View Project

Norwegian AI Directory

Decision-driven big data and analytics for the digital subsurface


Description:

DIGIRES er et Petromaks-2 og industriprosjekt som tar sikte på å utvikle neste generasjons digitale arbeidsflyter for utvikling og styring av oljereservoarer. Sådan adresserer DIGIRES nye utfordringer i petroleumsindustrien knyttet til prosessering og integrering av et stort antall data med modeller for reservoarkarakterisering. NORCE koordinerer prosjektet som er støttet fra Equinor, Aker BP, Vår Energy, Neptune Energy, DEA Wintershall, Petrobras og Lundin. Universitetet i Stavanger er en forskningspartner i prosjektet. Prosjektet bygger på en integrert filosofi for undergrunnsmodellering. Vi bruker flere modellrealisasjoner til å karakterisere usikkerhet sammen med digitalisering for å håndtere store datamengder. Prosjektets mål er å "forbedre beslutningstaking og usikkerhetsanalyse for planlegging og feltutvikling ved å bruke en beslutningsstyrt ensemblebasert tilnærming." Dermed er et essensielt element i DIGIRES, overgangen fra datadrevet til beslutningsstyrte arbeidsflyter og transformasjonen til big-data-analyse og digitalisering. DIGIRES kombinerer dataanalyse med modellprediksjoner og ekspertkunnskap. Et spesielt prosjektresultat er implementeringen og demonstrasjonen av ensemblebasert beslutningstaking for reservoarstyring. DIGIRES arbeidsflyter og grensesnitt muliggjør effektiv håndtering av store mengder reservoardata. Prosjektet vil forbedre reservoarforståelse og beslutningstaking for å maksimere fremtidig verdiskaping. DIGIRES integrerer industriell erfaring og teknologiløsninger, ekte feltdata og forskning fra uavhengige institutter og akademia. Sådan bruker DIGIRES de mest oppdaterte teknologiske løsningene og metodene på petroleumsreservoarer med store datamengder. En viktig leveranse fra DIGIRES er full implementering av en ny subspace EnRML metode (en iterativ ensemble smoother) i Ensemble Reservoir Tool (ERT). Equinor har nå godkjent denne metoden for generell bruk i selskapet. Vi har publisert to artikler som dokumenterer arbeidet med den nye EnRML metoden og dens ERT-implementering. Vi har løst et problem med å håndtere modellfeil i historietilpasning. Basert på dette arbeidet har vi omformulert historietilpasningsproblemet med konsistent feilstatistikk og illustrert hvordan vi kan løse problemet ved hjelp av EnRML metoden. Denne studien vil trolig endre hvordan vi i fremtiden historietilpasser reservoarmodeller. Disse metodene blir nå implementert for operasjonell bruk i industri partnerenes programvare, gjennom seperate industri prosjekter. Vi har også utviklet en "particle flow"-metode for historietilpasning i et samarbeid med Petrobras. Vi har publisert en ny metode for å optimalisere diskrete kontrollvariabler (som borerekkefølge), som vi nå tester på feltapplikasjoner i samarbeid med industripartnerne. Vi har nylig utvidet dette arbeidet til å ta hensyn til reservoarusikkerhet og støtter således robust optimalisering. Denne metoden blir nå implementert for operasjonell bruk i industri partnerenes programvare, gjennom seperate industri prosjekter. Vi har utviklet en åpen Python-opplærings pakke for ensemble historietilpasning og -optimalisering som er spesielt egnet for undervisning og til opplæring av reservoaringeniører. Vi publiserer nå nye resultater der vi ved hjelp av Bayesianske optimaliseringsmetoder optimaliserer brønnkontroller og produksjonsstrategier. Vi har utviklet metoder for seismisk datakomprimering, og vi har demonstrert hvordan man kan betinge modeller på komprimerte seismiske data. Vi har studert virkningen av risikoholdninger i beslutningsprosser og demonstrert robust ensembleoptimalisering innen beslutningstaking.


Project leader: Geir Evensen

Started: 2018

Ends: 2022

Category: Teknisk-industrielle institutter

Sector: Instituttsektor

Budget: 17199682

Institution: NORCE NORWEGIAN RESEARCH CENTRE AS

Address: