Dissertação

{pt_PT=Balancing Static and Dynamic Match and Uncertainty Qualification in Stochastic History Matching} {} EVALUATED

{pt=As incertezas intrínsecas em modelos de reservatórios constituem a principal preocupação na tomada de decisões para o desenvolvimento e gestão de reservatórios de hidrocarbonetos. A incerteza nos modelos resulta da escassa informação e de medições indirectas de dados que podem comprometer a credibilidade da previsão da produção. O ajuste de histórico é habitualmente usado em modelação de reservatórios com a finalidade de reduzir as incertezas relacionadas aos dados dinâmicos observados, mas geralmente negligencia a consistência geológica do modelo. Consequentemente, apesar de reproduzir a resposta dinâmica do reservatório, o modelo pode evidenciar características geológicas irrealistas. O presente trabalho propõe uma metodologia para ajuste de histórico de reservatórios aplicada num caso de estudo padrão de referência na indústria. O processo de ajuste de histórico passa pela aplicação de uma abordagem de optimização multi-objectivo com amostragem estocástica adaptativa, Multi-Objective Particle Swarm Optimisation. Após optimização de parâmetros geológicos, é obtido o ajuste das propriedades petrofísicas e das variáveis de produção. A incerteza nas previsões é quantificada e caracterizada através de técnicas de inferência Bayesiana, Neighbourhood Algorithm-Bayes e Bayesian Model Averaging. A metodologia proposta provou que em modelos com diferentes parametrizações, o ajuste dinâmico continua bom e as propriedades estáticas são melhor reproduzidas. É identificado um bom balanço entre os objectivos estático e dinâmico, levando a distribuições mais realistas do modelo. Na dedução das previsões, os modelos com diferentes parametrizações demonstraram previsões fidedignas tanto a nível de poços como de produção cumulativa de óleo e água, estando o valor real englobado no intervalo credível P10-P50-P90., en=The inherent uncertainties in reservoir models pose a major concern for decision making in the development and management of hydrocarbon reservoirs. Uncertainties in reservoir models result from sparse and indirect data measurements that can compromise the production forecasting reliability. History matching is usually used to reduce uncertainties in reservoir modelling related to observed dynamic data but often neglects the geological consistency of the model. Therefore, although being able of reproducing the dynamic response of the reservoir, the models may be characterized by unrealistic geological features. The present work proposes a geologically consistent methodology for reservoir history matching implemented in a standard industry benchmark case. The history matching process encompasses the use of a multi-objective optimisation approach with adaptive stochastic sampling, the Multi-Objective Particle Swarm Optimisation. Geological parameters are optimised and the match to petrophysical properties and production variables is obtained. The uncertainty of predictions is quantified and characterized by Bayesian inference techniques such as Neighbourhood Algorithm-Bayes and Bayesian Model Averaging. The proposed methodology proved that under different model parameterisations, the quality of the dynamic matches is still good and the static data are reproduced better. A good balance between static and dynamic objectives can be identified leading to model distributions more realistic. When inferring predictions, the different model parameterisations not only showed reliable forecasting at individual wells but also regarding cumulative oil and water production with the truth being encapsulated in the credible interval P10-P50-P90.}
{pt=Ajuste de histórico, bom balanço, estático e dinâmico, en=History matching, good balance, static and dynamic}

Dezembro 4, 2017, 9:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Leonardo Azevedo Guerra Raposo Pereira

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Professor Auxiliar

ORIENTADOR

Vasily Demyanov

Heriot Watt University

Professor Associado