Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/349488
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Using data management approaches to improve decision analysis in petroleum field development under uncertainty : Gerenciamento de dados para melhorar as decisoes de desenvolvimento de um campo petrolifero, sob incertezas
Title Alternative: Gerenciamento de dados para melhorar as decisoes de desenvolvimento de um campo petrolifero, sob incertezas
Author: Mahjour, Seyed Kourosh, 1987-
Advisor: Schiozer, Denis José, 1963-
Abstract: Resumo: O gerenciamento de dados durante a análise de decisão no desenvolvimento de campos de petróleo tem um papel significativo na melhoria da interpretação das características do reservatório. Portanto, nos últimos anos, diferentes análises têm sido amplamente aplicadas em diferentes etapas, desde a caracterização, simulação, redução de incertezas e otimização de reservatórios até a análise de decisão. Além disso, a definição de uma estratégia de produção eficiente e confiável requer a consideração de diferentes incertezas do reservatório, econômicas e operacionais. Embora seja ideal gerar realizações com todas as combinações possíveis de incertezas, isto pode resultar em centenas ou milhares de realizações independentes, o que exigiria um tempo extremamente elevado para analisar dos resultados. Portanto, a seleção de um subconjunto de modelos, modelos representativos (RMs), do conjunto completo, considerando o espaço de incertezas de todo o conjunto, geralmente é essencial para reduzir o esforço computacional e acelerar a análise. Neste trabalho, inicialmente foi desenvolvido um fluxo de trabalho, incluindo Hierarchical Cluster Analysis (HCA), modelagem geoestatística e quantificação de incertezas para identificar unidades de fluxo e gerar modelos de reservatório para fins de simulação. A seguir, apresentamos uma solução, com base em uma abordagem estatística integrada e incertezas geológicas, para selecionar RMs do conjunto total de modelos 3D baseado em unidades de fluxo (FUs). O método proposto incluiu uma combinação de escala multidimensional e análise de cluster (IMC). Posteriormente, geramos um novo fluxo de trabalho para selecionar um subconjunto de modelos de reservatório combinando clusterização à distância e assimilação de dados sob todos os tipos de incertezas voltadas para o desenvolvimento e gerenciamento de campo. Finalmente, buscamos comparar duas técnicas de redução de cenários com foco no desenvolvimento do campo: (1) técnica de clusterização baseada na distância entre propriedades com coeficiente de correspondência simples (DCSMC) como um método de redução de cenários com foco nas propriedades estáticas; e (2) técnica RMFinder como método de redução de cenários com foco nas propriedades dinâmicas. Finalmente, foi gerada uma nova estrutura robusta de posicionamento de poço usando os RMs obtidos a partir da integração do método DCMC e da ferramenta RMFinder. As metodologias e fluxos de trabalho aplicados para identificar a unidade de fluxo, caracterizar o reservatório, quantificar a incerteza, e selecionar modelos representativos e foram testadas e avaliadas no caso benchmark UNISIM-II-D, considerando diferentes tipos de incertezas e heterogeneidades do reservatório

Abstract: Data management is critical in decision analysis for the development of petroleum fields and has significant roles in improving the interpretive ability of reservoir features. Hence, in recent years, it has been widely applied in different phases of reservoir characterization, simulation and management, where a fundamental part is to include subsurface uncertainties. Although it is ideal to generate realizations with all the possible combinations of uncertainties, this can result in hundreds or thousands of independent realizations, which would be extremely time-consuming to analyze the results. Therefore, selecting a subset of models, representative models (RMs), from the full-set showing the uncertainty space of the full ensemble is often essential to reduce the CPU effort and accelerate the analysis. In this work, we first developed a workflow including Hierarchical Cluster Analysis (HCA), geostatistical modeling and uncertainty quantification to identify flow units (FUs) and to generate models for simulation purposes. We also presented a solution, based on an integrated statistical approach and geological uncertainties, to select RMs from the 3D FU models. The proposed method including the integration of multi-dimensional scaling and cluster analysis (IMC). Subsequently, we generated a new workflow to select a subset of reservoir models combining distance-based clustering and data assimilation under all types of uncertainties aimed at the field development and management. Next, two scenario reduction techniques were compared focusing on field development purposes: (1) Distance-based Clustering with Simple Matching Coefficient (DCSMC) as a method of scenario reduction using static features; and (2) RMFinder method as a method of scenario reduction using dynamic features. Finally, we generated a novel robust well placement framework using the obtained RMs from the integration of the DCMC method and RMFinder method. The applied methodologies and workflows to identify flow unit, characterize reservoir, quantify uncertainty, and select representative models were tested and evaluated in a synthetic benchmark case named UNISIM-II-D considering different uncertainty types and reservoir heterogeneity
Subject: Engenharia do petróleo
Reservatórios (Simulação)
Avaliação de riscos
Incerteza
Language: Inglês
Editor: [s.n.]
Citation: MAHJOUR, Seyed Kourosh. Using data management approaches to improve decision analysis in petroleum field development under uncertainty: Gerenciamento de dados para melhorar as decisoes de desenvolvimento de um campo petrolifero, sob incertezas. 2020. 1 recurso online (166 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: http://www.repositorio.unicamp.br/handle/REPOSIP/349488. Acesso em: 17 Sep. 2020.
Date Issue: 2020
Appears in Collections:FEM - Tese e Dissertação

Files in This Item:
File SizeFormat 
Mahjour_SeyedKourosh_D.pdf9.18 MBAdobe PDFView/Open


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