Automatic prediction of reservoir inflow using data-driven physical modelling

Norske miljøer er verdensledende innen flerfase forskning og innovasjon. I 2012 ble flerfaseteknologi kåret av Aftenposten som en av to teknologier som har betydd mest i form av verdiskapning for det Norske samfunnet siden 1980. Dette har resultert i flere velrenommerte flerfase strømnings-simulatorer som OLGA, LedaFlow og nå også den nye simulatoren fra Turbulent Flux. Disse simulatorene spiller i dag en viktig rolle for både design av nye olje & gass felt og for den daglige operasjonen av slike felt. Selv om disse simulatorene brukes rutinemessig for å gi innsikt i operasjoner på produserende felt, brukes de sjelden til å gi sanntids informasjon til operatørene. I stedet brukes de reaktivt av en liten gruppe eksperter, for å foreslå løsninger på produksjonsproblemer som oppstår. Turbulent Flux gjør disse simuleringene lettere tilgjengelig for å kunne gi råd i sanntid til personene i kontrollrommet. For å få til dette er det veldig viktig å redusere både kompleksiteten for brukerne og krav til vedlikehold av slike systemer. Ett av problemene med å bruke og vedlikeholde sanntids flerfasesimulering systemer er å bestemme hva som strømmer inn fra reservoar til brønn. Spesielt når situasjonen i brønnen endrer seg over tid. Denne strømmen brukes som en grensebetingelse i simuleringen, og er kritisk for å få gode simuleringsresultater. Vanligvis er dette simulert ved hjelp av semiempiriske matematiske modeller, som kalibreres til en stabil strømningssituasjon. Ettersom disse ikke fanger opp transienter i strømningen fra reservoar til brønn krever de ofte løpende vedlikehold og kalibrering. Den pågående digitaliseringstrenden i olje & gass industrien gjør at langt mere data enn tidligere er tilgjengelig for bruk til å automatisk bestemme ukjente parametere i innstrømningsmodeller i sanntid. I dette prosjektet har vi fokusert på å bruke simuleringsmodeller i kombinasjon med dataanalyse for å automatisk bestemme hvilke kjente matematiske modeller som best beskriver reservoaroppførsel, samt bestemme de ukjente parameterne i disse modellene. Dette reduserer kompleksiteten av sanntids flerfasesimuleringssystemer samt gjøre slike systemer vedlikeholdsfrie. En sentral oppgave i prosjektet har vært å gruppere og klassifisere eksisterende semiempiriske matematiske modeller for innstrømning. Dette arbeidet har vært basert på en kombinasjon av måledata og syntetiske data generert ved simuleringer. I tillegg har prosjektet gjort en grundig gjennomgang av publikasjoner for å finne publiserte data-drevne metoder for innstrømning, uten å finne noen arbeider av betydning. Som alternativ til de hovedsakelig steady state baserte IPR modellene har prosjektet utviklet egne dynamiske modeller for trykk og strømningsrater. Dette ble utført etter at betydelig analyse av underlagsdataene i prosjektet avdekket manglende korrelasjon av IPR-type. Disse modellene ble utviklet med mål om å fange både transiente og steady state betingelser, og er basert på massebevaring og Darcy-type relasjon mellom trykkgradient og strømningsrater. I prosjektet har dataanalyse blitt brukt til å bestemme parametere i etablerte semiempiriske innstrømningsmodeller, samt rangere kvaliteten av de ulike modellene. Dette er gjennomført ved å bruke historiske data for å etablere modeller som kan brukes til prediksjon av strømningsrater frem i tid, samt vurdere kvaliteten av disse prediksjonene. Som et resultat av dette arbeidet har det blitt utviklet to applikasjoner, der den ene er basert på direkte regresjon med mulighet for å påtvinge stykkevis kontinuerlige funksjoner mens den andre er basert på en Bayesiansk fremgangsmåte der fordelingsfunksjoner for de ukjente parameterne benyttes. Formålet med begge applikasjonene er å: 1. etablere modellparametere fra historiske data 2. vurdere kvalitet, egnethet/robusthet for en gitt modell 3. estimere utviklingen av modellparametere i tid. Resultatene i prosjektet viser at publiserte innstrømningsmodeller har klare begrensninger, spesielt med tanke på prediktive egenskaper frem i tid. Prosjektet har kommet frem til at frihetsgradene i innstrømningsmodellene, kombinert med usikkerhet i måledata, gjør det umulig å etablere modellparametere med høy grad av konfidens i lengre perioder frem i tid, når responsen fra reservoaret endrer seg signifikant. Prosjektet har resultert i en kontinuerlig oppdatert og forbedret modell, men med gyldighet innenfor en begrenset tidsperiode. Metodene og applikasjonene som er utviklet vil kunne brukes for å validere og forbedre IPR-modellene i bruk og lede til forbedrede prediksjoner. Integrert med virtuelle strømningsmålere gir dette mer pålitelige resultater og muliggjør bruk av disse målerne til å forbedre effektiviteten og sikkerheten i eksisterende produksjonssystemer for olje og gass.

Få publiserte studier har brukt dataanalyse for å bestemme frie parametere i innstrømningsmodeller (IPR). Disse er sentrale for operatørers produksjonsplanlegging. Forbedringer i IPR bidrar indirekte til mere effektiv og sikker produksjon og har derfor stor verdi for operatør. Gjennom prosjektet har vi vist at publiserte IPR har klare begrensninger, resultatene kan brukes til å øke bevisstheten om gyldighetsområdet. Metodene som er utviklet ved å kombinere dataanalyse av brønndata og IPR brukes for å validere og forbedre modellene. Integrert i virtuelle strømningsmålere gir dette mer pålitelige resultater. Turbulent Flux vil jobbe videre med å tilpasse metodene, med mål om å bli fullt integrert i kommersielle løsninger, samt presentere i forum relevante for industrien. Prosjektet har involvert parter fra ulike domener, med bakgrunn i fysikk, matematikk, programvareutvikling og industri. Dette har bidratt til å etablere et fagmiljø i Norge med ny kompetanse som det kan bygges videre på.

Norway has been the world leading hub for multiphase research and innovation for 40 years. This has resulted in renowned transient multiphase flow simulators, such as OLGA, LedaFlow, FlowManager and now the simulator from Turbulent Flux. These simulators are ubiquitous and play an important role in both the design and daily operations of oil and gas fields. A key driver in the current digitalization trend in the industry is the desire to leverage vast amounts of data to support and guide operational decisions. This includes using sensor data to guide real-time multiphase flow simulations in understanding physical processes in production systems. One such application is Virtual Flow Meters (VFM). A significant challenge in using this type of technology in e.g. VFM, is to accurately predict the flow from the reservoir into the well. In fact, modelling the proper response from the reservoir is a key component to predict flow-behaviour ahead in time. Although existing solutions provide approaches to specify the reservoir inflow, they all rely on engineering experience and regular intervention and maintenance. It is industry practice to use Inflow Performance Relationships (IPR’s) to model reservoir inflow. A multitude of IPR models exists, but all are valid only within a limited parameter range. Moreover, selecting an IPR model is a manual task, left to the judgement of the engineer. Furthermore, all models contain empirical constants, which are manually updated as the conditions in the reservoir changes. With the increased availability of sensor data, it is now possible to take a new and data-driven approach to predict reservoir inflow. The project will use large amounts of data, both system- and sensor-data, to guide the determination of inflow. This approach will increase the accuracy of real-time multiphase flow simulations, reduce installation cost and remove costly maintenance of the system completely.