View Project

Norwegian AI Directory

Digital Subsurface: Flow Diagnostics and Data-Driven Modeling in Optimized Reservoir Management


Description:

For å velge riktig utvinningsstrategi må man utvikle en kvalitativ forståelse av reservoaret og dets oppførsel, undersøke ulike brønnplasseringer, og vurdere forskjellige dreneringsstrategier. Høy regnetid for standard simuleringsverktøy begrenser muligheten til å systematisk utforske forskjellige scenarier og studere effekten av ulike modellantagelser. I prosjektet har vi videreutviklet metoder for flytdiagnostikk som forbedrer forståelsen av flytmønstre i reservoaret, synliggjør og tallfester fluidkommunikasjonen mellom injektorer og produsenter, og gir mål på hvordan geologisk heterogenitet påvirker dreneringen. De nye metodene inkluderer nye visuelle presentasjoner som gir forenkler fortolkningen av resultater fra tradisjonell reservoarsimulering, men vel så viktig, kan metodene også brukes til å studere dynamiske responser uten bruk av kostbare simuleringer eller til å avgrense bruken av slike simuleringer. Et eksempel på det siste er bruk av flytdiagnostikk til å rangere modellensembler for å finne outliers og plukke ut et fåtallig, representative realisasjoner for videre studier. En attraktiv egenskap med flydiagnostikk er at lav regnetid, kombinert med visuelt intuitiv presentasjon av resultater, muliggjør interaktive analyser. I prosjektet har vi demonstrert hvordan brukeren kan endre plassering og styringsstrategier for brønner og umiddelbart få svar på hvordan det endrer dreneringseffektivitet eller nåverdien til reservoaret. Man kan også interaktivt studere hvordan forseglingsegenskapene til forkastninger påvirker rateallokering mellom brønner eller bruke metodene til å planlegge eller analysere resultater av tracereksperimenter. I de senere årene har det vært stort fokus på datadrevne metoder, og i hovedsak metoder som baserer seg på maskinlæring. Rene input-output modeller har begrenset generalitet og en viktig utfordring har vært, og er, hvordan man best kan kombinere datadrevne metoder med kunnskapen som ligger i tradisjonell fysisk modellering. I prosjektet har vi studert en ny angrepsmåte på dette problemet, hvor standard reservoarsimulatorer anvendt på ulike typer nettverksrepresentasjoner av reservoaret brukes for å kalibrere rene datadrevne modeller til observerte data eller for å lage reduserte modeller som søker å reprodusere simulerte resultater fra en mer fullstendig modell. I motsetning til ulike former for maskinlæring, vil disse metodene gi resultater som følger basal flytfysikk. Spesielt har vi utviklet en ny metode, kalt CGNet, som er enkel å sette opp og har gitt svært lovende resultater både for datadreven og redusert modellering. All ny metodikk utviklet i prosjektet er tilgjengelig som åpen kildekode i MRST, en software utviklet av SINTEF som brukes av forskere, ingeniører og studenter over hele verden. Dette inkluderer også nye moduler for ensemblesimulering og for adjungert- og ensemble-basert optimering.


Project leader: Knut-Andreas Lie

Started: 2018

Ends: 2021

Category: Teknisk-industrielle institutter

Sector: Instituttsektor

Budget: 10951338

Institution: SINTEF AS

Address: