Dissertação

{en_GB=The value of History Matching in Field Development} {} EVALUATED

{pt=O processo de decisão no desenvolvimento de campo tem que ser robusto e bem-informado. Este processo é influenciado pela qualidade da representação do reservatório que é obtido fazendo o ajuste dos dados observados do campo. Muitas realizações do reservatório são geradas com diferentes valores de desajuste, e, consequentemente, diferentes propriedades de reservatório), indicando a vasta incerteza associada com a geologia do reservatório. Esta tese propõe uma abordagem para avaliar o valor da qualidade e no realismo do ajuste de histórico na procura de decisões ótimas de desenvolvimento do reservatório através da otimização da localização de um novo poço em dois casos de estudo padrão de referência na indústria. A fase da otimização é feita em modelos bem e menos-bem ajustados através de uma abordagem de otimização multi-objectivo com amostragem estocástica adaptativa, Multi-Objective Particle Swarm Optimisation. No primeiro caso de estudo, o poço implementado é vertical e a sua localização é otimizada. No segundo caso de estudo o novo poço é horizontal e a sua direção é otimizadas. A estimação da incerteza das soluções ótimas é quantificada usando uma combinação do Neighbourhood Algorithm com a inferência Bayesiana, Neighbourhood Algorithm Bayes (NAB).Com o primeiro caso de estudo, concluiu-se que embora os modelos menos-bem ajustados tenham obtido soluções ótimas (localização do poço) semelhantes às encontradas pela otimização do Truth Case, em termos de FOPT e FWPR estes modelos apresentam baixos valores de produção. Com segundo caso de estudo concluiu-se que há maior incerteza no fator de recuperação nos modelos menos-bem ajustados. , en=The decision-making in field development must be well informed and robust. This process is influenced by the quality of the reservoir representation obtained by history matching the observed production data of the field. From history matching, many models’ realisations are generated with different values of misfit and, consequently, different reservoir properties), indicating the vast uncertainty associated with the reservoir geology. This thesis proposes an approach to evaluate the value of history matching quality and realism in finding optimal reservoir development decisions by optimising a new well location in two industry benchmark cases. The optimisation phase is done, in poorly- and well-matched models, with a multi-objective optimisation approach with adaptive stochastic sampling, the Multi-Objective Particle Swarm Optimisation. In the first case study, a vertical well is implemented, and its location is optimised. In the second case study, the new well is horizontal, and its direction is optimised. The uncertainty estimation of optimal solutions is quantified using a combination of neighbourhood algorithm with Bayesian inference, i.e. neighbourhood algorithm Bayes (NAB). The first case study showed that despite the poorly-matched models obtained optimal solutions (well locations) similar to the ones found by the Truth Case optimisation, in terms of FOPT and FWPR these models present low production values. The second case study showed that there is more uncertainty in the recovery factor for the poorly-matched models.}
{pt=Ajuste de Histórico, Multi-objective Optimisation, Particle Swarm Optimisation, Inferência Bayesiana, Otimização de poços, en=History Matching, Multi-objective Optimisation, Particle Swarm Optimisation, Bayesian Inference, Well optimisation}

Novembro 29, 2018, 16:0

Orientação

ORIENTADOR

Vasily Demyanov

Heriot-Watt University

Professor

ORIENTADOR

Leonardo Azevedo Guerra Raposo Pereira

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Assistant Professor