Dissertação

{pt_PT=Facies History Matching Using an Ensemble-Based Method Coupled to Generative Adversarial Networks} {} APPROVED

{pt=O desenvolvimento de ferramentas de modelização geoestatística e o aumento no poder computacional impulsionaram projectos de geo-modelização em termos de caracterização geológica. Consequentemente, tornou-se comum na indústria petrolífera a geração de modelos realísticos caracterizados pela distribuição de fácies. No entanto, métodos de ajuste de histórico podem falhar em preservar o realismo desses modelos, particularmente em casos com características não-lineares e não-Gaussianas. Muitos métodos foram propostos para conservar as fácies enquanto se assimilam dados históricos. Contudo, ainda existem desafios não solucionados para métodos mais robustos. Essa tese avalia um método de ajuste de histórico que utiliza aprendizagem profunda para parametrizar os modelos de fáceis e uma técnica de conjuntos de modelos para assimilar dados dinâmicos. Especificamente, o aperfeiçoador de conjuntos com assimilação múltipla de dados é utilizado para condicionar as saídas da rede neural pré-treinada aos dados de produção. Aplica-se essa abordagem em dois problemas sintéticos, um com canais e outro com fracturas. Eles compreendem modelos bidimensionais com uma distribuição binária de fáceis e esquema de produção 5-pontos. Os resultados são promissores para ambas as fases de parametrização e condicionamento. A rede neural mostrou-se capaz de parametrizar o problema com sucesso. Adicionalmente, o método de assimilação de dados acoplado a rede neural profunda produziu conjuntos de modelos ajustados historicamente que honraram o modelo geológico pré-estabelecido. O trabalho também incluiu avaliação da performance do método considerando parâmetros de assimilação. Os casos de análise de sensibilidade mostraram resultados perspicazes, indicando o possível caminho a ser seguido no projecto de pesquisa correspondente na empresa., en=The development of modern geostatistical modeling tools and the increase in computational power have boosted geo-modeling workflows in terms of geological characterization. Hence, it has become increasingly common in the oil industry to generate realistic earth models characterized by complex facies distributions. However, history matching methods may fail to preserve the realism of these geological models, particularly in cases with nonlinear and non-Gaussian features. Many methods have been proposed to preserve facies connectivity patterns while assimilating historical production data. However, there are still unsolved challenges towards more robust approaches. This MSc. thesis evaluates a history matching workflow that makes use of a deep learning model to parameterize facies models and an ensemble-based method to assimilate dynamic data. Specifically, the ensemble smoother with multiple data assimilation is used to condition the outputs of a pre-trained generative adversarial network to the production data. The work applies this approach in two synthetic history matching problems, one with channels and the other with fractures. They comprise two-dimensional reservoir models with a binary distribution of facies and a 5-spot production scheme. The results are promising for both parametrization and conditioning phases. The deep neural network showed to parameterize the problem successfully. Moreover, the data-assimilation method coupled to the deep neural network produced ensembles of history-matched models that honored the underlying geological model. The work also included an assessment of the method performance considering several algorithm parameters. The sensitivity analysis runs provided insightful outcomes, indicating the possible way-forward of the corresponding research project in the company.}
{pt=Ajuste de histórico, Modelos de fácies, ES-MDA, GAN, Parametrização, en=History Matching, Facies Models, ES-MDA, GAN, Parameterization}

Orientação

ORIENTADOR

Leonardo Azevedo Guerra Raposo Pereira

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Professor Auxiliar

ORIENTADOR

Philippe Berthet

Total S.A.

Especialista