Resumo: Os dados sísmicos 4D contêm informações relacionadas às mudanças dinâmicas dos reservatórios de óleo e gás, como mudanças de pressão e saturação. Essas informações são frequentemente combinadas com os dados de produção para atualizar os modelos de simulação de reservatórios. O processo de atualização de modelos com os dados observados é denominado assimilação de dados. Ao usar dados sísmicos 4D, este processo tradicionalmente usa uma modelagem direta de dados sísmicos 4D com duas etapas conectadas executadas em sequência com 2 modelos: petro-elástico (PEM) e sísmico. Cada uma dessas etapas possui particularidades que tornam o processo de assimilação desafiador. O PEM é incerto, especialmente para alguns casos como reservatórios carbonáticos. A modelagem sísmica é tipicamente demorada, o que aumenta o tempo de resposta do uso de informações sísmicas 4D para atualizar os modelos de simulação especialmente nos casos mais recentes com monitoramento permanente. Este trabalho pretende abordar essas duas questões e propor modelos proxy como possíveis formas de substituir a tradicional modelagem direta de dados sísmicos 4D. O trabalho compreende quatro abordagens usando modelos proxy para substituir a modelagem direta. A primeira abordagem propõe uma proxy para o PEM e assimila os dados sísmicos 4D em conjunto com os dados de produção. A segunda abordagem melhora a proxy para o PEM (proposto no primeiro artigo) ao adicionar a porosidade do reservatório em sua formulação; nesta também propomos maneiras de considerar o erro da proxy no processo de assimilação de dados. A terceira abordagem oferece uma proxy para substituir as duas etapas conectadas (PEM mais modelo sísmico) usando modelos de aprendizado de máquina. Por fim, no quarto artigo, fizemos um estudo para avaliar o impacto do conjunto de treinamento no algoritmo de rede neural profunda usado na proxy para modelagem direta sísmica 4D. As implementações dos dois modelos proxy para o PEM na assimilação de dados forneceram resultados satisfatórios comparados à aplicação do PEM. As funções objetivo de dados sísmicos 4D e de produção mostraram respostas semelhantes para as implementações proxy e PEM. Em termos de quantificação de incerteza e previsão de produção, adicionar porosidade à formulação proxy e contabilizar o erro do modelo proxy forneceram respostas semelhantes ao PEM. Portanto, as duas primeiras abordagens mostraram ser uma boa solução para substituir o PEM nos procedimentos de assimilação de dados, tornando-o mais simples e rápido. Na terceira abordagem, os modelos de aprendizado de máquina foram desenvolvidos como uma substituição à abordagem passo a passo tradicional (PEM mais modelo sísmico). A comparação dos resultados dos modelos de aprendizado de máquina e da abordagem tradicional mostrou que os modelos proxy são capazes de gerar sinais sísmicos 4D semelhantes aos da abordagem tradicional (modelagem direta). Os modelos de aprendizado de máquina automatizam a modelagem sísmica direta completa (modelagem PEM e sísmica), evitando passos custoso como transferência de escala e conversão de profundidade a tempo dos dados. No quarto artigo, um algoritmo de rede neural profunda é avaliado para investigar as melhores práticas de treinamento para o desenvolvimento de proxy. Esta proxy permite que os engenheiros realizem a assimilação de dados no domínio da amplitude sísmica, o que pode ser uma grande vantagem em termos do uso rápido desta informação. Este tipo de ferramenta tem grande valor especialmente para reservatórios com monitoramento permanente, onde a assimilação rápida de dados sísmicos 4D é altamente necessária Ver menos

Abstract: Time-lapse seismic data (4D seismic) has information related to the dynamic changes in the oil and gas reservoirs such as saturation-pressure changes. This information is often combined with the production data to update reservoir simulation models. The process of model updating with observed data is called data assimilation. When using 4D seismic data, this process traditionally involves with a 4D seismic forward model with two consecutive steps. The first step is a petro-elastic model (PEM) and the second is a seismic model. Each step of the traditional 4D seismic forward has some particularities making the assimilation process challenging. The PEM is uncertain and it might not be easy to develop a reliable one for some cases. The seismic modelling is time-consuming, increasing the turnaround time of using 4D seismic information to update the simulation models. This work addresses these issues and proposes proxy models to replace the traditional 4D seismic forward modelling. The work comprises four research papers to address the gap in the literature and to use proxy models to replace the traditional approach. The first paper proposes a proxy for the PEM and assimilates 4D seismic data jointly with the production data. The second paper improves the proxy for the PEM (proposed in the first paper) by adding reservoir porosity in the proxy formulation. Moreover, as the proxy approximates the PEM, its application has a model error. The second paper introduces ways to account for the proxy model error in the data assimilation process. The third paper offers a proxy to replace the two connected steps (PEM plus seismic model). Machine learning models are developed and proposed as an alternative to the traditional PEM plus seismic model. Finally, in the fourth paper, we evaluate a deep neural network algorithm as a proxy for 4D seismic forward modeling. The training phase of model development is analyzed and investigated. The implementations of two proxy models for PEM in the data assimilation provide satisfactory data match quality when compared to the PEM application. Both production and 4D seismic data objective functions show similar responses for the proxy and PEM implementations. Regarding uncertainty quantification and production forecast, adding porosity to the proxy formulation and accounting for the proxy model error provide a similar response to the PEM results. Therefore, the first two approaches showed to be good solutions to replace the PEM in the data assimilation procedures, making it simpler and faster. In the third approach, machine learning models are developed to replace the complete seismic forward modeling (PEM plus seismic model). Comparing the results from the machine learning models and the traditional approach shows that the proxy models can generate 4D seismic signals similar to those from the traditional approach but in a much cheaper procedure. Machine learning models automate the PEM and seismic modeling task and reduce cycle time of the 4D seismic forward modeling. Moreover, they avoid scale transformation and depth-to-time conversion of the traditional 4D seismic forward modeling. The fourth paper evaluates a deep neural network algorithm to investigate the best training practices for proxy development. The proxy models enable petroleum engineers to perform joint data assimilation in the amplitude domain while accelerating the data assimilation process. All these benefits make the proxy model valuable especially for permanent reservoir monitoring systems where fast 4D seismic data assimilation is highly demanded Ver menos