[en] APLICATION OF CONVOLUTIONAL AUTOENCODERS INTEGRATED TO ESMDA METHOD FOR ASSISTED HISTORY MATCHING OF FRACTURED RESERVOIR MODELS

[pt] APLICAÇÃO DE REDES CONVOLUCIONAIS AUTOENCODER INTEGRADAS AO MÉTODO ES-MDA PARA AJUSTE DE HISTÓRICO ASSISTIDO DE MODELOS DE RESERVATÓRIOS FRATURADOS

[pt] VITOR HESPANHOL CORTES

[pt] FILTRO DE KALMAN

[pt] REDE NEURAL CONVOLUCIONAL

[pt] ES-MDA

[pt] AUTOENCODER

[pt] AJUSTE DE HISTORICO

[pt] RESERVATORIOS FRATURADOS

[pt] ENGENHARIA DE RESERVATORIOS

[en] KALMAN FILTER

[en] CONVOLUTIONAL NEURAL NETWORK

[en] ES-MDA

[en] AUTOENCODER

[en] HISTORY MATCHING

[en] FRACTURED RESERVOIRS

[en] RESERVOIR ENGINEERING

[pt] O desenvolvimento e gerenciamento da produção de um campo de petróleo depende largamente de ferramentas de simulação de reservatórios. Contudo, para se obter uma previsão de produção confiável de um modelo de simulação, é necessário que ele esteja ajustado aos dados históricos de produção do campo. Dentre os avanços recentes na área de ajuste de histórico, o método ensemble smoother with multiple data assimilation (ES-MDA) vem sendo utilizado com sucesso no ajuste de modelos de reservatórios. Contudo, este método assume que as variáveis do modelo possuam uma função de distribuição Gaussiana, tendo sua performance reduzida ao lidar com atributos discretos, como por exemplo a propriedade de ocorrência/ ausência de corredores de fratura. Portanto, o presente trabalho tem por objetivo integrar uma rede convolucional autoencoder ao processo, sendo capaz de transformar as propriedades representativas dos corredores de fratura em uma propriedade com distribuição Gaussiana, que sirva de parâmetro de entrada para o ES-MDA, além de ser capaz de decodificar sua saída nas propriedades originais.

[en] The development and management of oil fields relies on reservoir simulation tools. However, in order to obtain a reliable forecast, the reservoir model response must be fitted to measured production data. Among recent advances in history matching area, the ensemble smoother with multiple data assimilation method (ES-MDA) has been successfully applied to adjust the reservoir model parameters. However, the method assumes that these parameters have a Gaussian distribution function, and its performance is reduced when dealing with discrete atributes, such as fracture occurrence/absence property. Therefore, the present work aims to integrate a convolutional autoencoder to the process, being able to codify the representative property of the fracture corridors into a property with Gaussian distribution, which will be used as input parameter for the ES-MDA method, and also being able to decode its output into the original property.

SMITH WASHINGTON ARAUCO CANCHUMUNI

2019-03-21

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=37433@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=37433@2

https://doi.org/10.17771/PUCRio.acad.37433