Iterative Ensemble Smoother with adaptive localization and deep learning parameterization for carbonate reservoirs (2023)
- Authors:
- Autor USP: RANAZZI, PAULO HENRIQUE - EP
- Unidade: EP
- Sigla do Departamento: PMI
- Subjects: RESERVATÓRIOS; PETRÓLEO
- Agências de fomento:
- Language: Inglês
- Abstract: 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 deparametrização 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.
- Imprenta:
- Data da defesa: 20.06.2023
-
ABNT
RANAZZI, Paulo Henrique. Iterative Ensemble Smoother with adaptive localization and deep learning parameterization for carbonate reservoirs. 2023. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-15022024-104316/pt-br.php. Acesso em: 10 fev. 2026. -
APA
Ranazzi, P. H. (2023). Iterative Ensemble Smoother with adaptive localization and deep learning parameterization for carbonate reservoirs (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3134/tde-15022024-104316/pt-br.php -
NLM
Ranazzi PH. Iterative Ensemble Smoother with adaptive localization and deep learning parameterization for carbonate reservoirs [Internet]. 2023 ;[citado 2026 fev. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-15022024-104316/pt-br.php -
Vancouver
Ranazzi PH. Iterative Ensemble Smoother with adaptive localization and deep learning parameterization for carbonate reservoirs [Internet]. 2023 ;[citado 2026 fev. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3134/tde-15022024-104316/pt-br.php - Analysis of main parameters in adaptive ES-MDA history matching.
- Improving pseudo-optimal Kalman-gain localization using the random shuffle method
- Ensemble size investigation in adaptive ES-MDA reservoir history matching
- Influence of the Kalman gain localization in adaptive ensemble smoother history matching
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
