Académique Documents
Professionnel Documents
Culture Documents
AUTORES:
Célio Maschio
Cássio Pettan Viegas de Carvalho
Denis José Schiozer
INSTITUIÇÃO:
Departamento de Engenharia de Petróleo
Faculdade de Engenharia Mecânica
Universidade Estadual de Campinas
!"# $
%
&
'
% #
(
) **
*++,#
-
$ .
&
/ ( &
0 &
#
&
12
12 . " &
3
# &
#
% . "
$
$
&
4
&
. " &
&
# #
0 %
&
'
. "12
12 &
&
5
&
%
!".
Abstract
History matching consists of the calibration of a simulation model in order to approximate the
simulated and observed data. Traditionally, the process is carried out by choosing a set of properties
(reservoir attributes) and, manually or using an optimization algorithm, one best solution among the
possible combinations is normally obtained. Nowadays, the petroleum industry does not work with
only a deterministic model to perform reservoir future predictions, being necessary a set of modes with
associated probabilities. In this work, a methodology to integrate the history matching process with the
uncertainty analysis is presented. Using the observed data, the probabilities of each level of
uncertainty are redistributed in order to reduce the uncertainties of the attributes. The uncertainty of an
attribute is normally characterized by a probability distribution such as normal, log-normal, uniform,
among others. One common simplification in the process is the discretization of the probability
distribution in levels of uncertainty whose combination results in a set of models each of one with an
associated probability. The derivative tree is a technique frequently used for this combination,
however, the use of this technique can be prohibitive for cases with seven or more attributes, due the
elevated number of simulations required. In the proposed methodology, the uncertainty quantification
is performed by mean of the Latin Hypercube technique, that is a sampling procedure by which
selective trials are carried out according to the probability of each level (or range) of uncertainty. The
number of trials within a given range is directly proportional to its probability. Additionally, an
algorithm for probability redistribution was proposed. This algorithm consists of the changing of the
probability of the levels according to the proximity of the resulting models response with respect to the
observed data. According to the new probability distribution, Latin Hypercube is applied for sampling
models closer to the history data for the construction of the uncertainty curve, that represents the
dispersion of the global set of modes with respect to the history and measures the quality of global
matching. The methodology was applied to two reservoir models with four and eight uncertain
attributes. The results showed that is possible to obtain solutions with the same quality with less than
10% of the number of simulations necessary with the derivative tree. Other aspects such as the
influence of the number of sampled models through the Latin Hypercube is also presented.
Introdução
amostragem Hipercubo Latino com o intuito de viabilizar o estudo de casos com maior número de
atributos.
0.5
0.4
Probabilidade
0.3
0.2
0.1
0.0
0.00 1.25 2.50 3.75 5.00
Variável
!"#$ % ! %&'()*$ +$!# % "$((#%% & %&, '-)*$ ! . /& ,$! &$' $&
'01& %$ 2" ,($ 3'+$
A técnica de Hipercubo Latino foi utilizada por Xu et al. (2005) para modelagem espacial de
incertezas em modelos de simulação na área florestal. Na área de petróleo, poucos trabalhos são
encontrados. Queipo et al. (2002) e Zerpa et al. (2005) utilizaram a técnica de Hipercubo Latino para a
determinação do conjunto de modelos para a realização de planejamento estatístico, combinando com
a técnica de redes neurais artificiais. Minhas et al. (2005) aplicaram a técnica para melhor representar
a função de densidade de probabilidade e manter viável o número de simulações.
Outras metodologias foram propostas na literatura. Utilizando métodos geoestatísticos, Bissel (1997);
Jenni et al. (2004) e Bennett e Graf (2002) propuseram a geração de múltiplos modelos de simulação e
o ajuste de cada um dos modelos. O problema é que essa abordagem exige um alto esforço
computacional e é um processo trabalhoso. Nicotra et al. (2005) e Rotondi et al. (2006) propuseram
métodos baseados no uso de algoritmos de otimização para selecionar modelos para previsão de
Metodologia
A metodologia proposta neste trabalho está inserida no contexto de uma nova abordagem do problema
de ajuste histórico integrada com a análise de incertezas. Dentro dessa nova abordagem, Moura Filho
(2006), Maschio et al. (2005), Becerra (2007) e Maschio et al. (2009) apresentaram métodos de
redução de incertezas com base nos dados observados. Porém, nesses trabalhos a composição dos
cenários foi realizada através da técnica da árvore de derivação, cuja principal limitação é o
crescimento exponencial do número de simulações com o aumento do número de atributos incertos ou
do número de níveis na discretização da distribuição de probabilidades dos atributos. No presente
trabalho, a quantificação de incertezas, ou seja, a composição dos cenários, é realizada através da
aplicação da técnica de Hipercubo Latino.
( )
NO
2
E = ∑ d iobs − d isim (1)
i =1
sendo d obs
i e d sim
i os dados observados e simulados, respectivamente e NO o número de dados
observados. Com o objetivo de representar a posição da curva simulada em relação aos dados
observados, utiliza-se o erro (ou diferença) com sinal, conforme equação abaixo.
D
Es = E (2)
D
onde
( )
N
D = ∑ d iobs − d sim
i (3)
i =1
Se Es for positivo, significa que a curva simulada está predominantemente abaixo do histórico e, vice-
versa. Considerando várias séries de dados, por exemplo, vazão de água de vários poços, o erro médio
passa a ser definido como:
1 p
E= ∑ ( Es ) j (4)
S j=1
Es
OF = E (5)
Es
onde
1 p
Es = ∑ (Es ) j (6)
S j=1
O segundo passo da metodologia consiste na redistribuição das probabilidades com base nos dados
observados. As novas probabilidades (Pn) dos níveis de incerteza são calculadas de acordo com a
Equação 7, a seguir:
E ne
Pn = k
(7)
∑E
n =1
e
n
1.0
1 2
0.8
Prob. acumulada
0.6
0.4
0.2
0.0 0
-1 Função
-0.5 Objetivo
0 (FO)0.5
(a) (b)
!" #! $%!$ &$" '($ %)%$ *+ ! &' #! ,&!%!- *)+
Aplicação
y e 5 camadas. O modelo do Caso 2 é composto por 2 five-spots, sendo drenado por 6 poços
produtores e 2 injetores de água, tendo 46 blocos na direção x, 23 blocos na direção y e 5 camadas. Na
Figura 3 são mostradas as regiões de permeabilidade dos modelos de reservatório estudados. Cada
região de permeabilidade foi considerada como um atributo incerto com distribuição de probabilidade
inicial uniforme.
(a) (b)
! " #$%&"" "'! $'"&'! " !()*' !)""'!+ ,- .!' / ,%- .!' 0
Resultados e Discussão
Na Figura 4-a são apresentadas as novas distribuições de probabilidade para os 4 atributos incertos do
Caso 1 após a aplicação do algoritmo de redistribuição. Para a geração dessas novas distribuições,
foram utilizadas 15 simulações. Para cada atributo, o maior valor de probabilidade corresponde à faixa
representativa do valor utilizado para gerar o histórico (valor “real”), o que mostra que o algoritmo de
redistribuição de probabilidades convergiu corretamente. Os valores “-1”, “0” e “1” são os valores
codificados das permeabilidades e representam, respectivamente, 1000, 4000 e 7000 mD. Essa nova
distribuição foi utilizada como base para os sorteios através da técnica de Hipercubo Latino. Na Figura
4-b está a comparação entre as curvas de incerteza para diferentes números de sorteios.
A partir da curva de incerteza original e da curva obtida com 15 sorteios (HL - 15) foram selecionados
modelos representativos dos percentis P10 e P90 para a realização da previsão de produção. Na Figura
5 pode-se observar a previsão de produção de água para dois poços desses modelos antes e após a
aplicação da metodologia de redução de incertezas proposta. Observa-se que a faixa entre o P10 e P90
ficou bastante reduzida e bem próxima do histórico, que se reflete em uma faixa de variação no
período de previsão também menor.
Nas Figuras 6 e 7 são apresentados os mesmos resultados para o Caso 2. Para a redistribuição de
probabilidades foram usadas, nesse caso, 100 simulações. Pode-se observar pela Figura 6-b que 50
sorteios através do Hipercubo Latino foram suficientes para representar de forma adequada a curva de
incerteza, pois forneceram resultado praticamente idêntico ao obtido com 6561 pontos, equivalentes
para esse caso ao número de simulações que seriam necessárias com o uso da árvore de derivação.
Para esse caso, os modelos representativos dos percentis P10 e P90 para a realização da previsão de
produção foram selecionados a partir da curva de incerteza original e da curva obtida com 50 sorteios
(HL - 50).
(a) (b)
!""#$ "$ % %$ &'$ &!()* " !%+ "# #"$% )* ,- # (+&)*
#.%# $ (/$ "# .(#%#0 & "1##.%#$ .2+#$ "# $%#$ %/3$ " 4&#( 5%. 6 7$ 8
PROD1 PROD4
240 240
Previsão Histórico
Vazão de água (m /d)
Histórico Previsão
Vazão de água (m /d)
200 200
3
3
160 160
120 histórico 120 histórico
P10 antes P10 antes
80 P90 antes 80 P90 antes
40 P10 depois 40 P10 depois
P90 depois P90 depois
0 0
0 1800 3600 5400 7200 0 1800 3600 5400 7200
Tempo (dias) Tempo (dias)
9 #/$* "# &")* "# : "$ +"#!$ 8; # <; .%#$ # &'$ #")* "# .(#%#0$ ,7$ 8-
(a) (b)
= !""#$ "$ > % %$ &'$ &!()* " !%+ "# #"$% )* ,- # (+&)*
#.%# $ (/$ "# .(#%#0 & "1##.%#$ .2+#$ "# $%#$ %/3$ " 4&#( 5%. 6 7$ ?
PROD4 PROD6
200 200
Vazão de água (m /d) Histórico Previsão Histórico Previsão
3
120 histórico 120
P10 antes histórico
80 80 P10 antes
P90 antes P90 antes
40 P10 depois 40 P10 depois
P90 depois P90 depois
0 0
0 1800 3600 5400 7200 0 1800 3600 5400 7200
Tempo (dias) Tempo (dias)
!"# $ %#$&"# $ ' $#! (#$)#! *+ ,+ -.! %/! $&"# $ -0.1! 23!# 45
Conclusões
Agradecimentos
Os autores agradecem ao Grupo UNISIM, ANP (PRH), PETROBRAS (REDE SIGER), CEPETRO e
o Departamento de Engenharia de Petróleo pelo apoio na realização deste trabalho.
Referências Bibliográficas
Becerra, G.G. “Mitigação de Incertezas através da Integração com Ajuste de Histórico de Produção”,
Faculdade de Engenharia Mecânica e Instituto de Geociências, Universidade Estadual de
Campinas, 2007, 192 p. Dissertação (Mestrado).
Bennett, F. and Graf, T. “Use of Geostatistical Modeling and Automatic History Matching to Estimate
Production Forecast Uncertainty – A Case Study”, SPE 74389, International Petroleum Conference
and Exhibition, Mexico, 10–12 February, 2002.
Bissel, R. C. “Combining Geostatistical Modeling With Gradient Information for History Matching:
The Pilot Point Method”, SPE 38730, Annual Technical Conference and Exhibition, San Antonio,
Texas, U.S.A., 5–8 October, 1997.
Jenni, S.; Hu, L. Y.; Basquet, R.; de Marsily, G. and Bourbiaux. “History Matching of Stochastic
Models of Field-Scale Fractures: Methodology and Case Study”, SPE 90020, Annual Technical
Conference and Exhibition, Houston, Texas, U.S.A., 26–29 September, 2004.
Maschio, C.; Schiozer, D. J.; Moura Filho, M. A. B.; Becerra, G. G., “A Methodology to Reduce
Uncertainty Constrained to Observed Data”, SPE Reservoir Evaluation & Engineering. 12 (1), p.
167–180, 2009.
Maschio, C., Schiozer, D.J. e Moura Filho, M.A.B., “A Methodology to Quantify the Impact of
Uncertainties in the History Matching Process and in the Production Forecast”, SPE 96613, Annual
Technical Conference and Exhibition, Dallas, Texas, 9–12 October, 2005.
Minhas, H.; Matteo, E.; Eikeland, K.M.; Mengoli, M.; Beswetherick, S. “Probabilistic Reserve
Estimation Constrained by Limited Production Data: An Integrated Approach”, IPTC 10957,
International Petroleum Technology Conference, 21–23 November, Doha, Qatar, 2005.
Nicotra, G., Godi, A., Cominelli, A. e Christie, M. “Production Data and Uncertainty Quantification:
A Real Case Study”, SPE 93280. Reservoir Simulation Symposium, Houston, Texas, 31 Janeiro-02
Fevereiro 2005.
Queipo, N. V.; Pintos, S.; Rincón, N.; Contreras, N., “Surrogate modeling-based optimization for the
integration of static and dynamic data into a reservoir description”, Journal of Petroleum Science
and Engineering, 35, 167–181, 2002.
Xu, C.; He, H. S.; Hu, Y.; Chang, et al.. “Latin hypercube sampling and geostatistical modeling of
spatial uncertainty in a spatially explicit forest landscape model simulation”, Ecological Modelling
185, 255–269, 2005.
Zerpa, L. E.; Queipo, N. V.; Pintos, S.; Salager, J. L. “An optimization methodology of alkaline–
surfactant–polymer flooding processes using field scale numerical simulation and multiple
surrogates”, Journal of Petroleum Science and Engineering 47, 197–208, 2005.