Digital wells for optimal production and drainage

Prosjekt «DigiWell» har utviklet ny kunnskap og nye verktøy for prediksjon og drift av produksjonen på olje- og gassfelt som er beheftet med usikkerhet. FNs bærekraftsmål fokuserer på rimelig og ren energi for alle, og klima-handling. Den raske økningen i globalt energiforbruk vil fremtvinge forbedringer i teknologi for bærekraftig energi, men realistiske scenarier for nær fremtid inkluderer en miks av energikilder, inklusive fossilt brennstoff. Utviklet kunnskap og verktøy i «DigiWell» vil være høyst relevante for bærekraftige energikilder, og «DigiWell» vil som et biprodukt bidra til en hurtigere overgang til bærekraftig energi. «DigiWell» vil bidra til automatisk produksjons-optimalisering som forventes å øke effektiviteten i olje- og gassproduksjon med 2-3%, redusere CO2 utslipp, og redusere bruk av kjemikalier. Spesifikt har «DigiWell» videreutvikle et eksisterende «open source» verktøy MRST (MATLAB Reservoir Simulation Toolbox) fra partner SINTEF for reservoarsimulering. MRST er et modelleringsrammeverk for slike simuleringer. Beregningsdelene i MRST har også blitt implementert som Jutul.jl (JutulDarcy) i dataspråket Julia; Jutul eksekverer simuleringer betydelig raskere enn MRST. Disse modelleringsrammeverk har blitt utvidet i flere retninger: (i) mulighet for å analysere parametrisk modell-usikkerhet, (ii) fullt differensierbare reservoarmodeller (adjungert-støtte) med nytteverdi i følsomhetsanalyse, modelltilpasning, og optimering, (iii) utvikling av Ensemble Smoother for rammeverket, relatert til Markov Chain Monte Carlo metoder, med anvendelse innen parameterestimering, (iv) utvikling av multi-fase rør-/nettverks-modul for å kople sammen reservoarer/produksjonsrør i nettverk, med implisitt koplingsskjema mellom reservoar og rør, (v) integrert verktøy-kjede for å utvikle modeller av redusert orden (surrogat/proxy) og tilpasning av disse til detaljerte modeller, (vi) funksjonalitet i modelleringsrammeverk for integrasjon av kort-tids regulatorer/optimering og langtids-optimering, (vii) verktøy DataScenarios.jl som henter prediksjoner av petroleums-/energipriser, CO2 kostnader, etc fra norske og internasjonale kilder på en kvalitetssjekket måte, (viii) plug-in modul for regulering/korttids-optimering med to klasser korttids-modeller (gass-løft, electric submersible pump-løft), (ix) kode for langtids-optimering (DFTR – derivative-free trust-region lineær optimering), (x) data repository hos partner SINTEF for åpen kildekode av verktøy, eksempler, etc. I tillegg har 4 doktorgrader og 1 post.doc. arbeidet med oppbygging av kunnskap og utvikling av nye metoder innen reservoarsimulering, on-line regulering/optimering for koordinering av multiple brønner under usikkerhet, avstemming av usikre måledata mot fysikkmodeller for dynamiske systemer, modellbaserte metoder for valg av sensorer og aktuatorer («regulerings-arkitektur»), og semantiske modeller for sensorer (bedre håndtering av endringer i målesystemer) kombinert med datadrevne modeller for produksjonsallokering. Et par hundre MSc-studenter har møtt problemstillinger knyttet til prosjektet gjennom hovedoppgaver, semesterprosjekter, og større oppgaver i kurs. En partner har allerede tatt i bruk ny funksjonalitet (MRST, Jutul) i nye prosjekter. En annen partner har tatt i bruk muligheter for (symbolsk) regresjon via språket Julia i produksjonsanalyse. Flere utenlandske universiteter har tatt i bruk Jutul i sin FoU; flere industribedrifter utenom prosjektet har testet ut mulighetene med verktøyene.

The project has lead to an improved understanding of how uncertain information influence the operation of oil fields. The project has produced (i) realistic models of profit and energy efficiency under uncertainty via computer tools for prediction of energy prices, (ii) a toolset of prediction models for oil fields; these include a reservoir simulation tool with added network models and enhanced capabilities for handling uncertainty, as well as short term models that have the potential for refinement and improved ease of use, (iii) methods for profit-energy efficiency balancing of uncertain systems via optimization, with adaptation to satisfy long term performance and stability goals, (iv) methods for handling missing and poor data via Markov Chain Monte Carlo methods; these have the potential to be used in large scale systems, (v) new methods/tools for allocating actuators and sensors in new fields, and (vii) new algorithms for optimal operation of uncertain/new oil fields, utilizing hybrid models combining physics models, surrogate/proxy models, and data driven models. The above outcomes are key factors to reach the UN goals, and carry over to general energy systems. With Norway's energy resources, the project results has strengthened Norway's role as an energy nation.

Affordable and clean energy for everyone, and actions for an improved climate, are two of United Nations Sustainable Development Goals. Any realistic energy solution must combine the entire portfolio of possible energy sources with a gradual transition from the current fossil based economy to a fully sustainable energy economy. To improve the climate in this transition, energy efficiency in oil production must be maximized together with profit. The project aims at developing new methods, algorithms, and tools for oil production with maximized profit and minimum energy consumption under uncertain information. Uncertainties relate to (i) unknown future prices/cost, (ii) uncertainties in operational allocation, and (iii) uncertain knowledge of reservoir and equipment. The project aims at pushing the knowledge front describing profit and energy consumption and how it varies with operational parameters and uncertainty. By combining these cost functions with developed tools of physics models of oil-fields both on short term (minutes-hours) and long term (years), this leads to quantitative short term and long term models which are suitable for developing and testing control algorithms. To maximize short term profit, large scale algorithms for coordinating control for multiple wells under uncertainty will be developed and tested in the modelling tool, while adaptivity of the control algorithms will be tested on the long term models. Feedback control reduces the detrimental effect of uncertainty, and data reconciliation algorithms will be developed to maximize the information content. Because the control architecture determines attainable feedback performance, methods will be developed to select actuators and sensors in new fields. New, hybrid methods combining data driven methods with physics models will help reduce the limitations of physics models for poorly understood, new fields.