Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/344413
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Integração da geoestatística no processo de assimilação de dados de produção em reservatórios de petróleo
Title Alternative: Integration of geostatistical modeling in data assimilation process in oil reservoirs
Author: Oliveira, Gonçalo Soares de, 1990-
Advisor: Schiozer, Denis José, 1963-
Abstract: Resumo: A simulação numérica de reservatórios é importante na gestão e desenvolvimento de campos de petróleo. Devido à dificuldade de caracterização e representação das propriedades dos reservatórios existem muitas incertezas no processo, que fazem com que os modelos criados possam não ser inicialmente representativos do campo. A assimilação de dados é um processo iterativo que integra dados dinâmicos para calibrar os modelos, minimizando a diferença entre o dado de histórico e o dado simulado, auxiliando no processo de redução de incertezas e aumentando a confiabilidade dos modelos usados na previsão de produção com o objetivo de melhorar o processo de tomada de decisão. Um dos principais desafios atuais deste tipo de processo é o tratamento das propriedades petrofísicas localmente mantendo a consistência geológica. Para viabilizar este tratamento, muitas vezes são feitas simplificações que tornam os modelos inconsistentes com a caracterização geológica. Desta forma, o objetivo deste trabalho é desenvolver uma metodologia de assimilação de dados de produção, que considere tanto as incertezas nas propriedades petrofísicas do modelo distribuídas espacialmente como incerteza nos atributos escalares, integrando a modelagem geoestatística no processo para que os modelos calibrados sejam geologicamente consistentes. A distribuição e perturbação das propriedades contínuas são realizadas com a Co-Simulação Sequencial Gaussiana (Co-SGS) e, as propriedades categóricas, distribuição das fácies, é realizada usando a Simulação Sequencial da Indicatriz (SIS) e a perturbação usa o Método de Perturbação de Probabilidades (PPM). Os métodos de perturbação de imagens (Co-SGS e o PPM) usam apenas uma imagem para ajustar dados dinâmicos, fazendo com que a resposta fique influenciada pela escolha da imagem, que pode não ser representativa do reservatório. Com o objetivo de minimizar o impacto da escolha da imagem, foi proposta uma adaptação da Co-SGS e do PPM para que um conjunto de imagens por região seja utilizado na construção da informação secundária que condicionará as novas realizações geoestatísticas, aumentando a variabilidade dos modelos calibrados e minimizando o risco de convergência para um mínimo local. A metodologia proposta permite, por meio de modificações regionais controladas, realizar ajustes locais (por poços), minimizando o impacto em poços adjacentes. Uma análise de sensibilidade foi desenvolvida com o objetivo de auxiliar a perturbação das imagens, identificando a correlação entre a caracterização petrofísica local e os dados dinâmicos de cada poço. A metodologia foi aplicada ao benchmark UNISIM-I-H, que contém 14 poços produtores, 11 poços injetores e um histórico de 4018 dias (11 anos) e cuja construção foi baseada no Campo de Namorado da Bacia de Campos. Os resultados obtidos mostram que a metodologia permite obter um conjunto de modelos calibrados respeitando as premissas previamente assumidas na caracterização geológica e petrofísica. A principal contribuição do presente trabalho é o desenvolvimento de uma metodologia de assimilação de dados de produção que permita lidar com diferentes incertezas, incluindo a caracterização petrofísica, mantendo a consistência geológica dos modelos calibrados. A metodologia permite um ajuste local aumentando a velocidade de convergência e diminuindo a probabilidade de desajuste durante o processo iterativo. Foi proposta a utilização de múltiplas imagens para diminuir o peso da influência da escolha das imagens e aumentar a variabilidade dos modelos calibrados e diminuindo a probabilidade de convergência para um conjunto de soluções parecidas

Abstract: Reservoir simulation is important in the development and management of oil fields. Due to the difficulty to characterize and represent reservoir properties, there are many uncertainties in the process, resulting in models that may not be representative of the field. Data assimilation is an iterative process that integrates dynamic data to calibrate the models, minimizing the difference between simulated and history data, assisting uncertainty reduction process and increasing the reliability of the models used in production forecast with the objective of improving the decision making. One of the main challenges of this process is the uncertainty reduction of petrophysical properties is to local perturb while guaranteeing geological consistency. Simplifications are often made that make the models not consistent with the geological characterization. The focus of this work is to develop a data assimilation methodology, which considers both the uncertainties in the spatially distributed model properties and uncertainty in scalar attributes, integrating geostatistical modeling into the process to guarantee that the calibrated models are geologically consistent. The spatial distribution and perturbation of the continuous properties is done with the Sequential Gaussian Co-Simulation (Co-SGS) while for the categorical properties (facies), the Sequential Indicator Simulation (SIS) is used to do simulate de petrophysical properties while the Probability Perturbation Method (PPM) is used to perturb the facies distribution. The image perturbation methods (Co-SGS and PPM) use a single reservoir image as reference to match the dynamic data. This image, which may not be representative of the reservoir model, will influence a posteriori reservoir models. With the purpose of minimizing the impact of the chosen image, an improvement to the usual Co-SGS and PPM was proposed so that a set of images is used to build the secondary information that will condition the new models, increasing calibrated models¿ variability and minimizing the risk of converging to a local minimum. The proposed methodology allows a local perturbation of petrophysical properties, so that the history matching of a single well does not affect the adjacent wells. We developed a sensitivity analysis to help the process by identifying the correlation between the local petrophysical characterization and the dynamic data from each well. The methodology was applied to the benchmark UNISIM-I-H, which has 14 producers, 11 injectors and a total of 4018 days (11 years) of history data, which the building was based on the Namorado field in the Campos Basin. Results show that the proposed methodology allows the calibration of the models by reducing the uncertainty of both petrophysical and scalar attributes, guaranteeing that the geological and petrophysical characterization premises are guaranteed. The main contribution of the present work is the development of a data assimilation methodology that allows to deal with different uncertainties, including the petrophysical characterization, guaranteeing the geological consistency of the calibrated models. The methodology allows a local perturbation, increasing the speed of convergence and decreasing the probability of mismatch during the iterative process. It was proposed the use of multiple images to reduce the influence of the chosen image, increase the variability of the calibrated models and decrease the probability of convergence for a set of similar solutions
Subject: Assimilação contínua de dados
Reservatórios de petróleo
Language: Português
Editor: [s.n.]
Citation: OLIVEIRA, Gonçalo Soares de. Integração da geoestatística no processo de assimilação de dados de produção em reservatórios de petróleo. 2020. 1 recurso online (129 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP.
Date Issue: 2020
Appears in Collections:FEM - Tese e Dissertação

Files in This Item:
File SizeFormat 
Oliveira_GoncaloSoaresDe_D.pdf12.31 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.