CA2276853C - Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine - Google Patents
Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine Download PDFInfo
- Publication number
- CA2276853C CA2276853C CA002276853A CA2276853A CA2276853C CA 2276853 C CA2276853 C CA 2276853C CA 002276853 A CA002276853 A CA 002276853A CA 2276853 A CA2276853 A CA 2276853A CA 2276853 C CA2276853 C CA 2276853C
- Authority
- CA
- Canada
- Prior art keywords
- model
- stochastic
- medium
- coefficients
- linear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Méthode pour déformer de façon graduelle, en totalité ou localement un modèle stochastique de type gaussien ou apparenté d'un milieu hétérogène tel qu'une zone souterraine, contraint par un ensemble de paramètres relatifs à la structure du milieu. - La méthode comporte le tirage d'un nombre p au moins égal à deux, de réalisations indépendantes d'une partie au moins du modèle choisi du milieu, parmi toutes les réalisations possibles et une combinaison linéaire de ces p réalisations avec p coefficients tels que la somme de leurs carrés est égale à 1. Cette combinaison linéaire constitue une nouvelle réalisation du modèle stochastique et elle se déforme graduellement lorsque l'on modifie graduellement les p coefficients. La méthode peut comporter plus généralement plusieurs étapes itératives de déformation graduelle, avec combinaison à chaque étape d'une réalisation composite obtenue à l'étape précédente avec q nouvelles réalisations indépendantes tirées de l'ensemble des réalisations. La méthode donne la possibilité de déformer graduellement des réalisations d'un modèle représentatif du milieu tout en modifiant les paramètres statistiques relatifs à la structure du milieu. La méthode permet aussi des déformations graduelles individuelles de différentes parties du modèle tout en préservant la continuité entre ces parties. - Application à la construction de modèles stochastiques de réservoirs contraints à des données non linéaires (données liées à l'écoulement des fluides).</SDO AB>
Description
METHODE POUR DEFORMER GRADUELLEMENT UN MODELE STOCHASTIQUE
D'UN MILIEU HETEROGENE TEL QU'UNE ZONE SOUTERRAINE
La présente invention concerne une méthode pour déformer graduellement partiellement ou en totalité des réalisations ou représentations d'un milieu hétérogène tel qu'une zone souterraine, qui sont toutes la traduction d'un modèle stochastique de type gaussien ou apparenté c'est-à-dire incluant un modèle gaussien sous jacent.
La méthode selon l'invention trouve des applications notamment dans la construction d'un modèle stochastique d'une formation souterraine, contraint par des données non linéaires.
ART ANTERIEUR
Des exemples d'utilisation de modèles gaussiens pour modéliser la structure du sous-sol sont décrits par :
- Journel, A.G. and Huijbregts Ch.J.: "Mining Geostatistics", Academic Press, 1978 ; ou - Matheron, G. et al : Conditional Simulation of the Geometry of Fluvio-deltaic Reservoirs , paper SPE 16753 ; SPE Annual Technical Conference and Exhibition, Las Vegas, 1987.
La contrainte des modèles stochastiques à un ensemble de données non linéaires peut être considérée comme un problème d'optimisation avec définition d'une fonction objectif mesurant l'accord entre des données mesurées dans le milieu à modéliser et des réponses correspondantes du modèle stochastique, et minimisation de cette fonction. Une bonne méthode de déformation se doit de respecter les trois caractéristiques suivantes : a) le modèle déformé doit être une réalisation du modèle stochastique ; b) il doit produire une fonction objectif régulière pouvant être traitée par un algorithme d'optimisation efficace ; et c) la déformation doit être telle que l'on puisse couvrir en entier l'espace des solutions.
la Parmi les méthodes de déformation connues, on peut citer la méthode selon iaquelle on échange les valeurs en deux points d'une réalisation du modèle stochastique i.e. d'une réalisation ou représentation du milieu étudié
traduisant le
D'UN MILIEU HETEROGENE TEL QU'UNE ZONE SOUTERRAINE
La présente invention concerne une méthode pour déformer graduellement partiellement ou en totalité des réalisations ou représentations d'un milieu hétérogène tel qu'une zone souterraine, qui sont toutes la traduction d'un modèle stochastique de type gaussien ou apparenté c'est-à-dire incluant un modèle gaussien sous jacent.
La méthode selon l'invention trouve des applications notamment dans la construction d'un modèle stochastique d'une formation souterraine, contraint par des données non linéaires.
ART ANTERIEUR
Des exemples d'utilisation de modèles gaussiens pour modéliser la structure du sous-sol sont décrits par :
- Journel, A.G. and Huijbregts Ch.J.: "Mining Geostatistics", Academic Press, 1978 ; ou - Matheron, G. et al : Conditional Simulation of the Geometry of Fluvio-deltaic Reservoirs , paper SPE 16753 ; SPE Annual Technical Conference and Exhibition, Las Vegas, 1987.
La contrainte des modèles stochastiques à un ensemble de données non linéaires peut être considérée comme un problème d'optimisation avec définition d'une fonction objectif mesurant l'accord entre des données mesurées dans le milieu à modéliser et des réponses correspondantes du modèle stochastique, et minimisation de cette fonction. Une bonne méthode de déformation se doit de respecter les trois caractéristiques suivantes : a) le modèle déformé doit être une réalisation du modèle stochastique ; b) il doit produire une fonction objectif régulière pouvant être traitée par un algorithme d'optimisation efficace ; et c) la déformation doit être telle que l'on puisse couvrir en entier l'espace des solutions.
la Parmi les méthodes de déformation connues, on peut citer la méthode selon iaquelle on échange les valeurs en deux points d'une réalisation du modèle stochastique i.e. d'une réalisation ou représentation du milieu étudié
traduisant le
2 modèle. Cette méthode est utilisée dans la technique dite de recuit simulé
bien connue des spécialistes. Un exemple en est décrit par :
- Deutch, C.: "Conditioning reservoir models to well test information", in Soares, A. (ed.), Geostatistics Troia'92, pp.505-518, Kluwer Academic Pub., 1993.
Comme un échange arbitraire viole la continuité spatiale d'un modèle stochastique, il est nécessaire d'inclure tin variogramme dans la fonction objectif, ce qui rend l'optimisation très fastidieuse.
Une autre méthode connue est la méthode dite des points pilotes, qui est décrite par exemple par :
- de Marsily, G. et al : Interpretation of lnterference Tests in a Well Field using Geostatistical Techniques to fit the Permeability Distribution in a Reservoir Model in Verly, G. et al (ed.), Geostatistics for Natural Resources Charaterization, Part 2, 831-849, D. Reidel Pub. Co, 1984.
Cette méthode consiste essentiellement à choisir un certain nombre de points d'une réalisation (représentation) initiale, à calculer les dérivées (les coefficients de sensibilité) de la fonction objectif par rapport aux valeurs en ces points, et ensuite à modifier les valeurs aux points pilotes pour tenir compte de ces coefficients de sensibilité. Une nouvelle réalisation est formée par la méthode connue dite de krigeage conditionnel. Il peut en résulter qu'une modification des valeurs aux points pilotes en utilisant les coefficients de sensibilité, conduise à
une modification indue du variogramme même si le krigeage conditionnel est utilisé ensuite, en particulier quand le nombre de points pilotes devient important.
DEFINITION DE L'INVENTION
La méthode selon l'invention permet de déformer graduellement au moins une partie d'une image représentative d'un milieu hétérogène tel qu'une zone souterraine, ladite image constituant une première réalisation d'un modèle
bien connue des spécialistes. Un exemple en est décrit par :
- Deutch, C.: "Conditioning reservoir models to well test information", in Soares, A. (ed.), Geostatistics Troia'92, pp.505-518, Kluwer Academic Pub., 1993.
Comme un échange arbitraire viole la continuité spatiale d'un modèle stochastique, il est nécessaire d'inclure tin variogramme dans la fonction objectif, ce qui rend l'optimisation très fastidieuse.
Une autre méthode connue est la méthode dite des points pilotes, qui est décrite par exemple par :
- de Marsily, G. et al : Interpretation of lnterference Tests in a Well Field using Geostatistical Techniques to fit the Permeability Distribution in a Reservoir Model in Verly, G. et al (ed.), Geostatistics for Natural Resources Charaterization, Part 2, 831-849, D. Reidel Pub. Co, 1984.
Cette méthode consiste essentiellement à choisir un certain nombre de points d'une réalisation (représentation) initiale, à calculer les dérivées (les coefficients de sensibilité) de la fonction objectif par rapport aux valeurs en ces points, et ensuite à modifier les valeurs aux points pilotes pour tenir compte de ces coefficients de sensibilité. Une nouvelle réalisation est formée par la méthode connue dite de krigeage conditionnel. Il peut en résulter qu'une modification des valeurs aux points pilotes en utilisant les coefficients de sensibilité, conduise à
une modification indue du variogramme même si le krigeage conditionnel est utilisé ensuite, en particulier quand le nombre de points pilotes devient important.
DEFINITION DE L'INVENTION
La méthode selon l'invention permet de déformer graduellement au moins une partie d'une image représentative d'un milieu hétérogène tel qu'une zone souterraine, ladite image constituant une première réalisation d'un modèle
3 stochastique de type gaussien ou apparenté, caractérisée en ce qu'elle comporte les étapes suivantes:
a) on génère au moins une seconde réalisation du modèle stochastique indépendante de ladite première réalisation;
b) on construit une nouvelle réalisation en effectuant une combinaison linéaire des première et seconde réalisations indépendantes, cette combinaison comportant des coefficients (ai) tels que la somme de leurs carrés est égale à 1;
c) on déforme ladite partie de ladite image en modifiant graduellement lesdits coefficients (ai) de la combinaison linéaire.
La méthode peut comporter plus généralement plusieurs étapes itératives de déformation graduelle, avec combinaison à chaque étape d'une réalisation composite obtenue à l'étape précédente avec q nouvelles réalisations indépendantes tirées de l'ensemble des réalisations.
De préférence, la méthode permet la déformation graduelle d'un modèle représentatif du milieu tout en modifiant les paramètres statistiques relatifs à la structure du milieu.
De préférence, la méthode permet aussi d'effectuer des déformations graduelles individuelles de différentes parties du modèle tout en préservant la continuité entre ces parties (c'est-à-dire par exemple la reproduction d'un variogramme attaché à ce modèle).
De préférence, les coefficients de la combinaison linéaire sont des fonctions trigonométriques.
De préférence, comme modèle, on peut utiliser un modèle gaussien ou apparenté au type gaussien: modèle lognormal, gaussier tronqué, etc.
De préférence, par rapport à l'art antérieur, la méthode selon l'invention est fondée sur une base théorique plus solide pour la déformation des modèles stochastiques. Elle donne aussi la possibilité de modifier les paramètres (souvent de valeurs incertaines a priori) de variogrammes en même temps que la déformation d'une réalisation d'un modèle stochastique. Enfin, grâce à la possibilité des déformations individuelles de différentes parties du modèle, la 3a méthode selon l'invention donne une plus grande souplesse et une plus grande efficacité à l'opérateur pour l'ajustement du modèle stochastique à la réalité
des terrains. En cela, la méthode selon l'invention permet de rapprocher l'ajustement des modèles stochastiques de l'ajustement des modèles déterministes par zonation traditionnellement employé par les ingénieurs de réservoir.
a) on génère au moins une seconde réalisation du modèle stochastique indépendante de ladite première réalisation;
b) on construit une nouvelle réalisation en effectuant une combinaison linéaire des première et seconde réalisations indépendantes, cette combinaison comportant des coefficients (ai) tels que la somme de leurs carrés est égale à 1;
c) on déforme ladite partie de ladite image en modifiant graduellement lesdits coefficients (ai) de la combinaison linéaire.
La méthode peut comporter plus généralement plusieurs étapes itératives de déformation graduelle, avec combinaison à chaque étape d'une réalisation composite obtenue à l'étape précédente avec q nouvelles réalisations indépendantes tirées de l'ensemble des réalisations.
De préférence, la méthode permet la déformation graduelle d'un modèle représentatif du milieu tout en modifiant les paramètres statistiques relatifs à la structure du milieu.
De préférence, la méthode permet aussi d'effectuer des déformations graduelles individuelles de différentes parties du modèle tout en préservant la continuité entre ces parties (c'est-à-dire par exemple la reproduction d'un variogramme attaché à ce modèle).
De préférence, les coefficients de la combinaison linéaire sont des fonctions trigonométriques.
De préférence, comme modèle, on peut utiliser un modèle gaussien ou apparenté au type gaussien: modèle lognormal, gaussier tronqué, etc.
De préférence, par rapport à l'art antérieur, la méthode selon l'invention est fondée sur une base théorique plus solide pour la déformation des modèles stochastiques. Elle donne aussi la possibilité de modifier les paramètres (souvent de valeurs incertaines a priori) de variogrammes en même temps que la déformation d'une réalisation d'un modèle stochastique. Enfin, grâce à la possibilité des déformations individuelles de différentes parties du modèle, la 3a méthode selon l'invention donne une plus grande souplesse et une plus grande efficacité à l'opérateur pour l'ajustement du modèle stochastique à la réalité
des terrains. En cela, la méthode selon l'invention permet de rapprocher l'ajustement des modèles stochastiques de l'ajustement des modèles déterministes par zonation traditionnellement employé par les ingénieurs de réservoir.
4 Présentation des figures D'autres caractéristiques et avantages de la méthode selon l'invention, apparaîtront à la lecture de la description ci-après d'un exemple non limitatif de réalisation, en se référant aux dessins annexés où :
- la Fig.1 montre un exemple de schéma d'optimisation itérative selon la méthode;
- la Fig.2a représente un exemple de champ de perméabilité lognormal constituant un modèle de référence;
- Fig.2b montre les courbes de pression et de sa dérivée logarithmique issues d'une simulation numérique d'un essai de puits dans le modèle de référence;
- la Fig.3a montre un exemple de champ de perméabilité lognormal associé à
une première réalisation du modèle;
- la Fig.3b montre une comparaison entre les courbes de pression associées respectivement à la réalisation 1 et au modèle de référence;
- la Fig.4a montre un exemple de champ de perméabilité lognormal associé à
une deuxième réalisation du modèle;
- la Fig.4b montre une comparaison entre les courbes de pression associées respectivement à la réalisation 2 et au modèle de référence;
- les Fig.5a et 5b représentent respectivement les courbes de variation de la fonction objectif en fonction du paramètre p dans une échelle linéaire et dans une échelle logarithmique;
- la Fig.6a montre un exemple de champ de perméabilité lognormal associé à
une réalisation contrainte par application de la méthode de déformation;
- la Fig.6b montre une comparaison entre les courbes de pression de la réalisation contrainte et du modèle de référence.
DESCRIPTION DETAILLEE DE LA METHODE
Généralités :
La méthode selon l'invention permet de déformer graduellement un modèle stochastique tout en respectant ses caractéristiques statistiques. Cette méthode
- la Fig.1 montre un exemple de schéma d'optimisation itérative selon la méthode;
- la Fig.2a représente un exemple de champ de perméabilité lognormal constituant un modèle de référence;
- Fig.2b montre les courbes de pression et de sa dérivée logarithmique issues d'une simulation numérique d'un essai de puits dans le modèle de référence;
- la Fig.3a montre un exemple de champ de perméabilité lognormal associé à
une première réalisation du modèle;
- la Fig.3b montre une comparaison entre les courbes de pression associées respectivement à la réalisation 1 et au modèle de référence;
- la Fig.4a montre un exemple de champ de perméabilité lognormal associé à
une deuxième réalisation du modèle;
- la Fig.4b montre une comparaison entre les courbes de pression associées respectivement à la réalisation 2 et au modèle de référence;
- les Fig.5a et 5b représentent respectivement les courbes de variation de la fonction objectif en fonction du paramètre p dans une échelle linéaire et dans une échelle logarithmique;
- la Fig.6a montre un exemple de champ de perméabilité lognormal associé à
une réalisation contrainte par application de la méthode de déformation;
- la Fig.6b montre une comparaison entre les courbes de pression de la réalisation contrainte et du modèle de référence.
DESCRIPTION DETAILLEE DE LA METHODE
Généralités :
La méthode selon l'invention permet de déformer graduellement un modèle stochastique tout en respectant ses caractéristiques statistiques. Cette méthode
5 est opérationnelle dans un cadre gaussien. Combinée avec une méthode d'optimisation, cette méthode constitue ûn outil efficace pour calibrer une image du milieu à modéliser à des données non linéaires.
Déformation graduelle aux paramètres statistiques fixés :
On considère un ensemble de réalisations possibles R; d'un modèle stochastique du milieu à modéliser défini par un certain jeu de paramètres statistiques représentatifs (moyenne, variance, variogramme etc.). Ces différentes réalisations R; sont obtenues à partir d'un tirage au sort d'un germe aléatoire, deux valeurs successives de ce germe pouvant conduire à des réalisations très différentes l'une de l'autre.
La déformation graduelle du modèle est obtenue selon la méthode par une série de combinaisons itératives des réalisations R, du modèle. Comme le montre la Fig.1, la combinaison de base consiste, à partir de deux réalisations R,, obtenues par tirage, à former une réalisation R,, obéissant à la relation :
R,, = a, . R, + a, . R, (1) .20 avec la condition :
a,' + a; = 1 (2) Cette réalisation combinée se déforme graduellement lorsque l'on modifie graduellement les coefficients a, et a, .
A l'itération suivante, on tire une autre réalisation R3 et on la combine suivant la même règle avec la réalisation combinée précédente R~, R,,, = a3.R,, +a,.R3
Déformation graduelle aux paramètres statistiques fixés :
On considère un ensemble de réalisations possibles R; d'un modèle stochastique du milieu à modéliser défini par un certain jeu de paramètres statistiques représentatifs (moyenne, variance, variogramme etc.). Ces différentes réalisations R; sont obtenues à partir d'un tirage au sort d'un germe aléatoire, deux valeurs successives de ce germe pouvant conduire à des réalisations très différentes l'une de l'autre.
La déformation graduelle du modèle est obtenue selon la méthode par une série de combinaisons itératives des réalisations R, du modèle. Comme le montre la Fig.1, la combinaison de base consiste, à partir de deux réalisations R,, obtenues par tirage, à former une réalisation R,, obéissant à la relation :
R,, = a, . R, + a, . R, (1) .20 avec la condition :
a,' + a; = 1 (2) Cette réalisation combinée se déforme graduellement lorsque l'on modifie graduellement les coefficients a, et a, .
A l'itération suivante, on tire une autre réalisation R3 et on la combine suivant la même règle avec la réalisation combinée précédente R~, R,,, = a3.R,, +a,.R3
6 Les nouveaux coefficients de la combinaison respectant également la condition :
; +a4 =1 Si le tirage R3, conduit à une réalisation combinée qui ne s'accorde pas suffisamment avec les mesures, on procède à un ou plusieurs tirages successifs jusqu'à l'obtention d'une réalisation satisfaisante.
Le schéma de combinaison précédent peut être étendu facilement à un nombre quelconque de réalisations. A la première étape de combinaison, on tire p réalisations différentes et on réalise la combinaison suivant la relation R=ja;R; (3) r avec la condition :
1 (4).
A chacune des étapes suivantes, on combine la réalisation combinée précédente et q autres réalisations obtenues par tirage et l'on procède à leur combinaison suivant la même règle.
Suivant un mode avantageux de mise en oeuvre, on combine à chaque étape deux réalisations R,, RZ liées par la relation :
R = R, cos(pir) + R, sin(pir) (5) qui respecte la condition (2).
La minimisation d'une fonction objectif permet de déterminer le coefficient p Il s'agit d'un problème d'optimisation mono-paramètre.
Dans le cas plus général d'utilisation de p+1 réalisations, on a un problème d'optimisation des p paramètres p, (i =1,2,..., p) et les coefficients a, (i =
o,i?,..., P) s'écrivent :
; +a4 =1 Si le tirage R3, conduit à une réalisation combinée qui ne s'accorde pas suffisamment avec les mesures, on procède à un ou plusieurs tirages successifs jusqu'à l'obtention d'une réalisation satisfaisante.
Le schéma de combinaison précédent peut être étendu facilement à un nombre quelconque de réalisations. A la première étape de combinaison, on tire p réalisations différentes et on réalise la combinaison suivant la relation R=ja;R; (3) r avec la condition :
1 (4).
A chacune des étapes suivantes, on combine la réalisation combinée précédente et q autres réalisations obtenues par tirage et l'on procède à leur combinaison suivant la même règle.
Suivant un mode avantageux de mise en oeuvre, on combine à chaque étape deux réalisations R,, RZ liées par la relation :
R = R, cos(pir) + R, sin(pir) (5) qui respecte la condition (2).
La minimisation d'une fonction objectif permet de déterminer le coefficient p Il s'agit d'un problème d'optimisation mono-paramètre.
Dans le cas plus général d'utilisation de p+1 réalisations, on a un problème d'optimisation des p paramètres p, (i =1,2,..., p) et les coefficients a, (i =
o,i?,..., P) s'écrivent :
7 ao = Ücos(p;7r) A
a; = sin(p;7t) ~cos(pj Ir) (i = l, p -1) ap = sin(p. 7r) qui vérifient la condition (4).
Déformation graduelle en modifiant les paramètres statistiques:
Lorsque l'on ne dispose pas de valeurs précises des paramètres d'un modèle stochastique, ces paramètres doivent aussi être identifiés par l'inversion.
La méthode selon l'invention permet une déformation graduelle d'une réalisation d'un modèle stochastique en modifiant les paramètres du variogramme. Pour se faire, nous écrivons une réalisation sous la forme suivante :
R = L[Y]
où Y est un bruit blanc (réalisation d'un champ gaussien sans corrélation) et L un opérateur déterminé par le variogramme et permettant de transformer Y en une réalisation R respectant ce variogramme. Les techniques à mettre en oeuvre ici, sont bien connue des spécialistes. Une parmi elles est décrite par :
- Oliver, D.S.: "Moving Averages for Gaussian Simulation in two or three Dimensions", Math. Geology, Vol.27, No.8, 1995.
Nous pouvons ainsi déformer Y de la même manière que précédemment tout en modifiant l'opérateur de variogramme L:
R= L[Y] = L[Y, cos(p7c) + Y, sin(p7z)]
où Y, et Y. sont deux bruits blancs indépendants l'un de l'autre.
Déformation graduelle par parties :
Afin d'améliorer l'efficacité du calage d'un modèle à des données non linéaires réparties dans le milieu à modéliser, on peut être amené à diviser le
a; = sin(p;7t) ~cos(pj Ir) (i = l, p -1) ap = sin(p. 7r) qui vérifient la condition (4).
Déformation graduelle en modifiant les paramètres statistiques:
Lorsque l'on ne dispose pas de valeurs précises des paramètres d'un modèle stochastique, ces paramètres doivent aussi être identifiés par l'inversion.
La méthode selon l'invention permet une déformation graduelle d'une réalisation d'un modèle stochastique en modifiant les paramètres du variogramme. Pour se faire, nous écrivons une réalisation sous la forme suivante :
R = L[Y]
où Y est un bruit blanc (réalisation d'un champ gaussien sans corrélation) et L un opérateur déterminé par le variogramme et permettant de transformer Y en une réalisation R respectant ce variogramme. Les techniques à mettre en oeuvre ici, sont bien connue des spécialistes. Une parmi elles est décrite par :
- Oliver, D.S.: "Moving Averages for Gaussian Simulation in two or three Dimensions", Math. Geology, Vol.27, No.8, 1995.
Nous pouvons ainsi déformer Y de la même manière que précédemment tout en modifiant l'opérateur de variogramme L:
R= L[Y] = L[Y, cos(p7c) + Y, sin(p7z)]
où Y, et Y. sont deux bruits blancs indépendants l'un de l'autre.
Déformation graduelle par parties :
Afin d'améliorer l'efficacité du calage d'un modèle à des données non linéaires réparties dans le milieu à modéliser, on peut être amené à diviser le
8 milieu en plusieurs parties et effectuer le calage partie par partie. La méthode selon l'invention permet d'effectuer des déformations graduelles individuelles de différentes parties du milieu à modéliser tout en préservant la continuité
entre ces parties. Supposons que le milieu soit divisé en n parties auxquelles sont associées n bruits blancs Yõ Y2, ..., Y.. On peut déformer individuellement ces bruits blancs par l'algorithme précédent, et puis les rendre corrélés par l'opérateur de corrélation L.
Y, Y, cos(P,z) + Y,sin(P,7t) Y, Y, cos(p,n) + Y:sin(p,ir) R=L[Y]=L =L
Y,, Yn cos(põ7t) + Ynsin(Põir) où Y;' et Y;" (pour i=1,2,...n) sont deux bruits blancs indépendants l'un de l'autre.
Extension aux autres modèles:
La méthode de déformation graduelle précédemment décrite peut être utilisée dans les cas de modèles transformés à partir d'un modèle gaussien tels que le modèle lognormal et le modèle gaussien tronqué.
Exemple de validation:
La méthode selon l'invention est illustrée ici par une étude synthétique de la contrainte d'un champ de perméabilité à des données de pression issues d'un essai de puits. Un champ de perméabilité synthétique (Fig.2a), construit selon un modèle stochastique lognormal, est utilisé comme modèle de référence. Un essai de puits numérique est effectué sur ce champ et il en résulte une courbe de pression et sa dérivée logarithmique comme montre la figure 2b. II s'agit ici de construire une réalisation contrainte par cette courbe de pression autre que l'image de référence.
Les Fig. 3a et 4a montrent deux réalisations indépendantes l'une de l'autre du même modèle. On peut constater que les courbes de pression des essais de puits sur ces deux réalisations sont très éloignées de celles du modèle de référence (Fig.3b et 4b). A partir de ces deux réalisations, on a construit une
entre ces parties. Supposons que le milieu soit divisé en n parties auxquelles sont associées n bruits blancs Yõ Y2, ..., Y.. On peut déformer individuellement ces bruits blancs par l'algorithme précédent, et puis les rendre corrélés par l'opérateur de corrélation L.
Y, Y, cos(P,z) + Y,sin(P,7t) Y, Y, cos(p,n) + Y:sin(p,ir) R=L[Y]=L =L
Y,, Yn cos(põ7t) + Ynsin(Põir) où Y;' et Y;" (pour i=1,2,...n) sont deux bruits blancs indépendants l'un de l'autre.
Extension aux autres modèles:
La méthode de déformation graduelle précédemment décrite peut être utilisée dans les cas de modèles transformés à partir d'un modèle gaussien tels que le modèle lognormal et le modèle gaussien tronqué.
Exemple de validation:
La méthode selon l'invention est illustrée ici par une étude synthétique de la contrainte d'un champ de perméabilité à des données de pression issues d'un essai de puits. Un champ de perméabilité synthétique (Fig.2a), construit selon un modèle stochastique lognormal, est utilisé comme modèle de référence. Un essai de puits numérique est effectué sur ce champ et il en résulte une courbe de pression et sa dérivée logarithmique comme montre la figure 2b. II s'agit ici de construire une réalisation contrainte par cette courbe de pression autre que l'image de référence.
Les Fig. 3a et 4a montrent deux réalisations indépendantes l'une de l'autre du même modèle. On peut constater que les courbes de pression des essais de puits sur ces deux réalisations sont très éloignées de celles du modèle de référence (Fig.3b et 4b). A partir de ces deux réalisations, on a construit une
9 chaîne de réalisations suivant la règle donnée par la formule (4). Les Fig. 5a et 5b montrent la variation de la fonction objectif en fonction du paramètre p (qui varie entre -1 et 1). Les deux réalisations initiales correspondent respectivement à
p = 0 et à p = 0.5. On constate que la fonction objectif atteint sa valeur minimum pour p = -0.3 environ. En utilisant la méthode du gradient, il suffit de 3 à 4 itérations pour minimiser cette fonction. La Fig. 6 montre la réalisation correspondant à p = -0.275 obtenue par optimisation et l'on peut constater que le calage à l'essai de puits de cette réalisation est très satisfaisant.
p = 0 et à p = 0.5. On constate que la fonction objectif atteint sa valeur minimum pour p = -0.3 environ. En utilisant la méthode du gradient, il suffit de 3 à 4 itérations pour minimiser cette fonction. La Fig. 6 montre la réalisation correspondant à p = -0.275 obtenue par optimisation et l'on peut constater que le calage à l'essai de puits de cette réalisation est très satisfaisant.
Claims (8)
1. ~Méthode pour déformer graduellement au moins une partie d'une image représentative d'un milieu hétérogène tel qu'une zone souterraine, ladite image constituant une première réalisation d'un modèle stochastique de type gaussien ou apparenté, caractérisée en ce qu'elle comporte les étapes suivantes:
a) ~on génère au moins une seconde réalisation du modèle stochastique indépendante de ladite première réalisation;
b) ~on construit une nouvelle réalisation en effectuant une combinaison linéaire des première et seconde réalisations indépendantes, cette combinaison comportant des coefficients (.alpha.i) tels que la somme de leurs carrés est égale à 1;
c) ~on déforme ladite partie de ladite image en modifiant graduellement lesdits coefficients (.alpha.i) de la combinaison linéaire.
a) ~on génère au moins une seconde réalisation du modèle stochastique indépendante de ladite première réalisation;
b) ~on construit une nouvelle réalisation en effectuant une combinaison linéaire des première et seconde réalisations indépendantes, cette combinaison comportant des coefficients (.alpha.i) tels que la somme de leurs carrés est égale à 1;
c) ~on déforme ladite partie de ladite image en modifiant graduellement lesdits coefficients (.alpha.i) de la combinaison linéaire.
2. ~Méthode selon la revendication 1, dans laquelle on réalise plusieurs étapes itératives de déformation graduelle, avec combinaison à
chaque étape d'une réalisation composite obtenue à l'étape précédente avec au moins une nouvelle réalisation indépendante du modèle stochastique.
chaque étape d'une réalisation composite obtenue à l'étape précédente avec au moins une nouvelle réalisation indépendante du modèle stochastique.
3. ~Méthode selon la revendication 1 ou 2, dans laquelle on déforme ladite image représentative du milieu en modifiant des paramètres statistiques dudit modèle stochastique relatifs à la structure du milieu.
4. ~Méthode selon la revendication 1 ou 2, dans laquelle on réalise des déformations graduelles de différentes parties de l'image représentative du milieu tout en préservant la continuité entre ces parties par la reproduction d'un variogramme attaché audit modèle stochastique.
5. ~Méthode selon l'une quelconque des revendications 1 à 4, dans laquelle les coefficients (.alpha.i) de la combinaison linéaire s'expriment à
partir de fonctions sinus et cosinus.
partir de fonctions sinus et cosinus.
6. ~Méthode selon l'une quelconque des revendications 1 à 5, dans laquelle le modèle stochastique est un modèle lognormal.
7. ~Méthode selon l'une quelconque des revendications 1 à 5, dans laquelle le modèle stochastique est un modèle gaussien tronqué.
8. ~Méthode selon la revendication 1, dans laquelle on modifie lesdits coefficients (.alpha.i) de la combinaison linéaire en imposant une contrainte à l'image déformée de façon à ce qu'elle respecte des données non linéaires issues de mesures dans le milieu, la méthode comportant les étapes suivantes:
a) ~on déduit un jeu de données non linéaires formant une réponse de ladite nouvelle réalisation issue de la combinaison linéaire des première et seconde réalisations indépendantes;
b) ~on forme une fonction objectif mesurant l'écart entre le jeu de données non linéaires déduit à l'étape prédédente et le jeu de données non linéaires issu des mesures dans le milieu;
c) ~on minimise la fonction objectif en modifiant lesdits coefficients jusqu'à obtenir une image déformée respectant les données non linéaires issues de mesures.
a) ~on déduit un jeu de données non linéaires formant une réponse de ladite nouvelle réalisation issue de la combinaison linéaire des première et seconde réalisations indépendantes;
b) ~on forme une fonction objectif mesurant l'écart entre le jeu de données non linéaires déduit à l'étape prédédente et le jeu de données non linéaires issu des mesures dans le milieu;
c) ~on minimise la fonction objectif en modifiant lesdits coefficients jusqu'à obtenir une image déformée respectant les données non linéaires issues de mesures.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9809018 | 1998-07-01 | ||
| FR9809018A FR2780798B1 (fr) | 1998-07-01 | 1998-07-01 | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CA2276853A1 CA2276853A1 (fr) | 2000-01-01 |
| CA2276853C true CA2276853C (fr) | 2008-08-12 |
Family
ID=9528623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CA002276853A Expired - Fee Related CA2276853C (fr) | 1998-07-01 | 1999-06-30 | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US6618695B1 (fr) |
| CA (1) | CA2276853C (fr) |
| FR (1) | FR2780798B1 (fr) |
| GB (1) | GB2342736A (fr) |
| NL (1) | NL1012462C2 (fr) |
| NO (1) | NO333150B1 (fr) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2795841B1 (fr) * | 1999-07-02 | 2001-08-10 | Inst Francais Du Petrole | Methode pour deformer graduellement des simulations sequentielles d'un milieu heterogene tel qu'une zone souterraine |
| FR2842321B1 (fr) * | 2002-07-11 | 2008-12-05 | Inst Francais Du Petrole | Methode pour contraindre un champ de permeabilite heterogene representant un reservoir souterrain par des donnees dynamiques |
| FR2821946B1 (fr) * | 2001-03-07 | 2003-05-16 | Inst Francais Du Petrole | Methode pour deformer graduellement une repartition intiale d'objets dans un milieu heterogene, generee par simulation d'un modele stochastique de type objet, pour l'adapter au mieux a des contraintes physiques imposees |
| FR2823877B1 (fr) * | 2001-04-19 | 2004-12-24 | Inst Francais Du Petrole | Methode pour contraindre par des donnees dynamiques de production un modele fin representatif de la repartition dans le gisement d'une grandeur physique caracteristique de la structure du sous-sol |
| FR2846767B1 (fr) * | 2002-10-30 | 2004-12-24 | Inst Francais Du Petrole | Methode pour former plus rapidement un modele stochastique representatif d'un reservoir heterogene souterrain, contraint par des donnees dynamiques |
| FR2851670B1 (fr) * | 2003-02-21 | 2005-07-01 | Inst Francais Du Petrole | Methode pour elaborer plus rapidement un modele stochastique representatif d'un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines |
| GB2399659B (en) * | 2003-03-20 | 2005-09-28 | Schlumberger Holdings | Method and system for predicting the apparent flow conductivity of a heterogeneous medium |
| FR2857764B1 (fr) * | 2003-07-18 | 2005-08-26 | Inst Francais Du Petrole | Methode de deformation graduelle d'un modele booleen de simulation d'un milieu heterogene, contraint par des donnees dynamiques |
| FR2862765B1 (fr) | 2003-11-20 | 2006-10-27 | Inst Francais Du Petrole | Methode pour former un modele stochastique optimal d'une zone souterraine heterogene, cale sur des donnees dynamiques par parametrisation de distributions continues |
| FR2890453B1 (fr) * | 2005-09-05 | 2007-10-19 | Inst Francais Du Petrole | Methode pour mettre a jour un modele geologique de reservoir a l'aide de donnees dynamiques |
| US8504341B2 (en) * | 2006-01-31 | 2013-08-06 | Landmark Graphics Corporation | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators |
| US20070260151A1 (en) * | 2006-05-03 | 2007-11-08 | Clifford Gari D | Method and device for filtering, segmenting, compressing and classifying oscillatory signals |
| FR2914434B1 (fr) | 2007-03-30 | 2009-05-22 | Inst Francais Du Petrole | Methode de calage d'historique d'un modele geologique par modification graduelle des proportions des facies lithologiques |
| WO2009009686A2 (fr) * | 2007-07-10 | 2009-01-15 | Information In Place, Inc. | Procédé et système pour gérer un flux de travail et des informations d'entreprise |
| CN102007459B (zh) * | 2008-04-17 | 2015-01-07 | 埃克森美孚上游研究公司 | 用于储层开发计划的鲁棒性基于优化的决策支持工具 |
| CN102007485B (zh) * | 2008-04-18 | 2014-06-25 | 埃克森美孚上游研究公司 | 储层开发计划的基于markov决策过程的决策支持工具 |
| WO2009131761A2 (fr) * | 2008-04-21 | 2009-10-29 | Exxonmobile Upstream Research Company | Outil d’aide à la décision basé sur une programmation stochastique pour la planification de développement d’un réservoir |
| BRPI0923412A2 (pt) * | 2008-12-16 | 2016-05-24 | Exxonmobil Upstream Res Co | método, e, produto de programa de computador. |
| FR2956746B1 (fr) | 2010-02-22 | 2012-02-24 | Inst Francais Du Petrole | Methode pour exploiter un milieu souterrain a partir de calage d'historique d'un modele geologique comportant un reseau de failles. |
| US8942966B2 (en) | 2010-10-20 | 2015-01-27 | Conocophillips Company | Method for parameterizing and morphing stochastic reservoir models |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4817062A (en) * | 1987-10-02 | 1989-03-28 | Western Atlas International, Inc. | Method for estimating subsurface porosity |
| JP2548880B2 (ja) * | 1992-04-23 | 1996-10-30 | インターナショナル・ビジネス・マシーンズ・コーポレイション | 空間分割型確率シミュレーション・システムおよび物質エネルギー・システムをシミュレートする方法 |
| US5479251A (en) * | 1993-12-30 | 1995-12-26 | Corning Incorporated | Methods for determining optical properties of optical waveguide fibers using an optical time domain reflectometer |
| US5621169A (en) * | 1994-01-18 | 1997-04-15 | Restech, Inc. | Method for determining hydrocarbon/water contact level for oil and gas wells |
| US5416750A (en) * | 1994-03-25 | 1995-05-16 | Western Atlas International, Inc. | Bayesian sequential indicator simulation of lithology from seismic data |
| US5729451A (en) * | 1995-12-01 | 1998-03-17 | Coleman Research Corporation | Apparatus and method for fusing diverse data |
-
1998
- 1998-07-01 FR FR9809018A patent/FR2780798B1/fr not_active Expired - Fee Related
-
1999
- 1999-06-28 NL NL1012462A patent/NL1012462C2/nl not_active IP Right Cessation
- 1999-06-29 GB GB9915203A patent/GB2342736A/en not_active Withdrawn
- 1999-06-30 CA CA002276853A patent/CA2276853C/fr not_active Expired - Fee Related
- 1999-06-30 NO NO19993256A patent/NO333150B1/no not_active IP Right Cessation
- 1999-06-30 US US09/343,219 patent/US6618695B1/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| CA2276853A1 (fr) | 2000-01-01 |
| US6618695B1 (en) | 2003-09-09 |
| NO333150B1 (no) | 2013-03-18 |
| GB9915203D0 (en) | 1999-09-01 |
| FR2780798B1 (fr) | 2000-12-08 |
| FR2780798A1 (fr) | 2000-01-07 |
| GB2342736A (en) | 2000-04-19 |
| NL1012462C2 (nl) | 2000-01-07 |
| NO993256D0 (no) | 1999-06-30 |
| NO993256L (no) | 2000-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2276853C (fr) | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine | |
| EP2680045B1 (fr) | Procédé d'exploitation d'un reservoir geologique à partir d'un modèle de réservoir calé au moyen d'un parametrage multi-echelles | |
| EP1637904B1 (fr) | Méthode pour génerer un modèle de reservoir sur maillage flexible | |
| CA2445858C (fr) | Methode pour former plus rapidement un modele stochastique representatif d'un reservoir heterogene souterrain, contraint par des donnees dynamiques | |
| CA2516540C (fr) | Methode pour elaborer plus rapidement un modele stochastique representatif d`un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines | |
| EP1584951B1 (fr) | Procédé, dispositif et produit-programme de simulation stochastique de paléo chenaux ou de paléo structure géologiques | |
| EP2400320B1 (fr) | Procédé d'exploitation d'un gisement pétrolier à partir d'un modèle de réservoir déformé graduellement au moyen de cosimulations | |
| FR2862765A1 (fr) | Methode pour former un modele stochastique optimal d'une zone souterraine heterogene, cale sur des donnees dynamiques par parametrisation de distributions continues | |
| EP1110106B1 (fr) | Methode pour deformer graduellement des simulations sequentielles d'un milieu heterogene tel qu'une zone souterraine | |
| FR2842321A1 (fr) | Methode pour contraindre un champ de permeabilite heterogene representant un reservoir souterrain par des donnees dynamiques | |
| FR2737909A1 (fr) | Methode pour representer dans un domaine spatio-temporel la trajectoire d'au moins un puits de forage | |
| EP2157451A1 (fr) | Méthode de calage d'historique de réservoir pétrolier au moyen de paramétrisations locales | |
| EP1600796A1 (fr) | Méthode de reconstruction d'un modèle stochastique pour améliorer son calage par les données de production | |
| CA2374896C (fr) | Methode pour deformer graduellement une repartition initiale d'objets dans un milieu heterogene pour l'adapter a des contraintes physiques imposees | |
| CA2765115C (fr) | Procede pour mettre a jour un modele de reservoir en temps reel a partir de donnees dynamiques tout en conservant sa coherence avec les observations statiques | |
| EP2246714A2 (fr) | Méthode pour modéliser un milieu hétérogène souterrain à partir de statistique multipoint | |
| FR2858064A1 (fr) | Procede de pointe bispectral des parametres de correction d'obliquite anelliptique | |
| CA2254024C (fr) | Methode statistique multivariable pour caracteriser des images que l'on a formees d'un milieu complexe tel que le sous-sol | |
| FR2905181A1 (fr) | Methode pour modeliser un milieu heterogene souterrain a partir des statistiques multipoints et des donnees auxiliaires. | |
| FR2947346A1 (fr) | Methode d'exploitation d'un milieu souterrain au moyen de simulation geostatique non deformee par la geometrie du maillage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EEER | Examination request | ||
| MKLA | Lapsed |
Effective date: 20180703 |