Risk-informed closed-loop field development workflow for practical applications
Ashish Kumar Loomba
TESE
Inglês
T/UNICAMP L873r
[Fluxo de trabalho de desenvolvimento de campo em malha fechada informado de risco para aplicações práticas]
Campinas, SP : [s.n.], 2022.
1 recurso online (226 p.) : il., digital, arquivo PDF.
Orientador: Denis José Schiozer
Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica
Resumo: O desenvolvimento de um campo de petróleo e gás depende das informações descritas no plano de desenvolvimento do campo (FDP, field development plan) que rege a implementação de uma estratégia de produção ao longo do ciclo de vida do projeto. Entretanto, a escassez de informações e muitas...
Ver mais
Resumo: O desenvolvimento de um campo de petróleo e gás depende das informações descritas no plano de desenvolvimento do campo (FDP, field development plan) que rege a implementação de uma estratégia de produção ao longo do ciclo de vida do projeto. Entretanto, a escassez de informações e muitas incertezas técnicas e geológicas tornam o processo de tomada de decisão para seleção de FDP uma tarefa desafiadora. Dessa forma, uma equipe multidisciplinar é mandatória para tomar várias decisões de investimento para maximizar a função objetivo do projeto. Assim, um processo de desenvolvimento convencional de campos de petróleo pode oferecer um FDP abaixo do ideal devido a uma enorme lacuna de informações. Tal configuração requer um processo de desenvolvimento de campo baseado em retroalimentação de informações para otimizar recorrentemente o FDP usando informações acumuladas ao longo do tempo para maximizar a função objetivo do projeto. O desenvolvimento de campo em malha fechada (CLFD, Closed Loop Field Development) é um fluxo de trabalho de desenvolvimento de campo baseado em retroalimentação com uma combinação exaustiva de tarefas multidisciplinares para usar dados adquiridos com frequência para otimizar a função objetivo do projeto. No entanto, estudos anteriores mostraram que o CLFD pode falhar por várias razões teóricas. Além disso, os fluxos de trabalho existentes dificilmente são adequados para revisar os FDPs para campos gigantes ou complexos que exigem modelos de simulação muito demorados. Com base nesses fatos, este trabalho propõe um fluxo de trabalho CLFD eficiente e informado sobre o risco, utilizando quatro estudos científicos. No primeiro estudo, para entender melhor o CLFD, identificamos e enfatizamos o impacto de etapas individuais no CLFD para entender e mitigar possíveis problemas. Introduzimos um fluxo de trabalho CLFD informado sobre riscos no segundo trabalho e o testamos em dois estudos de caso com esse entendimento aprimorado. Um CLFD informado sobre riscos utiliza percepções de uma abordagem sistemática para avaliar os riscos associados ao desenvolvimento de campo para tomar decisões robustas para o campo real. No estudo subsequente, propomos e comparamos quatro métodos de otimização de FDP e suas vantagens e desvantagens do ponto de vista do fluxo de trabalho CLFD. No quarto trabalho, aplicamos um fluxo de trabalho CLFD eficiente e informado sobre riscos em um estudo de caso representando um campo gigante para destacar algumas preocupações práticas ao usar esses fluxos de trabalho. Para resumir, a principal contribuição deste trabalho é apresentar dois fluxos de trabalho CLFD validados para promover um processo de tomada de decisão sólido, eficiente e informado sobre riscos sob incertezas geológicas para um campo de tamanho típico e gigante. Enquanto o primeiro fluxo de trabalho é abrangente e preparado para modelos mais rápidos, o último é mais eficiente e aplicável para aplicações práticas e demoradas. Sem um fluxo de trabalho eficiente, um ciclo do fluxo de trabalho CLFD pode consumir muito tempo e, portanto, pode ser impraticável desenvolver um campo com modelos de simulação baseados em física que demandam muito esforço computacional. Além disso, a aplicação dos fluxos de trabalho CLFD em todos os estudos de caso forneceu vários entendimentos interessantes sobre o tema. A tese também estabelece novas técnicas de otimização para uma otimização FDP mais rápida, ao mesmo tempo em que promove a probabilidade de sucesso da solução otimizada sobre o conjunto de cenários geológicos viáveis. Para concluir, os estudos de reservatórios lutam para prever adequadamente o desempenho do reservatório devido às suas características inerentes de precisão, viés e erro. Apesar dessas características, um CLFD eficiente e informado sobre o risco oferece uma oportunidade ideal para assimilar novas informações em fases específicas e melhorar a compreensão do campo, que é visível na forma de decisões aprimoradas
Ver menos
Abstract: The development of an oil and gas field follows a field development plan (FDP) which governs the implementation of a production strategy throughout the project's lifespan. But, a dearth of information and copious technical and geological uncertainties makes the decision-making process very...
Ver mais
Abstract: The development of an oil and gas field follows a field development plan (FDP) which governs the implementation of a production strategy throughout the project's lifespan. But, a dearth of information and copious technical and geological uncertainties makes the decision-making process very challenging. Thus, a multidisciplinary team is mandated to make several front-end investment decisions regarding infrastructure and wells to maximize the project's objective function. Consequently, such a conventional field development process may offer a suboptimal FDP due to a massive information gap. Such a setup necessitates a feedback-based field development process to recurrently optimize FDP using accrued information over time for maximizing the project’s objective function. Closed-loop field development (CLFD) is a feedback-based field development workflow with an exhaustive combination of multidisciplinary tasks to use frequently acquired data for optimizing the project’s objective function. Nevertheless, previous studies have shown that CLFD could fail for several theoretical reasons. Furthermore, the existing workflows are hardly suitable for revising the FDPs for giant or complex fields that require extensively time-consuming simulation models. Reasoning from these facts, this work proposes an efficient and risk-informed CLFD workflow utilizing four scientific studies. In the first study, we identify and emphasize the impact of individual steps in CLFD to recognize and mitigate potential problems. We introduce a risk-informed CLFD workflow in the second work and test it on two case studies with an improved understanding of CLFD. A risk-informed CLFD utilizes insights from a systematic approach for evaluating risks associated with field development to make well-informed decisions for the field. In the subsequent study, we propose and compare four FDP optimization methods and their advantages and disadvantages from the perspective of the CLFD workflow. In the fourth work, we apply an efficient and risk-informed CLFD workflow on a giant benchmark case study to highlight some practical concerns while using such workflows. To summarize, the main contribution of this work is to introduce two validated CLFD workflows for promoting a deliberate, accelerated, and risk-informed decision-making process under geological uncertainties for typical-sized as well as giant fields. While the first workflow is comprehensive and equipped for faster models, the latter is more efficient and applicable for time-consuming and practical applications. Without an efficient workflow, a cycle of the CLFD workflow can be extensively time-intensive, and thus, it can be impractical to develop a field with expensive physics-based simulation models. Furthermore, the application of the CLFD workflows on all the case studies provided several interesting insights on the topic. The thesis also establishes new optimization techniques for faster FDP optimization while promoting the likelihood of success of the optimized solution over the ensemble of geologically feasible scenarios. To conclude, reservoir studies struggle to predict reservoir performance adequately due to their inherent characteristic of accuracy, bias, and error. Despite these characteristics, a risk-informed and efficient CLFD provides an ideal opportunity to assimilate new information over stipulated phases and improve the understanding of the field, which is visible in the form of improved decisions
Ver menos
Aberto
Schiozer, Denis José, 1963-
Orientador
Romeu, Regis Kruel
Avaliador
Cavalcante Filho, Jose Sergio de Araujo
Avaliador
Santos, Susana Margarida da Graça, 1989-
Avaliador
Risk-informed closed-loop field development workflow for practical applications
Ashish Kumar Loomba
Risk-informed closed-loop field development workflow for practical applications
Ashish Kumar Loomba