Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/351896
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Techniques for comparing 4D seismic data in oil reservoir fields : Técnicas para comparação de imagens sísmicas 4D em campos de petróleo
Title Alternative: Técnicas para comparação de imagens sísmicas 4D em campos de petróleo
Author: Rollmann, Klaus, 1995-
Advisor: Rocha, Anderson de Rezende, 1980-
Abstract: Resumo: Nos últimos anos, dados de sísmica 4D (S4D) têm sido utilizados no processo de assimilação de dados para melhorar modelos numéricos que representam reservatórios reais de petróleo. S4D contém informações espaciais a respeito de mudanças ocorridas no reservatório devido a produção de hidrocarbonetos, como a movimentação de fluidos (óleo, gás, água), por exemplo. Esse dado ajuda os engenheiros a ajustar os modelos de simulação de reservatórios com o intuito de melhorar sua capacidade de fornecer previsões de produção confiáveis. No entanto, em abordagens probabilísticas recentes, é comum haver centenas de cenários de modelos de simulação numérica, o que torna inviável o ajuste manual de cada um desses cenários. Nesse sentido, são necessários métodos automatizados que avaliem modelos numéricos com base nas observações de dados de S4D. Comparar informações espaciais de dados de simulação e sísmica é uma tarefa difícil, pois esses dados são gerados de formas distintas. As abordagens típicas para esse problema são baseadas em erro dos mínimos quadrados, que acaba sendo simplificado a uma comparação de valores de pixel. No entanto, essas abordagens não são adequadas para lidar com diferenças de domínio e diferenças na resolução. Outros métodos procuram contornar essas dificuldades usando a análise de imagens e medindo diferenças 'visuais' observadas nessas imagens. No entanto, a maioria dessas abordagens usa transformações simples e se baseia em características de baixo nível, como formas. Neste trabalho, propomos três abordagens para comparar dados de S4D e modelos de simulação. Os métodos propostos focam na comparação de imagens e nas diferenças 'visuais', permitindo uma comparação direta de mapas no domínio sísmico com mapas no domínio da simulação numérica, sem conversão. Primeiro, propomos uma melhoria na abordagem tradicional, usando um método estatístico para converter as imagens a um domínio comum, evitando as conversões de domínio normalmente usadas. Também propomos duas abordagens originais, usando as Redes Neurais Convolucionais (CNNs), que aprendem características espaciais por meio de milhares de exemplos de treinamento. As CNNs são treinadas usando exemplos compostos de uma imagem de referência (dados sísmicos 4D) e dois modelos de simulação candidatos. Além disso, construímos um conjunto de dados anotado contendo as imagens do modelo de simulação que melhor correspondem à sísmica 4D em diferentes cenários realistas, levando em consideração o conhecimento de especialistas. Usamos esse conjunto de testes para avaliar se um método é capaz de executar de acordo com o que os especialistas esperam. Por fim, apresentamos uma comparação extensiva, qualitativa e quantitativa, das abordagens propostas com outros métodos da literatura. Os resultados mostram que os métodos propostos são capazes de identificar com maior acurácia os modelos mais adequados, de acordo com as respostas dos especialistas

Abstract: In recent years, 4D seismic data (4DS) have been used in the data assimilation process to improve numerical models that represent oil reservoirs. 4DS contains spatial information that provides insights into the reservoir changes caused by hydrocarbon production, such as movement of fluids (oil, gas, water). It helps engineers to calibrate reservoir simulation models and increase their capability of providing reliable production forecasts. However, in recent probabilistic approaches, it is common to have hundreds of numerical simulation model scenarios, which causes manual adjustment of each of those scenarios to be infeasible. In this vein, there is a need for automated methods that evaluate numerical models based on observed 4D seismic data. Comparing spatial information of seismic and numerical simulation data is a difficult task as usually, these data are converted to maps with different properties. Typical approaches are based on least-square error, degenerating in a pixel-wise comparison. However, these approaches suffer to deal with domain differences, scale differences, as well as differences in the lattice grid. Other methods seek to circumvent these difficulties using image analysis to measure 'visual' differences observed in those images. Nevertheless, most of these approaches use simple transformations and rely upon low-level features, such as shapes. In this work, we propose three approaches to compare 4D seismic data and simulation models. Our methods focus on the image comparison and 'visual' differences, enabling a direct comparison of maps in the seismic domain with maps in the numerical simulation domain. We first propose an improvement to traditional methods using a statistical method to convert images of different physical properties into a common property, which can be used as an alternative to avoid forward and/or inversion procedures commonly used to bring 4D seismic and simulation data to a common magnitude. We also propose two novel approaches using Convolutional Neural Networks (CNNs) that learn spatial features through thousands of training examples. The CNNs are trained using examples composed of a reference image (4D seismic data) with two simulation model candidates. Additionally, we build an annotated dataset containing the simulation model images that best match the 4D seismic in different realistic scenarios while taking into account the specialists' knowledge. We use this test set to evaluate if a method is able to perform according to what specialists expect. Finally, we present an extensive comparison, qualitative and quantitative, of our approaches with other methods in the literature. The results show that our proposed methods are capable of more accurately identifying the best-matched models, according to the specialists' answers
Subject: Prospecção sismica
Redes neurais convolucionais
Language: Inglês
Editor: [s.n.]
Citation: ROLLMANN, Klaus. Techniques for comparing 4D seismic data in oil reservoir fields: Técnicas para comparação de imagens sísmicas 4D em campos de petróleo. 2020. 1 recurso online (59 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP.
Date Issue: 2020
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Rollmann_Klaus_M.pdf2.51 MBAdobe PDFView/Open


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