[論文レビュー] Closed-loop field development optimization with multipoint geostatistics and statistical assessment.

Mehrdad G. Shirangi|arXiv (Cornell University)|Dec 1, 2017

Reservoir Engineering and Simulation Methods参考文献 13被引用数 1

ひとこと要約

本稿では、マルチポイント統計（MPS）と最適化ベースのPCAを用いた、地下資源最適化のためのクローズドループフィールド開発（CLFD）フレームワークを提案する。新規データの繰り返し更新と再最適化により、3つのCLFDサイクルを通じて、96%のケースで真の正 discount 値（NPV）が向上し、平均で37%の向上を達成した。

ABSTRACT

Closed-loop field development (CLFD) optimization is a comprehensive framework for optimal development of subsurface resources. CLFD involves three major steps: 1) optimization of full development plan based on current set of models, 2) drilling new wells and collecting new spatial and temporal (production) data, 3) model calibration based on all data. This process is repeated until the optimal number of wells is drilled. This work introduces an efficient CLFD implementation for complex systems described by multipoint geostatistics (MPS). Model calibration is accomplished in two steps: conditioning to spatial data by a geostatistical simulation method, and conditioning to production data by optimization-based PCA. A statistical procedure is presented to assess the performance of CLFD. Methodology is applied to an oil reservoir example for 25 different true-model cases. Application of a single-step of CLFD, improved the true NPV in 64%--80% of cases. The full CLFD procedure (with three steps) improved the true NPV in 96% of cases, with an average improvement of 37%.

研究の動機と目的

• 複雑な地下システムにおける効率的なCLFDフレームワークの開発を目的とし、複雑な空間的パターンを表現するためのマルチポイント統計（MPS）を用いる。
• 統計的シミュレーションによる空間データ（例：ウェルログ、シスミック）の条件付けと、最適化ベースのPCAによる生産データの条件付けを通じて、正確なモデルキャリブレーションを可能にする。
• 多様な貯留層シナリオにおけるCLFDのパフォーマンスを統計的に評価し、フレームワークの頑健性と有効性を検証すること。
• 繰り返しのデータ統合と再最適化が、フィールド開発意思決定の質を向上させる価値を実証すること。

提案手法

• 複雑な空間的パターンを尊重する実現可能な地質モデルを生成するために、マルチポイント統計（MPS）を用いる。
• 最初のキャリブレーションステップとして、統計的シミュレーションを用いて、空間データ（例：ウェルログ、シスミック）に適合するモデルを条件づける。
• 生産データに適合させるために、最適化ベースの主成分分析（PCA）を用い、シミュレートされた生産と観測された生産のずれを最小化する。
• クローズドループサイクルを実装する：開発計画全体を最適化 → 新規井戸を掘削 → データを収集 → モデルを再キャリブレーション → 再最適化を繰り返し、最適な井戸数に到達するまで続ける。
• 複数の真のモデル実現に対してCLFDのパフォーマンスを評価するための統計的評価手順を導入する。
• 一般性と信頼性を確保するため、25の異なる真のモデルケースを用いてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 MPSとPCAベースのキャリブレーションを用いたCLFDは、複雑な貯留層において、フィールド開発計画の改善に有効に機能するか？
• RQ2 繰り返しの掘削による新規データの統合が、開発計画の正確性と経済的パフォーマンスにどのように影響するか？
• RQ3 多様な貯留層真のモデルシナリオにおけるCLFDの統計的パフォーマンスはいかがなものか？
• RQ4 正 discount 値（NPV）の向上という観点から、CLFDは単一ステップ最適化をどの程度上回るか？
• RQ5 実世界の貯留層応用において、不確実性やモデル誤差を処理するうえで、CLFDフレームワークはどの程度頑健か？

主な発見

• 1つのCLFDサイクルを適用した結果、25のテストケースのうち64%から80%のケースで真のNPVが向上した。
• 3段階の反復的ステップを含む完全なCLFD手順により、96%のケースで真のNPVが向上した。
• 3つのCLFDサイクルを経た全ケースにおけるNPVの平均向上率は37%であった。
• 2段階のキャリブレーションを通じて空間データと生産データを統合することで、モデルの正確性と意思決定の質が顕著に向上した。
• 統計的評価手順により、パフォーマンス向上の定量的評価が成功し、CLFDフレームワークの頑健性が検証された。
• 本手法は、多様な貯留層真のモデル構成に対して、強く適応可能で効果的であることが示された。