjoner per sekund (https://doi.org/10.1190/geo2020- 0389.1). Vi har også utviklet en leverandøruavhengig rask integrert ligningsmetode som kan løse hele Maxwells ligning i 2D og 3D på sekunder. Valget av modeller innenfor den sannsynlige ensemble-baserte arbeidsflyten gjør det mulig å tilpasse DSS til behovene i forskjellige geostyringsoperasjoner. Videre har vi demonstrerte at samtidig assimilering av 'grunne' kjernefysiske tetthetslogger forbedrer muligheten for å se fremover under geostyring (https://doi.org/10.30632/SPWLA-2021-0105). Den transparente arbeidsflyten for geostyring krever geomodeller som representerer de relevante geologiske usikkerhetene og er egnet for sanntidsoppdateringer. For komplekse geologiske miljøer tok vi i bruk generative adversarial networks (GAN) som brukes i "dyp forfalskninger" for å parametrisere, reprodusere og oppdatere realistisk geologi (https://doi.org/10.3997/1365-2397.fb2021051). Vi videreutviklet også den 2D geomodellen fra den opprinnelige arbeidsflyten til en lagdelt 3D geomodell. Denne ble så brukt for å representere deler av en 3D modell brukt på en reell operasjon i Barentshavet. Med et ensemble av slike geomodeller kan vi redusere usikkerheten i 3D selv ved bruk av 1D-målinger. For begge tilfeller kan arbeidsflyten beregne sannsynlighetene for forskjellige geologiske objekter, og hjelpe til med beslutningsstøtte. Tilnærmingene i geomodellene og den raske modelleringen av målinger krever flere forutsetninger for å fungere i sanntid. Dette vil uunngåelig forårsaker såkalte modellfeil. I motsetning til målefeilene kan ikke disse hensyntas av standard ensemble-baserte oppdateringsalgoritmer. For å redusere effekten av modellfeil under geostyring med en dyp-neural-nettverksbasert DeepEM-modell introduserer vi den fleksible iterative ensemble-utjevneren. Sammenlignet med resultatene fra en deterministisk inversjon, med kommersielt verktøy, for en reell historisk operasjon er den nye fleksible algoritmen kvalitativt sammenlignbar. Men, den nye fleksible algoritmen kvantifiserer også usikkerheten i posisjonene til geologiske grenser i sanntid.

The main outcome is the developed geosteering workflow that combines mathematics, computer science, decision theory, geology, and engineering. We also demonstrated several state-of-the-art machine learning techniques in geosteering. The research network and the ideas developed in the project contributed to establishing SFI DigiWells and other collaborations might also result in new research and innovation in the future. 19 academic papers are published (+3 evaluated) in international journals and conferences. The published research furthers computational geosciences, engineering, and decision theory. The academic software resulting from the project is used for further research by NORCE, University of Stavanger, Herriot Watt University, University of the Basque Country, Software Competence Center Hagenberg. There is a tentative plan to pilot the real-time geosteering workflow which uses deep learning and automatically accounts for modeling errors in Aker BP and Equinor in 2022.

Geosteering decisions are generally based on geological models. To make optimal decisions while drilling, it is necessary that geological models for the near wellbore region are well calibrated against measurements and that the uncertainty is quantified. The current work processes for geosteering suffer from shortcomings. (i) It is highly challenging to calibrate geomodels to deep Electromagnetic Measurements (EM) and Logging While Drilling (LWD) measurements for complex formations. (ii) There is a lack of flexibility in the current geomodels for support of structural updates and fast local updates. (iii) There is a lack of a transparent, systematic and consistent workflow for quantifying complex geological uncertainties in the geomodel, and considering them when making geosteering decisions. The primary objective of this project is to develop methodology for geosteering by continuously updating geomodel based on LWD measurements including deep EM measurements. To achieve this objective, we will address the following secondary objectives; - Ensemble-based geosteering workflow. Develop and improve an ensemble-based workflow for geosteering that would integrate seamlessly with reservoir management. - Processing deep EM measurements. Apply appropriate EM forward modelling tools and investigate efficient processing of EM measurements for integration in geosteeering workflow - Flexible earth model representation. Further develop a flexible representation of the geological model that supports local updates and uncertainty modelling of the geological structures and properties in real-time.