Conjunto suavizado iterativo com localização adaptativa e parametrização com aprendizado profundo em reservatórios carbonáticos.

• Ano de defesa: 2023
• Autor(a) principal: Ranazzi, Paulo Henrique
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Adaptive localization; Ajuste de histórico; Assimilação de dados; Data assimilation; Generative adversarial networks; Iterative ensemble smoother; Localização; Parameterization; Parametrização; Petróleo; Redes adversárias generativas; Reservatórios
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-15022024-104316/

Na última década, Conjuntos Suavizados Iterativos se tornaram o método padrão para a realização de ajuste de histórico de reservatórios de petróleo. Entretanto, sua aplicabilidade é limitada em reservatórios complexos. Estas limitações são relacionadas a duas das principais hipóteses durante a formulação destes métodos baseados em um conjunto de modelos: o uso de um conjunto de tamanho limitado para representar as distribuições e a hipótese de Gaussianidade em ambas as incertezas. Infelizmente, a hipótese de Gaussianidade é significativa em reservatórios carbonáticos onde muitos parâmetros incertos não possuem uma distribuição Gaussiana, como por exemplo a permeabilidade da matriz contendo camadas Super-k camadas muito finas na direção vertical com uma permeabilidade extremamente elevada. Os métodos padrão para contornar os problemas relacionados com o tamanho do conjunto limitado e a não-Gaussianidade são Localização aplicada ao ganho de Kalman e parametrização, respectivamente. Localização aplicada ao ganho de Kalman refere-se à redução do impacto do ganho de Kalman para reduzir o efeito das correlações espúrias durante a atualização dos parâmetros incertos, enquanto a parametrização envolve um mapeamento do parâmetro não-Gaussiano para um domínio Gaussiano antes da etapa de atualização, então mapeando o parâmetro atualizado para seu domínio original para ser utilizado no simulador de reservatórios. Estas limitações motivaram a avaliação e desenvolvimento de métodos específicos para melhorar o processo de assimilação de dados em reservatórios carbonáticos de larga-escala. Um método de localização adaptativo foi desenvolvido, resultando em uma melhor preservação da variância do conjunto a posteriori, consequentemente reduzindo o efeito do colapso do conjunto. Um novo método de parametrização também foi avaliado, usando uma rede adversária generativa, em conjunto com uma técnica de aumento de dados, demonstrando melhorar no desempenho de treinamento mesmo com um conjunto de tamanho limitado. Finalmente, ambos os métodos foram integrados em uma assimilação de dados em duas etapas, aplicada ao benchmark UNISIM-II-H, resultando em resultados satisfatórios em termos da preservação das características geológicas após assimilação.