Научно-технический журнал
«Геология, геофизика и разработка нефтяных и газовых месторождений»
ISSN 2413-5011
№4 (376), Апрель 2023 г.
Использование генеративно-состязательных сетей в качестве метода генерации фаций для воссоздания геологической неоднородности пласта
УДК: 622.276
DOI: 10.33285/2413-5011-2023-4(376)-27-35
Авторы:
Ключевые слова: интеграция данных в модель, геологическая неопределенность, неоднородность пласта, проницаемость, нейронные сети, глубокое обучение, параметризация пласта, фильтр Калмана, оптимизация
Аннотация:
Применение методов интеграции данных в геолого-гидродинамическую модель для оптимизации разработки месторождений было предметом интенсивных исследований в течение последних 10 лет. В последнее время наблюдается заметный прогресс в способности методов интеграции данных снижать геологическую неопределённость характеристик коллектора и улучшать оптимизацию разработки месторождений. Однако по-прежнему существуют проблемы с тем, как интегрировать динамические данные в модель.
В статье обобщены основные достижения в области оптимизации процесса заводнения с применением подхода интеграции данных и рассмотрены достижения прошлого времени, в том числе разработки в области поиска модификаций ансамблевого фильтра Калмана (EnKF) и ансамблевого сглаживателя (ES).
Также в статье показаны результаты разработки алгоритма глубокого обучения – генеративно-состязательной сети (ГСС) и демонстрация процесса генерации синтетической геологической модели:
• без интеграции данных проницаемости в модель;
• с интеграцией данных о проницаемости скважины в модель.
Результаты работы показывают эффективность применения ГСС в качестве метода генерации фаций для воссоздания геологической неоднородности пласта, а также способности ГСС в интеграции данных в синтетическую модель.
Оценена возможность создания пары генеративно-состязательная сеть – ансамблевый сглаживатель для улучшения замкнутого цикла управления разработкой нефтяного месторождения.
Список литературы:
1. Brouwer D.R., Jansen J.D. Dynamic Optimization of Waterflooding With Smart Wells Using Optimal Control Theory // SPE Journal Society of Petroleum Engineers. – 2004. – Vol. 9. – № 04. – Pp. 391–402.
2. Results of the Brugge Benchmark Study for Flooding Optimization and History Matching / E. Peters [et al.] // SPE Reservoir Simulaton Symposium. – 2010. – DOI: 10.2118/119094-MS
3. Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching / A.A. Emerick [et al.] // Computational Geosciences. – 2020.
4. Generative adversarial networks / I. Goodfellow [et al.] // Commun. – ACM. 2020. – Vol. 63. – № 11. – Pp. 139–144.
5. Closed-Loop Reservoir Management / Jansen J.D. [et al.] // System. – 2009. – DOI: 10.2118/119098-MS
6. Nævdal G., Brouwer D.R., Jansen J.D. Waterflooding using closed-loop control // Comput. Geosci. – 2006. – Vol. 10. – № 1. – Pp. 37–60.
7. Chen Y., Oliver D.S., Zhang D. Efficient Ensemble-Based Closed-Loop Production Optimization // SPE Journal Society of Petroleum Engineers. – 2009. – Vol. 14. – № 04. – Pp. 634–645.
8. Robust Waterflooding Optimization of Multiple Geological Scenarios / van Essen G. [ et al.] // SPE Journal Society of Petroleum Engineers. – 2009. – Vol. 14. – № 01. – Pp. 202–210. – DOI: 10.2118/102913-РА
9. Barros G.D.E., Van den Hof P.M.J., Jansen J.D. Value of information in closed-loop reservoir management // Comput. Geosci. Computational Geosciences. – 2016. – Vol. 20. – № 3. – Pp. 737–749.
10. Kalman R.E. A New Approach to Linear Filtering and Prediction Problems // Journal Basic Eng. ASME. – 1960. – Vol. 82. – № 1. – Pp. 35–45.
11. Khrulenko A., Shchipanov A., Berenblyum R. Conditioning Reservoir Models To Pressure Transients By Iterative Ensemble Smoother. – 2018. – DOI: 10.3997/2214-4609.201802133
12. Gordon N.J., Salmond D.J., Smith A.F.M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation // IEE Proc. F-Radar Signal Process. – 1993. – Vol. 140. – № 2. – Pp. 107–113.
13. Aman B.M. Reservoir History Matching Using Ensemble Kalman Filters with Anamorphosis Transforms: Thesis… degree of Masters of Science. – Saudi Arabia, 2012.
14. Bengio Y., Courville A., Vincent P. Representation Learning: A Review and New Perspectives // IEEE Trans. Pattern Anal. Mach. Intell. – 2013. – Vol. 35. – № 8. – Pp. 1798–1828.
15. Mosser L., Dubrule O., Blunt M.J. DeepFlow: History Matching in the Space of Deep Generative Models. – 2019.
16. Handbook of Mathematical Geosciences / ed. B.S. Daya Sagar, Q. Cheng, F. Agterberg. – Cham: Springer International Publishing, 2018.
17. Sun R., Sessions C. Self-segmentation of sequences: automatic formation of hierarchies of sequential behaviors // IEEE Trans. Syst. Man Cybern. – Part B. – 2000. – Vol. 30. – № 3. – Pp. 403–418.
18. ImageNet Large Scale Visual Recognition Challenge / O. Russakovsky [et al.]. – 2014.
19. Emerick A.A., Reynolds A.C. Ensemble smoother with multiple data assimilation // Comput. Geosci. – 2013. – Vol. 55. – Pp. 3–15.
20. Efficient Ensemble-Based Closed-Loop Production Optimization / Y. Chen [et al.] // SPE Journal. – 2013. – № 14(04). – DOI: 10.2118/112873-MS
21. Guliev R., Zolotukhin A. Field development optimization of waterflooding process using data assimilation methods // IOP Conf. Series. Materiala. Science. Eng. – 2019. – Vol. 700. – № 1. – DOI: 10.1088/1757-899X/700/1/012054