Decision-driven big data and analytics for the digital subsurface

DIGIRES er et Petromaks-2 og industriprosjekt som tar sikte på å utvikle neste generasjons digitale arbeidsflyter for utvikling og styring av oljereservoarer. Sådan adresserer DIGIRES nye utfordringer i petroleumsindustrien knyttet til prosessering og integrering av et stort antall data med modeller for reservoarkarakterisering. NORCE koordinerer prosjektet som er støttet fra Equinor, Aker BP, Vår Energy, Neptune Energy, DEA Wintershall, Petrobras og Lundin. Universitetet i Stavanger er en forskningspartner i prosjektet. Prosjektet bygger på en integrert filosofi for undergrunnsmodellering. Vi bruker flere modellrealisasjoner til å karakterisere usikkerhet sammen med digitalisering for å håndtere store datamengder. Prosjektets mål er å "forbedre beslutningstaking og usikkerhetsanalyse for planlegging og feltutvikling ved å bruke en beslutningsstyrt ensemblebasert tilnærming." Dermed er et essensielt element i DIGIRES, overgangen fra datadrevet til beslutningsstyrte arbeidsflyter og transformasjonen til big-data-analyse og digitalisering. DIGIRES kombinerer dataanalyse med modellprediksjoner og ekspertkunnskap. Et spesielt prosjektresultat er implementeringen og demonstrasjonen av ensemblebasert beslutningstaking for reservoarstyring. DIGIRES arbeidsflyter og grensesnitt muliggjør effektiv håndtering av store mengder reservoardata. Prosjektet vil forbedre reservoarforståelse og beslutningstaking for å maksimere fremtidig verdiskaping. DIGIRES integrerer industriell erfaring og teknologiløsninger, ekte feltdata og forskning fra uavhengige institutter og akademia. Sådan bruker DIGIRES de mest oppdaterte teknologiske løsningene og metodene på petroleumsreservoarer med store datamengder. En viktig leveranse fra DIGIRES er full implementering av en ny subspace EnRML metode (en iterativ ensemble smoother) i Ensemble Reservoir Tool (ERT). Equinor har nå godkjent denne metoden for generell bruk i selskapet. Vi har publisert to artikler som dokumenterer arbeidet med den nye EnRML metoden og dens ERT-implementering. Vi har løst et problem med å håndtere modellfeil i historietilpasning. Basert på dette arbeidet har vi omformulert historietilpasningsproblemet med konsistent feilstatistikk og illustrert hvordan vi kan løse problemet ved hjelp av EnRML metoden. Denne studien vil trolig endre hvordan vi i fremtiden historietilpasser reservoarmodeller. Disse metodene blir nå implementert for operasjonell bruk i industri partnerenes programvare, gjennom seperate industri prosjekter. Vi har også utviklet en "particle flow"-metode for historietilpasning i et samarbeid med Petrobras. Vi har publisert en ny metode for å optimalisere diskrete kontrollvariabler (som borerekkefølge), som vi nå tester på feltapplikasjoner i samarbeid med industripartnerne. Vi har nylig utvidet dette arbeidet til å ta hensyn til reservoarusikkerhet og støtter således robust optimalisering. Denne metoden blir nå implementert for operasjonell bruk i industri partnerenes programvare, gjennom seperate industri prosjekter. Vi har utviklet en åpen Python-opplærings pakke for ensemble historietilpasning og -optimalisering som er spesielt egnet for undervisning og til opplæring av reservoaringeniører. Vi publiserer nå nye resultater der vi ved hjelp av Bayesianske optimaliseringsmetoder optimaliserer brønnkontroller og produksjonsstrategier. Vi har utviklet metoder for seismisk datakomprimering, og vi har demonstrert hvordan man kan betinge modeller på komprimerte seismiske data. Vi har studert virkningen av risikoholdninger i beslutningsprosser og demonstrert robust ensembleoptimalisering innen beslutningstaking.

DIGIRES has to lead to new state-of-the-art methods for ensemble history matching, robust optimization, and robust decision making. "Robust" denotes that we take the reservoir uncertainty into account in the optimization and decision making. DIGIRES has revised the formulation of the history matching problem and has led to a new formulation with consistent error statistics that will be the standard in future history matching applications. DIGIRES has provided and demonstrated a closed-loop reservoir management workflow. It uses an ensemble of models to represent the reservoir uncertainty, ensemble history matching for recursive updating of the reservoir description, ensemble optimization methods for finding the best production- or drilling strategy, and robust ensemble-based decision methods for decision making.

Better knowledge of the uncertainty reduces risks and leads to better decisions. The problem is first to create a consistent uncertainty basis and after that to use the knowledge about the uncertainty in a mathematically coherent and computationally efficient manner in the decision process. This project builds on our previous experience from ensemble-based conditioning and optimization, from which we postulate the hypothesis that "it is possible to develop computationally efficient ensemble methods for probabilistic decision making in high-dimensional and nonlinear dynamical systems," taking the uncertainty into account. The approach taken is to use multiple realizations and ensemble methods for generating the best possible uncertainty basis and then develop decision methods that use the ensemble of realizations as input in the decision-making process. The project addresses the challenges: 1. How can we formulate an ensemble framework that provides accurate (in agreement with data) and consistent (in agreement with theory) knowledge about the probability of an event? 2. How can knowledge about the probability as represented by an ensemble of model states best be used to improve decision making and risk management, and create additional value? If successful, this project will provide computationally affordable methods for decision making under uncertainty that integrates well with the ensemble modeling currently used in many fields, and particularly in reservoir modeling, for prediction of uncertainty and model conditioning. We will perform several studies together with our industry partners where we use the ensemble decision system for real reservoir-management problems with real data. The need for robust decision methods has become apparent when working with oil companies, which, in most cases, make decisions based on a single "best" model realization. The number of industry participants in the project documents the interest in DIGIRES.