Digital Subsurface: Flow Diagnostics and Data-Driven Modeling in Optimized Reservoir Management

For å velge riktig utvinningsstrategi må man utvikle en kvalitativ forståelse av reservoaret og dets oppførsel, undersøke ulike brønnplasseringer, og vurdere forskjellige dreneringsstrategier. Høy regnetid for standard simuleringsverktøy begrenser muligheten til å systematisk utforske forskjellige scenarier og studere effekten av ulike modellantagelser. I prosjektet har vi videreutviklet metoder for flytdiagnostikk som forbedrer forståelsen av flytmønstre i reservoaret, synliggjør og tallfester fluidkommunikasjonen mellom injektorer og produsenter, og gir mål på hvordan geologisk heterogenitet påvirker dreneringen. De nye metodene inkluderer nye visuelle presentasjoner som gir forenkler fortolkningen av resultater fra tradisjonell reservoarsimulering, men vel så viktig, kan metodene også brukes til å studere dynamiske responser uten bruk av kostbare simuleringer eller til å avgrense bruken av slike simuleringer. Et eksempel på det siste er bruk av flytdiagnostikk til å rangere modellensembler for å finne outliers og plukke ut et fåtallig, representative realisasjoner for videre studier. En attraktiv egenskap med flydiagnostikk er at lav regnetid, kombinert med visuelt intuitiv presentasjon av resultater, muliggjør interaktive analyser. I prosjektet har vi demonstrert hvordan brukeren kan endre plassering og styringsstrategier for brønner og umiddelbart få svar på hvordan det endrer dreneringseffektivitet eller nåverdien til reservoaret. Man kan også interaktivt studere hvordan forseglingsegenskapene til forkastninger påvirker rateallokering mellom brønner eller bruke metodene til å planlegge eller analysere resultater av tracereksperimenter. I de senere årene har det vært stort fokus på datadrevne metoder, og i hovedsak metoder som baserer seg på maskinlæring. Rene input-output modeller har begrenset generalitet og en viktig utfordring har vært, og er, hvordan man best kan kombinere datadrevne metoder med kunnskapen som ligger i tradisjonell fysisk modellering. I prosjektet har vi studert en ny angrepsmåte på dette problemet, hvor standard reservoarsimulatorer anvendt på ulike typer nettverksrepresentasjoner av reservoaret brukes for å kalibrere rene datadrevne modeller til observerte data eller for å lage reduserte modeller som søker å reprodusere simulerte resultater fra en mer fullstendig modell. I motsetning til ulike former for maskinlæring, vil disse metodene gi resultater som følger basal flytfysikk. Spesielt har vi utviklet en ny metode, kalt CGNet, som er enkel å sette opp og har gitt svært lovende resultater både for datadreven og redusert modellering. All ny metodikk utviklet i prosjektet er tilgjengelig som åpen kildekode i MRST, en software utviklet av SINTEF som brukes av forskere, ingeniører og studenter over hele verden. Dette inkluderer også nye moduler for ensemblesimulering og for adjungert- og ensemble-basert optimering.

Prosjektet har gjort det mulig å bringe ideer vi har forsket på i snart to tiår opp til et TRL-nivå hvor de nå kan brukes i industrien. Noen resultater er allerede i bruk, mens andre forventes å bidra til å forenkle modellering og fortolkning av dynamiske simuleringer i årene framover. Resultater fra prosjektet er synliggjort bredt, både nasjonalt og internasjonalt, og viktige kontakter er knyttet som på sikt vil føre til økt internasjonalt forskningssamarbeid. Som et ledd i prosjekt har vi utvikle robust og veldokumentert åpen kildekode som gjør flytdiagnostikk allment tilgjengelig, og vi har allerede sett flere eksempler på at andre forskningsmiljø har plukket opp og brukt metodene vi har utviklet. Siste, men ikke minst, har vi økt vår egen kompetanse innen fysikk-basert maskinlæring og utviklet en ny angrepsmåte for datadreven modellering som ser svært lovende ut og vil danne grunnlag for mye ny forskning.

Simulating multiphase flow is time-consuming using standard reservoir simulators. This limits the ability to build cause and effect knowledge for the field by systematically exploring alternative model assumptions and different production/injection strategies. We will develop highly efficient computational methods to help engineers evaluate the effect of geological heterogeneity, locate regions likely to remain unswept, and provide estimates of sweep and displacement efficiency. The new tools will present how injection and production wells communicate in a visually intuitive way, and can be used to postprocess simulation results or as standalone tools for performing insightful what-if analysis, ranking ensembles of equiprobable geological models, and optimizing recovery strategies under uncertainty. The most critical R&D challenges include: 1) Develop new methods for measuring the effect of heterogeneity and forecasting recovery efficiency orders-of-magnitude faster than conventional reservoir simulation. This includes both model-based and combined model/data-based approaches. 2) Extend these methods to incorporate uncertainty, e.g., given in the form of ensemble models. 3) Demonstrate how the methods can be used to optimize injection plans. The project will provide reservoir engineers with new and intuitive computational tools that will enhance their understanding of reservoir models and simulated data, reduce the turnaround time for modeling, and simplify the process of working with ensemble models and finding optimal recovery strategies.