CA2516540C - Methode pour elaborer plus rapidement un modele stochastique representatif d`un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines - Google Patents
Methode pour elaborer plus rapidement un modele stochastique representatif d`un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines Download PDFInfo
- Publication number
- CA2516540C CA2516540C CA2516540A CA2516540A CA2516540C CA 2516540 C CA2516540 C CA 2516540C CA 2516540 A CA2516540 A CA 2516540A CA 2516540 A CA2516540 A CA 2516540A CA 2516540 C CA2516540 C CA 2516540C
- Authority
- CA
- Canada
- Prior art keywords
- data
- gaussian
- model
- pseudo
- laws
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000003068 static effect Effects 0.000 title claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012804 iterative process Methods 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 239000012530 fluid Substances 0.000 abstract description 4
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 208000035126 Facies Diseases 0.000 description 28
- 238000005457 optimization Methods 0.000 description 22
- 230000035699 permeability Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G01V2210/665—Subsurface modeling using geostatistical 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)
- Complex Calculations (AREA)
- Geophysics And Detection Of Objects (AREA)
- Feedback Control In General (AREA)
Abstract
Méthode pour former plus rapidement un modèle stochastique de type gaussien ou apparenté, représentatif d'un milieu hétérogène poreux tel qu'un réservoir souterrain, contraint par des données caractéristiques du déplacement des fluides et des observations ponctuelles, ces observations étant incertaines et caractérisées par une loi de probabilité. Elle s'appuie sur une méthode de transformation de l'information statique, donnée sous forme de lois de probabilité, en pseudo--données ponctuelles gaussiennes. Cette technique de transformation présente l'avantage d'être intégralement compatible avec une méthode de déformation graduelle. De fait, elle rend possible la minimisation d'une fonction objectif J
mesurant l'écart entre les données dynamiques (données de production par exemple) et les réponses correspondantes simulées pour le modèle de réservoir considéré. La minimisation est menée en combinant des réalisations d'un modèle stochastique d'une part pour le modèle de réservoir et d'autre part pour les pseudo--données gaussiennes représentatives de l'information statique. Au cours du processus de minimisation, on ajuste les coefficients de combinaison et on identifie les réalisations qui permettent de réduire la fonction objectif. Applications notamment à l'exploitation de gisements pétroliers par exemple.
mesurant l'écart entre les données dynamiques (données de production par exemple) et les réponses correspondantes simulées pour le modèle de réservoir considéré. La minimisation est menée en combinant des réalisations d'un modèle stochastique d'une part pour le modèle de réservoir et d'autre part pour les pseudo--données gaussiennes représentatives de l'information statique. Au cours du processus de minimisation, on ajuste les coefficients de combinaison et on identifie les réalisations qui permettent de réduire la fonction objectif. Applications notamment à l'exploitation de gisements pétroliers par exemple.
Description
METHODE POUR ELABORER PLUS RAPIDEMENT UN MODELE
STOCHASTIQUE REPRESENTATIF D'UN RESERVOIR HETEROGENE
SOUTERRAIN, CONTRAINT PAR DES DONNEES STATIQUES ET
DYNAMIQUES INCERTAINES
La présente invention concerne une méthode pour former plus rapidement un modèle numérique stochastique de type gaussien ou apparenté, représentatif de la distribution spatiale' d'une grandeur physique (comme la perméabilité par exemple) dans un milieu hétérogène poreux (tel qu'un gisement d'hydrocarbures par exemple) calé par rapport à des données dites statiques et dynamiques incertaines. Les données dites statiques, correspondent à des observations sur la grandeur physique étudiée elle-même.
Lorsqu'elle est certaine, la donnée statique est une valeur exacte. Dans le cas contraire, elle est définie par une loi de probabilité. Les données dites dynamiques, sont caractéristiques du déplacement des fluides dans le milieu : ce sont par exemple des données de production (pressions obtenues à partir d'essais de puits, débits, etc.).
La méthode selon l'invention trouve des applications dans la modélisation de zones souterraines où il s'agit de générer des représentations montrant comment est distribuée une certaine grandeur physique dans une zone du sous-sol (la perméabilité, la porosité, les faciès notamment), compatibles au mieux avec des données observées ou mesurées, dans le but par exemple d'en favoriser l'exploitation.
ETAT DE LA TECHNIQUE
L'optimisation dans un contexte stochastique consiste à déterminer des réalisations d'un modèle stochastique qui satisfont un ensemble de données observées sur le terrain, dites statiques ou dynamiques suivant leurs natures. En ingénierie de réservoir, les réalisations à identifier correspondent à des représentations, dans le champ réservoir, de la distribution de propriétés de transport telles que la perméabilité ou porosité
ou encore de la distribution des faciès, chaque faciès correspondant à une famille de propriétés de transport. Ces réalisations forment des modèles numériques de réservoir. Les données statiques disponibles sont, par exemple, des observations ponctuelles de perméabilité,
STOCHASTIQUE REPRESENTATIF D'UN RESERVOIR HETEROGENE
SOUTERRAIN, CONTRAINT PAR DES DONNEES STATIQUES ET
DYNAMIQUES INCERTAINES
La présente invention concerne une méthode pour former plus rapidement un modèle numérique stochastique de type gaussien ou apparenté, représentatif de la distribution spatiale' d'une grandeur physique (comme la perméabilité par exemple) dans un milieu hétérogène poreux (tel qu'un gisement d'hydrocarbures par exemple) calé par rapport à des données dites statiques et dynamiques incertaines. Les données dites statiques, correspondent à des observations sur la grandeur physique étudiée elle-même.
Lorsqu'elle est certaine, la donnée statique est une valeur exacte. Dans le cas contraire, elle est définie par une loi de probabilité. Les données dites dynamiques, sont caractéristiques du déplacement des fluides dans le milieu : ce sont par exemple des données de production (pressions obtenues à partir d'essais de puits, débits, etc.).
La méthode selon l'invention trouve des applications dans la modélisation de zones souterraines où il s'agit de générer des représentations montrant comment est distribuée une certaine grandeur physique dans une zone du sous-sol (la perméabilité, la porosité, les faciès notamment), compatibles au mieux avec des données observées ou mesurées, dans le but par exemple d'en favoriser l'exploitation.
ETAT DE LA TECHNIQUE
L'optimisation dans un contexte stochastique consiste à déterminer des réalisations d'un modèle stochastique qui satisfont un ensemble de données observées sur le terrain, dites statiques ou dynamiques suivant leurs natures. En ingénierie de réservoir, les réalisations à identifier correspondent à des représentations, dans le champ réservoir, de la distribution de propriétés de transport telles que la perméabilité ou porosité
ou encore de la distribution des faciès, chaque faciès correspondant à une famille de propriétés de transport. Ces réalisations forment des modèles numériques de réservoir. Les données statiques disponibles sont, par exemple, des observations ponctuelles de perméabilité,
2 porosité ou faciès et un modèle de variabilité spatiale déterminé ' sélon des mesures ponctuelles. Les données ponctuelles peuvent être définies par des lois de probabilité plutôt que des valeurs exactes. Par exemple, en un point donné, une valeur de porosité peut être caractérisée par une loi de probabilité normale de.moyenne 0.20 et de variance 0.03. Les données dynamiques sont des données directement liées aux écoulements des fluides dans un réservoir souterrain, c'est à dire des pressions, des temps de percée, des débits, etc. Ces dernières sont souvent non linéairement reliées aux propriétés physiques à
modéliser. Une réalisation tirée au hasard n'est pas en général en adéquation avec l'ensemble des données collectées.
Intégration des données statiques La cohérence vis à vis des données statiques est intégrée dans le modèle à
partir de techniques de krigeage - Journel, A.G., and Huijbregts, C.J., "Mining geostatistics", Academic Press, San Diego, CA, 1978.
L'approche générale consiste à générer une réalisation non conditionnelle et à
la corriger de sorte qu'elle honore les observations ponctuelles et la structure spatiale. Dans ce cadre, les observations ponctuelles sont supposées exactes (par exemple, en un point donné, la perméabilité vaut 150mD). Soit une réalisation y gaussienne et non conditionnelle du modèle stochastique Y. La réalisation corrigée s'obtient comme suit :
Y,(x)=Ydx(x)+[Y(x)-Yx(x)]
yc est la réalisation gaussienne corrigée et donc conditionnelle. YdK et YK
sont obtenues par krigeage à partir respectivement des observations ponctuelles et des valeurs de y simulées aux points d'observation.
Lorsque que les observations ponctuelles ne correspondent pas à des valeurs exactes, mais sont définies par des lois de probabilité, on peut utiliser soit une approche bayésienne qui s'avère extrêmement coûteuse en temps calcul, soit une technique de krigeage. Dans ce dernier cas, cas sur lequel nous nous concentrons ici, une étape préliminaire s'impose afin de transformer la loi de probabilité en valeur ponctuelle. Cette transformation ne peut être quelconque : les valeurs ponctuelles en résultant doivent vérifier la structure spatiale et les lois de probabilité dont elles sont issues. Clairement, la relation entre lois de probabilité et
modéliser. Une réalisation tirée au hasard n'est pas en général en adéquation avec l'ensemble des données collectées.
Intégration des données statiques La cohérence vis à vis des données statiques est intégrée dans le modèle à
partir de techniques de krigeage - Journel, A.G., and Huijbregts, C.J., "Mining geostatistics", Academic Press, San Diego, CA, 1978.
L'approche générale consiste à générer une réalisation non conditionnelle et à
la corriger de sorte qu'elle honore les observations ponctuelles et la structure spatiale. Dans ce cadre, les observations ponctuelles sont supposées exactes (par exemple, en un point donné, la perméabilité vaut 150mD). Soit une réalisation y gaussienne et non conditionnelle du modèle stochastique Y. La réalisation corrigée s'obtient comme suit :
Y,(x)=Ydx(x)+[Y(x)-Yx(x)]
yc est la réalisation gaussienne corrigée et donc conditionnelle. YdK et YK
sont obtenues par krigeage à partir respectivement des observations ponctuelles et des valeurs de y simulées aux points d'observation.
Lorsque que les observations ponctuelles ne correspondent pas à des valeurs exactes, mais sont définies par des lois de probabilité, on peut utiliser soit une approche bayésienne qui s'avère extrêmement coûteuse en temps calcul, soit une technique de krigeage. Dans ce dernier cas, cas sur lequel nous nous concentrons ici, une étape préliminaire s'impose afin de transformer la loi de probabilité en valeur ponctuelle. Cette transformation ne peut être quelconque : les valeurs ponctuelles en résultant doivent vérifier la structure spatiale et les lois de probabilité dont elles sont issues. Clairement, la relation entre lois de probabilité et
3 valeurs ponctuelles n'est pas unique. Des méthodes de transformation itératives ont été
proposées pour les réalisations en faciès, où la loi de probabilité est une loi uniforme, par:
- Freulon, X., and Fouquet, C. de, "Conditioning a Gaussian model with inequalities", in Geostatistics Troia'92, A. Soares, ed., Kluwer Academic Publishers, Dordrecht, The Netherlands, 1993.
- Le Ravalec-Dupin, M., "Conditioning truncated Gaussian realizations to static data", 8th Ann. Conf. Int. Ass. Math. Geol., Berlin, Germany, 15-20 Sept, 2002.
Ces techniques convergent vers la fonction de densité de probabilité
souhaitée, mais très lentement. En pratique, on ne cherche pas à échantillonner complètement cette fonction. On se contente de déterminer un jeu unique de valeurs ponctuelles respectant la structure spatiale et les lois de probabilités voulues et on l'utilise pour obtenir la réalisation corrigée yc. C'est à ce jeu unique, et donc invariable, que se réfère constamment le processus d'optimisation pour élaborer des réalisations contraintes simultanément par les données statiques et dynamiques. Ce point est fondamental dans le processus d'optimisation.
Intégration des données dynamiques La cohérence vis à vis des données dynamiques est intégrée dans le modèle par le biais d'une procédure inverse:
- Tarantola, A., "Inverse problem theory - Methods for data fitting and model parameter estimation", Elsevier Science Publishers, 1987.
Récemment, une technique de paramétrage géostatistique qui simplifie le problème inverse, a été introduite pour contraindre, par déformation graduelle, les réalisations stochastiques à des données dont elles dépendent de manière non linéaire. Elle a fait l'objet des brevets FR 2.780.798 et FR2.795.841 du demandeur, et des publications suivantes, notamment :
- Hu, L.Y., 2000, Graduai déformation and itérative calibration of Gaussian-related stochastic models: Math. Geology, Vol.32, No.1.
- Le Ravalec, M. et al. 2000, The FFT moving average (FFT-MA) generator: An efficient numerical méthod for generating and conditioning Gaussian simulations:
Math. Geology, Vol.32, No.6.
proposées pour les réalisations en faciès, où la loi de probabilité est une loi uniforme, par:
- Freulon, X., and Fouquet, C. de, "Conditioning a Gaussian model with inequalities", in Geostatistics Troia'92, A. Soares, ed., Kluwer Academic Publishers, Dordrecht, The Netherlands, 1993.
- Le Ravalec-Dupin, M., "Conditioning truncated Gaussian realizations to static data", 8th Ann. Conf. Int. Ass. Math. Geol., Berlin, Germany, 15-20 Sept, 2002.
Ces techniques convergent vers la fonction de densité de probabilité
souhaitée, mais très lentement. En pratique, on ne cherche pas à échantillonner complètement cette fonction. On se contente de déterminer un jeu unique de valeurs ponctuelles respectant la structure spatiale et les lois de probabilités voulues et on l'utilise pour obtenir la réalisation corrigée yc. C'est à ce jeu unique, et donc invariable, que se réfère constamment le processus d'optimisation pour élaborer des réalisations contraintes simultanément par les données statiques et dynamiques. Ce point est fondamental dans le processus d'optimisation.
Intégration des données dynamiques La cohérence vis à vis des données dynamiques est intégrée dans le modèle par le biais d'une procédure inverse:
- Tarantola, A., "Inverse problem theory - Methods for data fitting and model parameter estimation", Elsevier Science Publishers, 1987.
Récemment, une technique de paramétrage géostatistique qui simplifie le problème inverse, a été introduite pour contraindre, par déformation graduelle, les réalisations stochastiques à des données dont elles dépendent de manière non linéaire. Elle a fait l'objet des brevets FR 2.780.798 et FR2.795.841 du demandeur, et des publications suivantes, notamment :
- Hu, L.Y., 2000, Graduai déformation and itérative calibration of Gaussian-related stochastic models: Math. Geology, Vol.32, No.1.
- Le Ravalec, M. et al. 2000, The FFT moving average (FFT-MA) generator: An efficient numerical méthod for generating and conditioning Gaussian simulations:
Math. Geology, Vol.32, No.6.
4 PCT/FR2004/000363 Hu, L.Y., Blanc, G. and Noetinger, B. (2001): Graduai deformation and itérative calibration of sequential stochastic simulations. Math. Geology, Vol. 33, No.4.
Cette méthode a été appliquée avec succès à divers cas notamment à partir de données provenant de champs d'exploitation pétrolière, comme décrit dans les documents suivants :
- Roggero, F. et al.1998, Graduat déformation of continuous geostatistical models for history matching, Paper SPE 49004: Proc. SPE Annual Technical Conférence and Exhibition, New Orleans.
Hu, L.Y. et al. 1998, Constraining a réservoir facies model to dynamic data using a graduat déformation method, Paper B-01: Proc. 6th European Conférence on Mathematics of Oil Recovery (ECMOR VI), 8-11 September 1998, Peebles, Scotland.
Supposons que f bs = ( flobs f2 bs ffbs) représente l'ensemble des données dynamiques recueillies sur le terrain et f = (fi f2 fM) les réponses correspondantes simulées pour une réalisation yc déjà contrainte par les données statiques comme explicité
plus haut. En général, les réponses f = (f1, f2 fM) sont obtenues en résolvant numériquement le problème direct. Ainsi, si yo représente un champ de perméabilité, les données f peuvent être des mesures de pression. Dans ce cas, elles sont simulées à partir d'un simulateur d'écoulement. L'objectif d'une optimisation stochastique est de produire des réalisations de Y qui réduisent les différences entre les données observées et les réponses correspondantes simulées numériquement. Ces différences sont mesurées par la fonction objectif suivante :
M
J = 1 Ewm(fm - fmbs)2 2 m=1 Les coefficients w,, sont des poids attribués aux données f, bs Les fm sont des fonctions de la réalisation yo discrétisée sur un grand nombre de mailles. En ce sens, la minimisation de la fonction objectif est un problème à plusieurs variables.
Soit N le nombre de mailles formant la réalisation yo. N est souvent très grand (104 _ 107). Il est donc très difficile de mener une optimisation directement par rapport aux composantes de yo. De plus, la réalisation yo, même modifiée; doit rester une réalisation de Y. Le paramétrage par déformation graduelle permet de s'affranchir de ces difficultés.
La technique de déformation graduelle permet de construire une chaîne continue de réalisations en combinant une réalisation initiale yo de Y avec une autre réalisation ul, dite
Cette méthode a été appliquée avec succès à divers cas notamment à partir de données provenant de champs d'exploitation pétrolière, comme décrit dans les documents suivants :
- Roggero, F. et al.1998, Graduat déformation of continuous geostatistical models for history matching, Paper SPE 49004: Proc. SPE Annual Technical Conférence and Exhibition, New Orleans.
Hu, L.Y. et al. 1998, Constraining a réservoir facies model to dynamic data using a graduat déformation method, Paper B-01: Proc. 6th European Conférence on Mathematics of Oil Recovery (ECMOR VI), 8-11 September 1998, Peebles, Scotland.
Supposons que f bs = ( flobs f2 bs ffbs) représente l'ensemble des données dynamiques recueillies sur le terrain et f = (fi f2 fM) les réponses correspondantes simulées pour une réalisation yc déjà contrainte par les données statiques comme explicité
plus haut. En général, les réponses f = (f1, f2 fM) sont obtenues en résolvant numériquement le problème direct. Ainsi, si yo représente un champ de perméabilité, les données f peuvent être des mesures de pression. Dans ce cas, elles sont simulées à partir d'un simulateur d'écoulement. L'objectif d'une optimisation stochastique est de produire des réalisations de Y qui réduisent les différences entre les données observées et les réponses correspondantes simulées numériquement. Ces différences sont mesurées par la fonction objectif suivante :
M
J = 1 Ewm(fm - fmbs)2 2 m=1 Les coefficients w,, sont des poids attribués aux données f, bs Les fm sont des fonctions de la réalisation yo discrétisée sur un grand nombre de mailles. En ce sens, la minimisation de la fonction objectif est un problème à plusieurs variables.
Soit N le nombre de mailles formant la réalisation yo. N est souvent très grand (104 _ 107). Il est donc très difficile de mener une optimisation directement par rapport aux composantes de yo. De plus, la réalisation yo, même modifiée; doit rester une réalisation de Y. Le paramétrage par déformation graduelle permet de s'affranchir de ces difficultés.
La technique de déformation graduelle permet de construire une chaîne continue de réalisations en combinant une réalisation initiale yo de Y avec une autre réalisation ul, dite
5 complémentaire, de Y, ul étant indépendante de yo. Les coefficients de combinaison sont par exemple cos(t) et sin(t) et la réalisation combinée vérifie la relation :
y(t) = y0 cost+ul sint où t est le paramètre de déforrlaation.
Dès lors que la chaîne est élaborée, on peut l'explorer en variant le paramètre de déformation t et tenter d'identifier parmi toutes les réalisations de cette chaîne celle qui, après intégration des données statiques par krigeage, minimise la fonction objectif. Cette minimisation se fait par rapport à t. Le paramétrage suivant la méthode de déformation graduelle permet de réduire le nombre de dimensions du problème de N à 1, où N
est le nombre de valeurs constituant le champ à contraindre. De plus, la somme des coefficients de combinaison au carré étant 1, la réalisation optimisée est encore une réalisation de Y :
elle suit le même modèle de variabilité spatiale que toutes les réalisations de Y.
Cependant, si l'on restreint l'exploration de l'espace des réalisations à une unique chaîne, on limite sévèrement nos possibilités de diminuer suffisamment la fonction objectif. Il faut donc répéter la procédure décrite ci-dessus, mais avec de nouvelles chaînes de réalisations. Ces chaînes de réalisations sont construites successivement en combinant une réalisation initiale qui est ici la réalisation optimale déterminée à
l'itération précédente, avec une réalisation complémentaire de Y, à chaque fois tirée au hasard.
Ainsi, à l'itération 1, la chaîne continue de réalisation s'écrit :
Yi (t) = yt-i cos t + ul sin t .
yl_I est la réalisation optimale définie à l'itération l-1 et les ul sont des réalisations indépendantes de Y.
En minimisant la fonction objectif par rapport à t, on améliore, ou au moins préserve, le calage des données à chaque fois qu'une nouvelle chaîne de réalisations est explorée.
Cette procédure de recherche de minimum itérative est poursuivie tant que le calage des données n'est pas satisfaisant. `_
y(t) = y0 cost+ul sint où t est le paramètre de déforrlaation.
Dès lors que la chaîne est élaborée, on peut l'explorer en variant le paramètre de déformation t et tenter d'identifier parmi toutes les réalisations de cette chaîne celle qui, après intégration des données statiques par krigeage, minimise la fonction objectif. Cette minimisation se fait par rapport à t. Le paramétrage suivant la méthode de déformation graduelle permet de réduire le nombre de dimensions du problème de N à 1, où N
est le nombre de valeurs constituant le champ à contraindre. De plus, la somme des coefficients de combinaison au carré étant 1, la réalisation optimisée est encore une réalisation de Y :
elle suit le même modèle de variabilité spatiale que toutes les réalisations de Y.
Cependant, si l'on restreint l'exploration de l'espace des réalisations à une unique chaîne, on limite sévèrement nos possibilités de diminuer suffisamment la fonction objectif. Il faut donc répéter la procédure décrite ci-dessus, mais avec de nouvelles chaînes de réalisations. Ces chaînes de réalisations sont construites successivement en combinant une réalisation initiale qui est ici la réalisation optimale déterminée à
l'itération précédente, avec une réalisation complémentaire de Y, à chaque fois tirée au hasard.
Ainsi, à l'itération 1, la chaîne continue de réalisation s'écrit :
Yi (t) = yt-i cos t + ul sin t .
yl_I est la réalisation optimale définie à l'itération l-1 et les ul sont des réalisations indépendantes de Y.
En minimisant la fonction objectif par rapport à t, on améliore, ou au moins préserve, le calage des données à chaque fois qu'une nouvelle chaîne de réalisations est explorée.
Cette procédure de recherche de minimum itérative est poursuivie tant que le calage des données n'est pas satisfaisant. `_
6 A ce jour, les valeurs ponctuelles intégrées par krigeage dans le modèle pour rendre compte des données statiques restent constantes tout au long du processus d'optimisation, même lorsqu'elles correspondent à des valeurs incertaines. Dans ce dernier cas, une telle hypothèse peut freiner significativement le processus d'optimisation et empêcher -la minimisation de la fonction objectif.
La méthode selon l'invention La présente invention concerne une méthode réalisée par un ordinateur pour générer une image d'une zone souterraine ajustée à des données dynamiques et des données statiques incertaines, les données statiques incertaines résultant de lois de probabilités connues et d'un modèle de variabilité spatiale, en exécutant par le biais de l'ordinateur, les étapes comprenant:
- générer au moins deux représentations d'un modèle stochastique, lesdits au moins deux représentations présentant la distribution dans la zone souterraine d'une propriété physique de la zone souterraine;
optimiser lesdits au moins deux représentations par le biais d'un premier processus de déformation desdits au moins deux représentations contrôlé par au moins un premier paramètre de déformation, de sorte que lesdits au moins deux représentations soient ajustées aux données dynamiques;
transformer les lois de probabilités selon le modèle de variabilité spatiale en pseudo-données ponctuelles;
- ajuster les pseudo-données par le biais d'un processus itératif où un premier bruit blanc gaussien associé aux pseudo-données est combiné à un deuxième bruit blanc gaussien;
optimiser les représentations ajustées au données dynamiques, de sorte que les représentations soient ajustées au données statiques incertaines;
- générer l'image de la zone souterraine par le biais d'une représentation d'une distribution d'une propriété physique de la zone souterraine de sorte que la
La méthode selon l'invention La présente invention concerne une méthode réalisée par un ordinateur pour générer une image d'une zone souterraine ajustée à des données dynamiques et des données statiques incertaines, les données statiques incertaines résultant de lois de probabilités connues et d'un modèle de variabilité spatiale, en exécutant par le biais de l'ordinateur, les étapes comprenant:
- générer au moins deux représentations d'un modèle stochastique, lesdits au moins deux représentations présentant la distribution dans la zone souterraine d'une propriété physique de la zone souterraine;
optimiser lesdits au moins deux représentations par le biais d'un premier processus de déformation desdits au moins deux représentations contrôlé par au moins un premier paramètre de déformation, de sorte que lesdits au moins deux représentations soient ajustées aux données dynamiques;
transformer les lois de probabilités selon le modèle de variabilité spatiale en pseudo-données ponctuelles;
- ajuster les pseudo-données par le biais d'un processus itératif où un premier bruit blanc gaussien associé aux pseudo-données est combiné à un deuxième bruit blanc gaussien;
optimiser les représentations ajustées au données dynamiques, de sorte que les représentations soient ajustées au données statiques incertaines;
- générer l'image de la zone souterraine par le biais d'une représentation d'une distribution d'une propriété physique de la zone souterraine de sorte que la
7 représentation soit ajustée aux données dynamiques et aux données statiques incertaines.
Selon un mode préférentiel, la méthode selon l'invention a pour objet de former un modèle numérique stochastique de type gaussien ou apparenté, représentatif de la distribution d'une grandeur physique dans un milieu hétérogène poreux (réservoirs pétroliers, aquifères, etc.), qui soit ajusté par rapport à
des données dynamiques, caractéristiques du déplacement des fluides dans le milieu, et des données statiques locales (par exemple, des valeurs de porosité
définies par des lois de probabilité normales ou encore des valeurs précisant la nature des faciès observés définies par des lois de probabilité uniformes) mesurées (par diagraphies par exemple) en un certain nombre de points de mesure le long de puits au travers du milieu (puits de production, d'injection ou d'observation par exemple), et présentant une certaine marge d'incertitude. Elle comporte une optimisation du modèle par le biais d'un processus itératif de déformation où l'on forme à chaque itération une réalisation combinée obtenue par combinaison linéaire d'une part d'une réalisation initiale, représentant au moins une partie du milieu, et d'au moins une deuxième réalisation indépendante du même modèle stochastique, et une minimisation d'une fonction objectif mesurant l'écart entre des données dynamiques réelles et les données dynamiques simulées au moyen d'un simulateur d'écoulement, pour la réalisation combinée, par ajustement des coefficients de combinaison, le processus d' ajustement itératif étant poursuivi jusqu'à
l'obtention d'une réalisation optimale du modèle stochastique. La méthode se distingue en ce que:
a) on transforme les données statiques locales en pseudo-données ponctuelles en accord avec des lois de probabilité et un modèle de variabilité spatiale ; et b) on ajuste les pseudo-données en respectant les lois de probabilités dont elles sont.
issues, ainsi que le modèle de variabilité spatiale, par le biais d'un processus itératif où l'on combine un premier bruit blanc gaussien associé au jeu de pseudo-données à un deuxième bruit blanc gaussien.
7a Suivant un mode préféré, on ajuste le modèle par un processus de déformation graduelle en imposant que la somme des carrés des coefficients de combinaison entre les réalisations soit égale à 1 et on ajuste alors les pseudo-données par un processus itératif où
la somme des carrés des coefficients de la dite combinaison vaut également 1.
Selon un mode préférentiel, les lois de probabilités sont par exemple des lois normales ou des lois uniformes.
Selon un mode préférentiel, on peut conduire l'ajustement itératif à partir de deux paramètres de déformation par exemple, avec un premier paramètre qui contrôle la combinaison entre la réalisation initiale et la deuxième réalisation, et un deuxième paramètre qui contrôle la combinaison entre le bruit blanc gaussien initial et le deuxième bruit blanc gaussien.
Selon un mode préférentiel, il est possible également de conduire l'optimisation à partir d'un unique paramètre quand les coefficients de combinaison sont identiques pour la combinaison de réalisations et la combinaison de bruits blancs gaussiens.
Suivant un autre mode de mise en oeuvre préférentiel, l'optimisation peut également être conduite par une méthode de points pilotes.
Selon un mode préférentiel, la méthode comprend une nouvelle technique de transformation qui associe à la loi de probabilité caractérisant une mesure locale incertaine une pseudo-donnée ponctuelle en accord avec la loi de probabilité
dont elle est issue et le modèle de variabilité spatiale. L'avantage de cette approche est sa rapidité et sa complète cohérence vis à vis de la méthode de déformation graduelle. De fait, il devient possible de mettre en oeuvre des processus d'optimisation au cours desquels on déforme graduellement la réalisation et le jeu de pseudo-données ponctuelles. En variant ce ou ces deux paramètre(s), 7b on explore une chaîne de réalisations respectant toutes la structure spatiale requise et une chaîne de jeux de données respectant tous la structure spatiale et les lois de probabilités requises. Il s'agit alors d'identifier la réalisation et le jeu de pseudo-données qui minimisent la fonction objectif.
De préférence, la méthode permet d'arriver plus rapidement à la formation d'un modèle numérique représentatif du milieu.
Selon un mode préférentiel, la méthode selon l'invention a pour objet de former un modèle numérique stochastique de type gaussien ou apparenté, représentatif de la distribution d'une grandeur physique dans un milieu hétérogène poreux (réservoirs pétroliers, aquifères, etc.), qui soit ajusté par rapport à
des données dynamiques, caractéristiques du déplacement des fluides dans le milieu, et des données statiques locales (par exemple, des valeurs de porosité
définies par des lois de probabilité normales ou encore des valeurs précisant la nature des faciès observés définies par des lois de probabilité uniformes) mesurées (par diagraphies par exemple) en un certain nombre de points de mesure le long de puits au travers du milieu (puits de production, d'injection ou d'observation par exemple), et présentant une certaine marge d'incertitude. Elle comporte une optimisation du modèle par le biais d'un processus itératif de déformation où l'on forme à chaque itération une réalisation combinée obtenue par combinaison linéaire d'une part d'une réalisation initiale, représentant au moins une partie du milieu, et d'au moins une deuxième réalisation indépendante du même modèle stochastique, et une minimisation d'une fonction objectif mesurant l'écart entre des données dynamiques réelles et les données dynamiques simulées au moyen d'un simulateur d'écoulement, pour la réalisation combinée, par ajustement des coefficients de combinaison, le processus d' ajustement itératif étant poursuivi jusqu'à
l'obtention d'une réalisation optimale du modèle stochastique. La méthode se distingue en ce que:
a) on transforme les données statiques locales en pseudo-données ponctuelles en accord avec des lois de probabilité et un modèle de variabilité spatiale ; et b) on ajuste les pseudo-données en respectant les lois de probabilités dont elles sont.
issues, ainsi que le modèle de variabilité spatiale, par le biais d'un processus itératif où l'on combine un premier bruit blanc gaussien associé au jeu de pseudo-données à un deuxième bruit blanc gaussien.
7a Suivant un mode préféré, on ajuste le modèle par un processus de déformation graduelle en imposant que la somme des carrés des coefficients de combinaison entre les réalisations soit égale à 1 et on ajuste alors les pseudo-données par un processus itératif où
la somme des carrés des coefficients de la dite combinaison vaut également 1.
Selon un mode préférentiel, les lois de probabilités sont par exemple des lois normales ou des lois uniformes.
Selon un mode préférentiel, on peut conduire l'ajustement itératif à partir de deux paramètres de déformation par exemple, avec un premier paramètre qui contrôle la combinaison entre la réalisation initiale et la deuxième réalisation, et un deuxième paramètre qui contrôle la combinaison entre le bruit blanc gaussien initial et le deuxième bruit blanc gaussien.
Selon un mode préférentiel, il est possible également de conduire l'optimisation à partir d'un unique paramètre quand les coefficients de combinaison sont identiques pour la combinaison de réalisations et la combinaison de bruits blancs gaussiens.
Suivant un autre mode de mise en oeuvre préférentiel, l'optimisation peut également être conduite par une méthode de points pilotes.
Selon un mode préférentiel, la méthode comprend une nouvelle technique de transformation qui associe à la loi de probabilité caractérisant une mesure locale incertaine une pseudo-donnée ponctuelle en accord avec la loi de probabilité
dont elle est issue et le modèle de variabilité spatiale. L'avantage de cette approche est sa rapidité et sa complète cohérence vis à vis de la méthode de déformation graduelle. De fait, il devient possible de mettre en oeuvre des processus d'optimisation au cours desquels on déforme graduellement la réalisation et le jeu de pseudo-données ponctuelles. En variant ce ou ces deux paramètre(s), 7b on explore une chaîne de réalisations respectant toutes la structure spatiale requise et une chaîne de jeux de données respectant tous la structure spatiale et les lois de probabilités requises. Il s'agit alors d'identifier la réalisation et le jeu de pseudo-données qui minimisent la fonction objectif.
De préférence, la méthode permet d'arriver plus rapidement à la formation d'un modèle numérique représentatif du milieu.
8 Présentation des figures D'autres caractéristiques et avantages de la méthode selon l'invention apparaîtront plus précisément à la lecture de la description ci-après d'un exemple non limitatif d'application, en se référant aux dessins annexés où :
- la figure 1 montre à gauche h(x, y) - N(FK , oK).N(m, o') et à droite les fonctions densité et de répartition en résultant. La fonction densité est obtenue à partir de la diagonale de h(x,y) ;
- la figure 2 montre deux jeux (t = 0.0 et t = 0.5) de pseudo-données ponctuelles issues de la transformation de lois de probabilité uniformes (cas des gaussiennes tronquées) et les pseudo-données qui en sont déduites par déformation graduelle (t = 0.1, 0.2, 0.3, 0.4) ;
- la figure 3 montre le, processus d'optimisation développé pour construire des réalisations contraintes aux données statiques (de type lois de probabilité) et dynamiques par déformation graduelle ;
- la figure 4 montre les distributions de faciès pour le réservoir de référence, le réservoir pris comme point de départ de l'optimisation et les réservoirs obtenus en fin d'optimisation en ayant modifié ou non les pseudo-données déduites de la conversion des observations de faciès aux puits ;
la figure 5 montre les flux fractionnaires simulés aux puits producteurs et les pressions au puits injecteur ; et la figure 6 montre l'évolution de la fonction objectif pour des optimisations menées sans modifier les pseudo-données aux puits (Conventional Matching) et en les modifiant (New Matching).
Description détaillée de la méthode La méthode selon l'invention permet à chaque itération du processus de recherche du minimum de modifier graduellement la réalisation elle-même, mais aussi les pseudo-données issues du processus de transformation des lois de probabilités traduisant l'incertitude aux points de mesure. Cette dernière propriété donne plus de flexibilité au processus d'optimisation et permet de tendre vers le minimum plus rapidement.
- la figure 1 montre à gauche h(x, y) - N(FK , oK).N(m, o') et à droite les fonctions densité et de répartition en résultant. La fonction densité est obtenue à partir de la diagonale de h(x,y) ;
- la figure 2 montre deux jeux (t = 0.0 et t = 0.5) de pseudo-données ponctuelles issues de la transformation de lois de probabilité uniformes (cas des gaussiennes tronquées) et les pseudo-données qui en sont déduites par déformation graduelle (t = 0.1, 0.2, 0.3, 0.4) ;
- la figure 3 montre le, processus d'optimisation développé pour construire des réalisations contraintes aux données statiques (de type lois de probabilité) et dynamiques par déformation graduelle ;
- la figure 4 montre les distributions de faciès pour le réservoir de référence, le réservoir pris comme point de départ de l'optimisation et les réservoirs obtenus en fin d'optimisation en ayant modifié ou non les pseudo-données déduites de la conversion des observations de faciès aux puits ;
la figure 5 montre les flux fractionnaires simulés aux puits producteurs et les pressions au puits injecteur ; et la figure 6 montre l'évolution de la fonction objectif pour des optimisations menées sans modifier les pseudo-données aux puits (Conventional Matching) et en les modifiant (New Matching).
Description détaillée de la méthode La méthode selon l'invention permet à chaque itération du processus de recherche du minimum de modifier graduellement la réalisation elle-même, mais aussi les pseudo-données issues du processus de transformation des lois de probabilités traduisant l'incertitude aux points de mesure. Cette dernière propriété donne plus de flexibilité au processus d'optimisation et permet de tendre vers le minimum plus rapidement.
9 Transformation des lois de probabilités associées aux points de mesure en données ponctuelles Une étape préliminaire au conditionnement repose sur la transformation de l'information fournie sous forme de lois de probabilité en pseudo-données ponctuelles.
Cette transformation doit permettre de respecter la structure spatiale et les lois de probabilité dont les données sont issues.
Elle doit en outre être compatible avec la méthode de déformation graduelle.
Pour cette raison, on utilisera pour la fonction de répartition normale standard et son inverse, notées G et G-1, les approximations analytiques rappelées par - Deutsch et Journel, GSLIS - Geostatistical software library and user's guide, Oxford univ. Press, 1992.
Ces fonctions assurent une relation bijective entre un bruit blanc gaussien initial et un jeu de données transformées. Les résultats obtenus sont précis jusque 5 décimales.
Considérons N points xi.iE[1,N] pour lesquels on dispose de mesures. Ces N
mesures sont incertaines et définies, de fait, à partir de lois de probabilité Pi,, [1,N]= Le cadre général mis en place pour le processus de transformation proposé repose sur la technique de simulation séquentielle. L'algorithme de transformation procède comme suit:
1) On tire au hasard un bruit blanc gaussien Zi,iE[l,N] dont chaque composante est associée à un point xi,iE[~,N] .
2) On convertit ce bruit blanc gaussien en nombres uniformes indépendants ui,ie[i N] = G\Zi,1E[1,N] /
3) On définit un chemin aléatoire visitant chacun des points xi,iE[1,N]
4) A l'itération n+l, on suppose que les n lois de probabilités des n points visités précédemment ont été transformées en n valeurs normales standards F1[1]. Au point x, 1, on détermine alors à partir des n valeurs déjà définies l'estimateur de krigeage F. et l'écart type associé 6K .
5) On détermine la fonction de répartition H correspondant à la loi de probabilité
suivante :
hocN(FK,oK)=Pn+1 où N(FK , 6K) est la loi de probabilité normale de moyenne FK et d'écart type 6K . On 5 estime ensuite F,,+1 =H-'[U,,+,]. On ajoute ensuite cette valeur au jeu de données transformées.
6) On se rend sur le point suivant défini à partir du chemin aléatoire, et on répète les étapes 4 et 5. On procède ainsi jusqu'à ce que les N lois de probabilités aient été
transformées.
Quelques cas particuliers a) Loi de probabilité uniforme On suppose que les lois de probabilité Pie [1,M correspondent à des distributions uniformes sur des intervalles [An+1, Bn+i]= A l'étape 5, on procède alors comme suit:
Fn+l = 6K fn+l + FK j j avec fn+l = G-1 [u,t+1( (an+1) - G(bn+1))+ ir(an+1)1 A,z+l - FK et bn+1 - Bn+1 - FK
an+1 -'7K 6K
Ce cas correspond à la méthode des gaussiènnes tronquées. La méthode selon l'invention permet alors de contraindre la réalisation gaussienne sous-jacente à la réalisation gaussiennes tronquée à des pseudo-données représentatives des observations de faciès en certains points. En d'autres termes, on contraint ainsi la réalisation en faciès aux faciès observés aux puits.
b) Loi de probabilité normale On suppose que la loi de probabilité décrivant l'incertitude sur la mesure est une loi normale de moyenne m et de déviation standard a. Il faut alors déterminer la loi de probabilité suivante :
h(x) =1 ex 1 x-FK 2 + x-in112 a P 2 6K l 6/
où a est une constante de normalisation, ainsi que la fonction de répartition H
correspondante, ce qui se peut se faire à partir de techniques numériques (cf.
Figure 1).
Ce cas convient à la description de tout champ dans la mesure où il est ramené
par anamorphose à un champ gaussien.
Applications La Figure 2 illustre le processus de transformation proposé dans le cas de lois de probabilité uniformes. On suppose qu'en 100 points séparés de 1 m, on dispose de l'information "en ce point, l'attribut modélisé appartient à l'intervalle 1, à
l'intervalle 2 ou à
l'intervalle 3". En outre, la structure spatiale est caractérisée par un variogramme exponentiel avec une longueur de corrélation de 20 m. En appliquant l'algorithme exposé
plus haut, on transforme ces observations en données ponctuelles (courbe t =
0.0). Toutes respectent les intervalles dont elles sont extraites ainsi que le modèle de variabilité spatiale.
En prenant comme point de départ un nouveau bruit blanc gaussien, on obtient un nouveau jeu de données ponctuelles (courbe t = 0.5).
L'avantage de l'algorithme de transformation décrit est sa compatibilité avec la méthode de déformation graduelle. On peut en effet appliquer le formalisme de la déformation graduelle pour combiner deux bruits blancs gaussiens Z,,;E[,,N]
qui fournissent chacun un jeu de pseudo-données en accord avec le modèle de variabilité
spatiale et les lois de probabilité liées aux points de mesure. Un exemple est présenté sur la Figure 2 dans le cadre d'une loi de probabilité uniforme. On combine les bruits blancs gaussiens ayant conduit aux courbes t = 0.0 et t = 0.5. En variant le paramètre de déformation t, on obtient d'autres jeux de données ponctuelles respectant la structure spatiale et les lois uniformes requises.
Conditionnement par les données statiques et dynamiques L'avantage de l'algorithme de transformation présenté dans la section précédente est son entière compatibilité avec la méthode de déformation graduelle. Or, cette méthode est une technique de paramétrage très pratique dans le cadre de l'optimisation stochastique :
elle permet de déformer la distribution d'un attribut à l'aide d'un petit nombre de paramètres tout en préservant la structure spatiale. Nous intégrons la technique de transformation exposée plus haut dans le processus d'optimisation, selon le schéma décrit sur la Figure 3.
On considère au départ un bruit blanc gaussien initial et un bruit blanc gaussien complémentaire pour la réalisation ; de même pour les observations statiques.
Dans les deux cas, on combine suivant les principes de déformation graduelle le bruit initial au bruit complémentaire, cette combinaison étant contrôlée par un paramètre de déformation t. En réalité, on pourrait prendre deux paramètres de déformation différents, un pour la réalisation et un pour les observations statiques. On suppose ici ces deux paramètres identiques pour se retrouver dans le cadre d'un problème à une dimension.
Ensuite, pour la réalisation, le bruit blanc gaussien issu de la combinaison graduelle est transformé en réalisation gaussienne structurée (composant FFTMA). En parallèle, pour les observations statiques, le bruit blanc gaussien issu de la combinaison graduelle est transformé en pseudo-données ponctuelles en accord avec les lois de probabilité observées.
Ces pseudo-données sont alors utilisées pour contraindre la réalisation fournie par le composant FFTMA. Une simulation d'écoulement est exécutée pour la réalisation contrainte qui fournit des données de production (par exemple, des pressions, des temps de percée, des débits, etc.). Ces données simulées sont ensuite comparées aux données dynamiques observées sur le terrain par le biais de la fonction objectif. Durant le processus d'optimisation, on modifie le paramètre t afin de réduire la fonction objectif. Puis, cet technique de recherche est poursuivie plus avant avec de nouveaux bruits blancs gaussiens complémentaires.
Exemple numérique On construit un modèle synthétique de réservoir sur lequel on teste la méthode selon l'invention. On considère un réservoir en faciès pour lequel on a observé la nature des faciès aux puits. Ce réservoir est simulé par la méthode des gaussiennes tronquées : les faciès sont alors intimement liés à lois de probabilités uniformes, c'est à
dire à des intervalles dont la largeur dépend de la proportion des dits faciès. La technique des gaussiennes tronquées consiste à appliquer des seuillages suivant les intervalles définis à
une réalisation gaussienne standard continue pour la transformer en réalisation discrète.
Aux points d'observation, les valeurs de la réalisation gaussienne continue sont contraintes par les intervalles caractérisant les faciès observés.
Le réservoir synthétique de référence est représenté sur la Figure 4. Il s'agit d'un réservoir mono-couche comprenant 100x100 mailles de 10 m d'épaisseur et de 10 m de côté. Le réservoir comprend trois faciès : 25 % de faciès 1, 35 % de faciès 2 et 40 % de faciès 3. Leurs perméabilités sont 300 mD; 200 mD et 50 mD, respectivement. La réalisation gaussienne utilisée pour obtenir la réalisation tronquée est caractérisée par un variogramme anisotrope, stable, d'exposant a =1.5:
h a y(h)=a-2 1-exp -h est la distance, 1, la longueur de corrélation et 6 l'écart type. La longueur de corrélation vaut 50 m suivant l'axe principal (1;1;0) et 20 m suivant l'axe perpendiculaire (-1;1;0). La porosité est constante et vaut 0,4. On a un puits où on injecte de l'eau au centre et quatre puits producteurs dans les coins. Le réservoir est supposé saturé
initialement en huile. Les courbes de perméabilités relatives pour l'huile et l'eau suivent des lois de Corey avec un exposant de 2. Le rapport de mobilité est 1. L'historique de production pour ce réservoir de référence est présenté sur la Figure 5. Les faciès observés aux puits sont donnés dans le tableau 1.
Table 1. Faciès observés aux puits.
Well Facies L'objet du problème inverse est de déterminer un modèle de réservoir cohérent avec les données dynamiques et les observations de faciès aux puits en supposant inconnue la distribution des faciès. Dans ce but, on lance deux processus d'optimisation en partant de la même réalisation de départ (figure 4). Pour chacun de ces processus, on considère un unique paramètre d'optimisation, à savoir le paramètre de déformation. Le premier processus est basé sur une approche classique : les valeurs gaussiennes représentatives des observations de faciès aux puits sont constantes pendant l'optimisation. Pour le deuxième processus, on teste l'approche proposée en variant ces valeurs gaussiennes.
On observe qu'en rendant possible les variations au niveau des valeurs gaussiennes représentatives des observations de faciès aux puits (lois de probabilité
uniformes), on accélère significativement la minimisation de la fonction objectif (Figure 6).
On a décrit jusqu'ici une mise en oeuvre de la méthode dans le cadre préféré
d'un processus de déformation graduelle des réalisations du modèle qui impose que les coefficients des combinaisons de réalisations qui sont effectuées, soient tels que la somme des carrés des coefficients de combinaison soit égale à 1.
On ne sortirait pas du cadre général de l'invention toutefois en appliquant la technique de transformation qui vient d'être décrite, associant à une loi de probabilité
caractérisant une mesure locale incertaine, une pseudo-donnée ponctuelle en accord avec la loi de probabilité dont elle est issue et un modèle de variabilité spatiale, à
une autre approche d'optimisation du modèle stochastique connue en soi, telle que la méthode dite des points pilotes.
Cette transformation doit permettre de respecter la structure spatiale et les lois de probabilité dont les données sont issues.
Elle doit en outre être compatible avec la méthode de déformation graduelle.
Pour cette raison, on utilisera pour la fonction de répartition normale standard et son inverse, notées G et G-1, les approximations analytiques rappelées par - Deutsch et Journel, GSLIS - Geostatistical software library and user's guide, Oxford univ. Press, 1992.
Ces fonctions assurent une relation bijective entre un bruit blanc gaussien initial et un jeu de données transformées. Les résultats obtenus sont précis jusque 5 décimales.
Considérons N points xi.iE[1,N] pour lesquels on dispose de mesures. Ces N
mesures sont incertaines et définies, de fait, à partir de lois de probabilité Pi,, [1,N]= Le cadre général mis en place pour le processus de transformation proposé repose sur la technique de simulation séquentielle. L'algorithme de transformation procède comme suit:
1) On tire au hasard un bruit blanc gaussien Zi,iE[l,N] dont chaque composante est associée à un point xi,iE[~,N] .
2) On convertit ce bruit blanc gaussien en nombres uniformes indépendants ui,ie[i N] = G\Zi,1E[1,N] /
3) On définit un chemin aléatoire visitant chacun des points xi,iE[1,N]
4) A l'itération n+l, on suppose que les n lois de probabilités des n points visités précédemment ont été transformées en n valeurs normales standards F1[1]. Au point x, 1, on détermine alors à partir des n valeurs déjà définies l'estimateur de krigeage F. et l'écart type associé 6K .
5) On détermine la fonction de répartition H correspondant à la loi de probabilité
suivante :
hocN(FK,oK)=Pn+1 où N(FK , 6K) est la loi de probabilité normale de moyenne FK et d'écart type 6K . On 5 estime ensuite F,,+1 =H-'[U,,+,]. On ajoute ensuite cette valeur au jeu de données transformées.
6) On se rend sur le point suivant défini à partir du chemin aléatoire, et on répète les étapes 4 et 5. On procède ainsi jusqu'à ce que les N lois de probabilités aient été
transformées.
Quelques cas particuliers a) Loi de probabilité uniforme On suppose que les lois de probabilité Pie [1,M correspondent à des distributions uniformes sur des intervalles [An+1, Bn+i]= A l'étape 5, on procède alors comme suit:
Fn+l = 6K fn+l + FK j j avec fn+l = G-1 [u,t+1( (an+1) - G(bn+1))+ ir(an+1)1 A,z+l - FK et bn+1 - Bn+1 - FK
an+1 -'7K 6K
Ce cas correspond à la méthode des gaussiènnes tronquées. La méthode selon l'invention permet alors de contraindre la réalisation gaussienne sous-jacente à la réalisation gaussiennes tronquée à des pseudo-données représentatives des observations de faciès en certains points. En d'autres termes, on contraint ainsi la réalisation en faciès aux faciès observés aux puits.
b) Loi de probabilité normale On suppose que la loi de probabilité décrivant l'incertitude sur la mesure est une loi normale de moyenne m et de déviation standard a. Il faut alors déterminer la loi de probabilité suivante :
h(x) =1 ex 1 x-FK 2 + x-in112 a P 2 6K l 6/
où a est une constante de normalisation, ainsi que la fonction de répartition H
correspondante, ce qui se peut se faire à partir de techniques numériques (cf.
Figure 1).
Ce cas convient à la description de tout champ dans la mesure où il est ramené
par anamorphose à un champ gaussien.
Applications La Figure 2 illustre le processus de transformation proposé dans le cas de lois de probabilité uniformes. On suppose qu'en 100 points séparés de 1 m, on dispose de l'information "en ce point, l'attribut modélisé appartient à l'intervalle 1, à
l'intervalle 2 ou à
l'intervalle 3". En outre, la structure spatiale est caractérisée par un variogramme exponentiel avec une longueur de corrélation de 20 m. En appliquant l'algorithme exposé
plus haut, on transforme ces observations en données ponctuelles (courbe t =
0.0). Toutes respectent les intervalles dont elles sont extraites ainsi que le modèle de variabilité spatiale.
En prenant comme point de départ un nouveau bruit blanc gaussien, on obtient un nouveau jeu de données ponctuelles (courbe t = 0.5).
L'avantage de l'algorithme de transformation décrit est sa compatibilité avec la méthode de déformation graduelle. On peut en effet appliquer le formalisme de la déformation graduelle pour combiner deux bruits blancs gaussiens Z,,;E[,,N]
qui fournissent chacun un jeu de pseudo-données en accord avec le modèle de variabilité
spatiale et les lois de probabilité liées aux points de mesure. Un exemple est présenté sur la Figure 2 dans le cadre d'une loi de probabilité uniforme. On combine les bruits blancs gaussiens ayant conduit aux courbes t = 0.0 et t = 0.5. En variant le paramètre de déformation t, on obtient d'autres jeux de données ponctuelles respectant la structure spatiale et les lois uniformes requises.
Conditionnement par les données statiques et dynamiques L'avantage de l'algorithme de transformation présenté dans la section précédente est son entière compatibilité avec la méthode de déformation graduelle. Or, cette méthode est une technique de paramétrage très pratique dans le cadre de l'optimisation stochastique :
elle permet de déformer la distribution d'un attribut à l'aide d'un petit nombre de paramètres tout en préservant la structure spatiale. Nous intégrons la technique de transformation exposée plus haut dans le processus d'optimisation, selon le schéma décrit sur la Figure 3.
On considère au départ un bruit blanc gaussien initial et un bruit blanc gaussien complémentaire pour la réalisation ; de même pour les observations statiques.
Dans les deux cas, on combine suivant les principes de déformation graduelle le bruit initial au bruit complémentaire, cette combinaison étant contrôlée par un paramètre de déformation t. En réalité, on pourrait prendre deux paramètres de déformation différents, un pour la réalisation et un pour les observations statiques. On suppose ici ces deux paramètres identiques pour se retrouver dans le cadre d'un problème à une dimension.
Ensuite, pour la réalisation, le bruit blanc gaussien issu de la combinaison graduelle est transformé en réalisation gaussienne structurée (composant FFTMA). En parallèle, pour les observations statiques, le bruit blanc gaussien issu de la combinaison graduelle est transformé en pseudo-données ponctuelles en accord avec les lois de probabilité observées.
Ces pseudo-données sont alors utilisées pour contraindre la réalisation fournie par le composant FFTMA. Une simulation d'écoulement est exécutée pour la réalisation contrainte qui fournit des données de production (par exemple, des pressions, des temps de percée, des débits, etc.). Ces données simulées sont ensuite comparées aux données dynamiques observées sur le terrain par le biais de la fonction objectif. Durant le processus d'optimisation, on modifie le paramètre t afin de réduire la fonction objectif. Puis, cet technique de recherche est poursuivie plus avant avec de nouveaux bruits blancs gaussiens complémentaires.
Exemple numérique On construit un modèle synthétique de réservoir sur lequel on teste la méthode selon l'invention. On considère un réservoir en faciès pour lequel on a observé la nature des faciès aux puits. Ce réservoir est simulé par la méthode des gaussiennes tronquées : les faciès sont alors intimement liés à lois de probabilités uniformes, c'est à
dire à des intervalles dont la largeur dépend de la proportion des dits faciès. La technique des gaussiennes tronquées consiste à appliquer des seuillages suivant les intervalles définis à
une réalisation gaussienne standard continue pour la transformer en réalisation discrète.
Aux points d'observation, les valeurs de la réalisation gaussienne continue sont contraintes par les intervalles caractérisant les faciès observés.
Le réservoir synthétique de référence est représenté sur la Figure 4. Il s'agit d'un réservoir mono-couche comprenant 100x100 mailles de 10 m d'épaisseur et de 10 m de côté. Le réservoir comprend trois faciès : 25 % de faciès 1, 35 % de faciès 2 et 40 % de faciès 3. Leurs perméabilités sont 300 mD; 200 mD et 50 mD, respectivement. La réalisation gaussienne utilisée pour obtenir la réalisation tronquée est caractérisée par un variogramme anisotrope, stable, d'exposant a =1.5:
h a y(h)=a-2 1-exp -h est la distance, 1, la longueur de corrélation et 6 l'écart type. La longueur de corrélation vaut 50 m suivant l'axe principal (1;1;0) et 20 m suivant l'axe perpendiculaire (-1;1;0). La porosité est constante et vaut 0,4. On a un puits où on injecte de l'eau au centre et quatre puits producteurs dans les coins. Le réservoir est supposé saturé
initialement en huile. Les courbes de perméabilités relatives pour l'huile et l'eau suivent des lois de Corey avec un exposant de 2. Le rapport de mobilité est 1. L'historique de production pour ce réservoir de référence est présenté sur la Figure 5. Les faciès observés aux puits sont donnés dans le tableau 1.
Table 1. Faciès observés aux puits.
Well Facies L'objet du problème inverse est de déterminer un modèle de réservoir cohérent avec les données dynamiques et les observations de faciès aux puits en supposant inconnue la distribution des faciès. Dans ce but, on lance deux processus d'optimisation en partant de la même réalisation de départ (figure 4). Pour chacun de ces processus, on considère un unique paramètre d'optimisation, à savoir le paramètre de déformation. Le premier processus est basé sur une approche classique : les valeurs gaussiennes représentatives des observations de faciès aux puits sont constantes pendant l'optimisation. Pour le deuxième processus, on teste l'approche proposée en variant ces valeurs gaussiennes.
On observe qu'en rendant possible les variations au niveau des valeurs gaussiennes représentatives des observations de faciès aux puits (lois de probabilité
uniformes), on accélère significativement la minimisation de la fonction objectif (Figure 6).
On a décrit jusqu'ici une mise en oeuvre de la méthode dans le cadre préféré
d'un processus de déformation graduelle des réalisations du modèle qui impose que les coefficients des combinaisons de réalisations qui sont effectuées, soient tels que la somme des carrés des coefficients de combinaison soit égale à 1.
On ne sortirait pas du cadre général de l'invention toutefois en appliquant la technique de transformation qui vient d'être décrite, associant à une loi de probabilité
caractérisant une mesure locale incertaine, une pseudo-donnée ponctuelle en accord avec la loi de probabilité dont elle est issue et un modèle de variabilité spatiale, à
une autre approche d'optimisation du modèle stochastique connue en soi, telle que la méthode dite des points pilotes.
Claims (9)
1. Méthode réalisée par un ordinateur pour générer une image d'une zone souterraine ajustée à des données dynamiques et des données statiques incertaines, les données statiques incertaines résultant de lois de probabilités connues et d'un modèle de variabilité spatiale, en exécutant par le biais de l'ordinateur, les étapes comprenant:
- générer au moins deux représentations d'un modèle stochastique, lesdits au moins deux représentations présentant la distribution dans la zone souterraine d'une propriété physique de la zone souterraine;
- optimiser lesdits au moins deux représentations par le biais d'un premier processus de déformation desdits au moins deux représentations contrôlé par au moins un premier paramètre de déformation, de sorte que lesdits au moins deux représentations soient ajustées aux données dynamiques;
- transformer les lois de probabilités selon le modèle de variabilité spatiale en pseudo-données ponctuelles;
- ajuster les pseudo-données par le biais d'un processus itératif où un premier bruit blanc gaussien associé aux pseudo-données est combiné à un deuxième bruit blanc gaussien;
- optimiser les représentations ajustées au données dynamiques, de sorte que les représentations soient ajustées au données statiques incertaines;
- générer l'image de la zone souterraine par le biais d'une représentation d'une distribution d'une propriété physique de la zone souterraine de sorte que la représentation soit ajustée aux données dynamiques et aux données statiques incertaines.
- générer au moins deux représentations d'un modèle stochastique, lesdits au moins deux représentations présentant la distribution dans la zone souterraine d'une propriété physique de la zone souterraine;
- optimiser lesdits au moins deux représentations par le biais d'un premier processus de déformation desdits au moins deux représentations contrôlé par au moins un premier paramètre de déformation, de sorte que lesdits au moins deux représentations soient ajustées aux données dynamiques;
- transformer les lois de probabilités selon le modèle de variabilité spatiale en pseudo-données ponctuelles;
- ajuster les pseudo-données par le biais d'un processus itératif où un premier bruit blanc gaussien associé aux pseudo-données est combiné à un deuxième bruit blanc gaussien;
- optimiser les représentations ajustées au données dynamiques, de sorte que les représentations soient ajustées au données statiques incertaines;
- générer l'image de la zone souterraine par le biais d'une représentation d'une distribution d'une propriété physique de la zone souterraine de sorte que la représentation soit ajustée aux données dynamiques et aux données statiques incertaines.
2. Méthode selon la revendication 1, dans laquelle les pseudo-données sont obtenues par les étapes comprenant:
- calculer un estimateur de krigeage F K des pseudo-données ponctuelles ayant été calculées, et un écart type associé .sigma.K;
- générer un nombre uniforme indépendant;
- calculer une fonction de répartition correspondant à une loi de probabilité
h, où h est une loi de probabilité normale d'une moyenne de F K et de l'écart type .sigma.K
multiplié par les lois de probabilités; et - déterminer les pseudo-données en calculant un inverse de la fonction de répartition pour le nombre uniforme.
- calculer un estimateur de krigeage F K des pseudo-données ponctuelles ayant été calculées, et un écart type associé .sigma.K;
- générer un nombre uniforme indépendant;
- calculer une fonction de répartition correspondant à une loi de probabilité
h, où h est une loi de probabilité normale d'une moyenne de F K et de l'écart type .sigma.K
multiplié par les lois de probabilités; et - déterminer les pseudo-données en calculant un inverse de la fonction de répartition pour le nombre uniforme.
3. Méthode selon la revendication 1, dans laquelle le premier processus de déformation comprend l'étape de:
- optimiser lesdits au moins deux représentations par le biais d'un processus itératif de déformation comprenant une combinaison linéaire d'une première représentation et d'au moins une deuxième représentation indépendante générée par le modèle stochastique, la combinaison linéaire étant définie par un premier jeu de coefficients de combinaison contrôlé par ledit au moins un premier paramètre de déformation.
- optimiser lesdits au moins deux représentations par le biais d'un processus itératif de déformation comprenant une combinaison linéaire d'une première représentation et d'au moins une deuxième représentation indépendante générée par le modèle stochastique, la combinaison linéaire étant définie par un premier jeu de coefficients de combinaison contrôlé par ledit au moins un premier paramètre de déformation.
4. Méthode selon la revendication 1, dans laquelle le processus itératif est un deuxième processus utilisant un deuxième jeu de coefficients contrôlé par au moins un deuxième paramètre de déformation.
5. Méthode selon la revendication 3, dans laquelle une somme des carrés du premier jeu de coefficients de combinaison est 1.
6. Méthode selon la revendication 4, dans laquelle une somme des carrés du deuxième jeu de coefficients de combinaison est 1.
7. Méthode selon la revendication 4, dans laquelle les lois de probabilité
sont des lois normales ou des lois uniformes.
sont des lois normales ou des lois uniformes.
8. Méthode selon la revendication 4 ou 6, dans laquelle les premier et deuxième paramètres de déformation sont identiques.
9. Méthode selon l'une quelconque des revendications 1 à 8, dans laquelle le modèle stochastique est un modèle gaussien ou un modèle apparenté-gaussien.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR03/02199 | 2003-02-21 | ||
| FR0302199A FR2851670B1 (fr) | 2003-02-21 | 2003-02-21 | Methode pour elaborer plus rapidement un modele stochastique representatif d'un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines |
| PCT/FR2004/000363 WO2004079144A2 (fr) | 2003-02-21 | 2004-02-18 | Methode pour elaborer plus rapidement un modele stochastique representatif d’un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CA2516540A1 CA2516540A1 (fr) | 2004-09-16 |
| CA2516540C true CA2516540C (fr) | 2012-08-21 |
Family
ID=32799518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CA2516540A Expired - Fee Related CA2516540C (fr) | 2003-02-21 | 2004-02-18 | Methode pour elaborer plus rapidement un modele stochastique representatif d`un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US7392166B2 (fr) |
| EP (1) | EP1623086A2 (fr) |
| CA (1) | CA2516540C (fr) |
| FR (1) | FR2851670B1 (fr) |
| NO (1) | NO20053957L (fr) |
| WO (1) | WO2004079144A2 (fr) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6853921B2 (en) | 1999-07-20 | 2005-02-08 | Halliburton Energy Services, Inc. | System and method for real time reservoir management |
| US7584165B2 (en) * | 2003-01-30 | 2009-09-01 | Landmark Graphics Corporation | Support apparatus, method and system for real time operations and maintenance |
| 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 |
| FR2886742B1 (fr) * | 2005-06-02 | 2007-07-27 | Inst Francais Du Petrole | Methode de changement d'echelle des permeabilites absolues pour construire un modele de simulation d'ecoulement |
| 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 |
| EP1999492A4 (fr) | 2006-01-20 | 2011-05-18 | Landmark Graphics Corp | Méthode de gestion dynamique d'un système de production |
| 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 |
| CN101842756A (zh) * | 2007-08-14 | 2010-09-22 | 国际壳牌研究有限公司 | 用于化工厂或精炼厂的连续、在线监视的系统与方法 |
| FR2920816B1 (fr) * | 2007-09-06 | 2010-02-26 | Inst Francais Du Petrole | Methode pour mettre a jour un modele geologique a l'aide de donnees dynamiques et d'essais de puits |
| 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 |
| US8355898B2 (en) * | 2008-06-17 | 2013-01-15 | Chevron U.S.A. Inc. | System and method for modeling flow events responsible for the formation of a geological reservoir |
| FR2935177B1 (fr) * | 2008-08-19 | 2010-10-29 | Inst Francais Du Petrole | Methode de calage d'historique de reservoir petrolier au moyen de parametrisations locales |
| EP2499567A4 (fr) | 2009-11-12 | 2017-09-06 | Exxonmobil Upstream Research Company | Procédé et appareil de modélisation et de simulation de réservoirs |
| US8930170B2 (en) * | 2009-11-18 | 2015-01-06 | Conocophillips Company | Attribute importance measure for parametric multivariate modeling |
| FR2953039B1 (fr) * | 2009-11-26 | 2012-01-13 | Inst Francais Du Petrole | Methode d'exploitation d'un gisement petrolier par reconstruction de modele de reservoir |
| FR2954557B1 (fr) * | 2009-12-23 | 2014-07-25 | Inst Francais Du Petrole | Methode d'exploitation d'un gisement petrolier a partir d'une construction d'une carte de facies |
| US8775142B2 (en) | 2010-05-14 | 2014-07-08 | Conocophillips Company | Stochastic downscaling algorithm and applications to geological model downscaling |
| RU2565357C2 (ru) * | 2010-09-27 | 2015-10-20 | Тоталь Са | Моделирование карстообразования |
| US20130132052A1 (en) * | 2011-11-18 | 2013-05-23 | Chevron U.S.A. Inc. | System and method for assessing heterogeneity of a geologic volume of interest with process-based models and dynamic heterogeneity |
| US20150285950A1 (en) * | 2012-02-10 | 2015-10-08 | Landmark Graphics Corporation | Systems and Methods for Selecting Facies Model Realizations |
| MX2014015955A (es) * | 2012-06-26 | 2015-07-17 | Total Sa | Determinacion del diagrama de truncamiento para un calculo plurigaussiano. |
| FR3023316B1 (fr) * | 2014-07-04 | 2016-08-19 | Ifp Energies Now | Procede d'exploitation d'un gisement petrolier a partir d'une technique de positionnement des puits a forer |
| CN104679986B (zh) * | 2015-01-22 | 2016-02-24 | 中国石油大学(华东) | 一种用于聚合物驱油藏非均质程度的检测方法 |
| US11126694B2 (en) * | 2016-06-13 | 2021-09-21 | Schlumberger Technology Corporation | Automatic calibration for modeling a field |
| US11603740B2 (en) * | 2017-07-13 | 2023-03-14 | Schlumberger Technology Corporation | Method for real-time interpretation of pressure transient test |
| CN114547498B (zh) * | 2021-12-31 | 2026-03-03 | 宁波市水利水电规划设计研究院有限公司 | 基于b/s框架的水流二维流场仿真可视化方法及系统 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5325533A (en) * | 1993-06-28 | 1994-06-28 | Taligent, Inc. | Engineering system for modeling computer programs |
| US6295512B1 (en) * | 1998-05-01 | 2001-09-25 | John Bryant | Subsurface mapping apparatus and method |
| FR2780798B1 (fr) * | 1998-07-01 | 2000-12-08 | Inst Francais Du Petrole | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine |
| US6388947B1 (en) * | 1998-09-14 | 2002-05-14 | Tomoseis, Inc. | Multi-crosswell profile 3D imaging and method |
| 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 |
| US7231327B1 (en) * | 1999-12-03 | 2007-06-12 | Digital Sandbox | Method and apparatus for risk management |
| 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 |
| US6981548B2 (en) * | 2001-04-24 | 2006-01-03 | Shell Oil Company | In situ thermal recovery from a relatively permeable formation |
| CN100540843C (zh) * | 2001-10-24 | 2009-09-16 | 国际壳牌研究有限公司 | 利用自然分布型燃烧器对含烃岩层进行就地热处理的方法 |
| US7090013B2 (en) * | 2001-10-24 | 2006-08-15 | Shell Oil Company | In situ thermal processing of a hydrocarbon containing formation to produce heated fluids |
| US7606691B2 (en) * | 2001-12-13 | 2009-10-20 | Exxonmobil Upstream Research Company | Method for locally controlling spatial continuity in geologic models |
| 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 |
| FR2869421B1 (fr) * | 2004-04-27 | 2006-06-02 | Inst Francais Du Petrole | Methode de reconstruction d'un modele stochastique, representatif d'un milieu heterogene poreux, pour ameliorer son calage par les donnees de production |
| 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 |
-
2003
- 2003-02-21 FR FR0302199A patent/FR2851670B1/fr not_active Expired - Fee Related
-
2004
- 2004-02-18 CA CA2516540A patent/CA2516540C/fr not_active Expired - Fee Related
- 2004-02-18 WO PCT/FR2004/000363 patent/WO2004079144A2/fr not_active Ceased
- 2004-02-18 US US10/546,452 patent/US7392166B2/en not_active Expired - Fee Related
- 2004-02-18 EP EP04712071A patent/EP1623086A2/fr not_active Withdrawn
-
2005
- 2005-08-25 NO NO20053957A patent/NO20053957L/no not_active Application Discontinuation
Also Published As
| Publication number | Publication date |
|---|---|
| NO20053957D0 (no) | 2005-08-25 |
| WO2004079144A3 (fr) | 2006-02-02 |
| FR2851670B1 (fr) | 2005-07-01 |
| CA2516540A1 (fr) | 2004-09-16 |
| US7392166B2 (en) | 2008-06-24 |
| NO20053957L (no) | 2005-11-21 |
| EP1623086A2 (fr) | 2006-02-08 |
| WO2004079144A2 (fr) | 2004-09-16 |
| US20060149520A1 (en) | 2006-07-06 |
| FR2851670A1 (fr) | 2004-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2516540C (fr) | Methode pour elaborer plus rapidement un modele stochastique representatif d`un reservoir heterogene souterrain, contraint par des donnees statiques et dynamiques incertaines | |
| CA2445858C (fr) | Methode pour former plus rapidement un modele stochastique representatif d'un reservoir heterogene souterrain, contraint par des donnees dynamiques | |
| Lisiecki et al. | Application of dynamic programming to the correlation of paleoclimate records | |
| EP1760492B1 (fr) | Méthode pour mettre à jour un modèle géologique de réservoir a l'aide de données dynamiques | |
| Lin et al. | Probabilistic sequence alignment of stratigraphic records | |
| EP2628893B1 (fr) | Procédé d'exploitation d'un gisement à partir d'une technique de sélection des positions de puits à former | |
| EP2568110B1 (fr) | Procéde d'exploitation d'un gisement pétrolier à partir d'une technique de selection des positions des puits à forer | |
| EP1584951A1 (fr) | Procédé, dispositif et produit-programme de simulation stochastique de paléo chenaux ou de paléo structure géologiques | |
| CA2195991A1 (fr) | Methode pour simuler le remplissage d'un bassin sedimentaire | |
| EP2400320B1 (fr) | Procédé d'exploitation d'un gisement pétrolier à partir d'un modèle de réservoir déformé graduellement au moyen de cosimulations | |
| FR2823877A1 (fr) | 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 | |
| FR2862765A1 (fr) | Methode pour former un modele stochastique optimal d'une zone souterraine heterogene, cale sur des donnees dynamiques par parametrisation de distributions continues | |
| FR2842321A1 (fr) | Methode pour contraindre un champ de permeabilite heterogene representant un reservoir souterrain par des donnees dynamiques | |
| EP2157451A1 (fr) | Méthode de calage d'historique de réservoir pétrolier au moyen de paramétrisations locales | |
| EP2343576A1 (fr) | Méthode d'exploitation d'un gisement pétrolier à partir d'une construction d'une carte de faciès représentative du gisement | |
| EP2770162B1 (fr) | Procédé d'exploitation d'un réservoir géologique au moyen d'un modèle de réservoir calé et cohérent vis à vis des propriétés d'écoulement | |
| EP2685291A2 (fr) | Procédé d'exploitation d'un réservoir géologique a partir d'un modèle de reservoir calé par le calcul d'une loi analytique de distribution conditionnelle de paramètres incertains du modèle | |
| EP2479590B1 (fr) | Procédé pour mettre à jour un modèle de réservoir en temps réel à partir de données dynamiques tout en conservant sa cohérence avec les observations statiques | |
| EP2339485A1 (fr) | Méthode d'exploitation d'un gisement pétrolier par reconstruction de modèle de réservoir | |
| Madsen et al. | Choosing between Gaussian and MPS simulation: the role of data information content—a case study using uncertain interpretation data points | |
| FR2821946A1 (fr) | 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 | |
| EP1498748B1 (fr) | Méthode de déformation graduelle d'un modèle booléen de simulation d'un milieu hétérogène, contraint par des données dynamiques | |
| FR3061507A1 (fr) | Outil de modelisation de la paleotemperature de surface globale | |
| FR3076626A1 (fr) | Prediction de proprietes de roches sismiques en temps avance sur la base d'une analyse sismique 4d | |
| WO2009090522A1 (fr) | Procede, programme et systeme informatique de construction d'un modele geologique 3d |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EEER | Examination request | ||
| MKLA | Lapsed |
Effective date: 20160218 |