Polynomial-Chaos-Expansion Based Integrated Dynamic Modelling Workflow for Computationally Efficient Reservoir Characterization: A Field Case Study
Notice bibliographique
Résumé
Abstract Assisted history matching which integrates production data dynamically in reservoir modelling has been used to reduce uncertainty in reservoir geological properties which leads to credible production forecasting. For largescale heterogeneous heavy oil reservoirs, typically thousands of full physics simulation runs of multimillion grid reservoir models might be required to accurately probe the posterior probability space given the production history of reservoir, therefore not practical. In this paper, a unique approach for computationally efficient dynamic data integration is presented which includes construction of a proxy model that can replace reservoir simulator. Realizations are first parameterized using Karhunen-Loeve (KL) transformation and represented in terms of few uncorrelated random variables. Considering these random variables as input and production parameters as output, a mathematical model based on Polynomial Chaos Expansion (PCE) is constructed using deterministic coefficients and orthogonal polynomials which is further employed in assisted history matching instead of computationally expensive reservoir simulator. History matching of a SAGD field located in northern Alberta is performed using proposed KL-PCE framework and results are compared with the base case that uses commercial reservoir simulator. Ensemble Kalman Filter (EnKF) is used for assisted history matching due to its ability to assimilate data in large-scale nonlinear systems. Effectiveness of proposed idea is evaluated based on the following criteria: (1) Does KL-PCE framework reduce computational cost significantly, and (2) does proposed workflow produce satisfactory history matching results? It is observed that KL-PCE based proxy model provides similar performance as a commercial simulator in terms of ensemble convergence. Also, uncertainty in geological parameters is reduced significantly which is evident from convergence of updated ensemble towards the true value. Furthermore, computing cost of assisted history matching is reduced by almost 95% as training of PCE needs only few full physics simulations. Finally, proposed surrogate-accelerated integrated dynamic modelling can be used in greenfield closed-loop optimization workflows and uncertainty assessment with minimal use of numerical simulator which ultimately maximize the benefit in monetary terms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».