Intégration multi-échelles des données de réservoir et quantification des incertitudes

Multi-scale reservoir data integration and uncertainty quantification

• Auteur / Autrice : Théophile Gentilhomme
• Direction : Guillaume Caumon, Jean-Jacques Royer
• Type : Thèse de doctorat
• Discipline(s) : Géosciences
• Date : Soutenance le 28/05/2014
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : RP2E - Ecole Doctorale Sciences et Ingénierie des Ressources, Procédés, Produits, Environnement
• Partenaire(s) de recherche : Laboratoire : GéoRessources (Nancy)
• Jury : Président / Présidente : Philippe Ackerer
• Jury : Examinateurs / Examinatrices : Olivier Dean, Erwan Gloaguen, Rémi Moyen
• Jury : Rapporteurs / Rapporteuses : Jaime Gomez-Hernandez, Mickaele Le Ravalec-Dupin

Mots clés

Mots clés contrôlés

Gisements pétrolifères, Étude des

Analyse multiéchelle

Mots clés libres

Caractérisation des réservoirs

Multi-échelles

Re-paramétrisation

Schéma de lifting

Ondelettes de seconde génération

Géostatistiques multipoints

Problèmes inverses

Calage historique

Optimisation

Sismique

Données de production

Reservoir characterization

Multi-scale

Re-parameterization

Lifting scheme

Second generation wavelets

Multiple points geostatistics

Inverse problems

History-Matching

Optimization

Seismic

Production data

Résumé

Dans ce travail, nous proposons de suivre une approche multi-échelles pour simuler des propriétés spatiales des réservoirs, permettant d'intégrer des données directes (observation de puits) ou indirectes (sismique et données de production) de résolutions différentes. Deux paramétrisations sont utilisées pour résoudre ce problème: les ondelettes et les pyramides gaussiennes. A l'aide de ces paramétrisations, nous démontrons les avantages de l'approche multi-échelles sur deux types de problèmes d'estimations des incertitudes basés sur la minimisation d'une distance. Le premier problème traite de la simulation de propriétés à partir d'un algorithme de géostatistique multipoints. Il est montré que l'approche multi-échelles basée sur les pyramides gaussiennes améliore la qualité des réalisations générées, respecte davantage les données et réduit les temps de calculs par rapport à l'approche standard. Le second problème traite de la préservation des modèles a priori lors de l'assimilation des données d'historique de production. Pour re-paramétriser le problème, nous développons une transformée en ondelette 3D applicable à des grilles stratigraphiques complexes de réservoir, possédant des cellules mortes ou de volume négligeable. Afin d'estimer les incertitudes liées à l'aspect mal posé du problème inverse, une méthode d'optimisation basée ensemble est intégrée dans l'approche multi-échelles de calage historique. A l'aide de plusieurs exemples d'applications, nous montrons que l'inversion multi-échelles permet de mieux préserver les modèles a priori et est moins assujettie au bruit que les approches standards, tout en respectant aussi bien les données de conditionnement.

In this work, we propose to follow a multi-scale approach for spatial reservoir properties characterization using direct (well observations) and indirect (seismic and production history) data at different resolutions. Two decompositions are used to parameterize the problem: the wavelets and the Gaussian pyramids. Using these parameterizations, we show the advantages of the multi-scale approach with two uncertainty quantification problems based on minimization. The first one concerns the simulation of property fields from a multiple points geostatistics algorithm. It is shown that the multi-scale approach based on Gaussian pyramids improves the quality of the output realizations, the match of the conditioning data and the computational time compared to the standard approach. The second problem concerns the preservation of the prior models during the assimilation of the production history. In order to re-parameterize the problem, we develop a new 3D grid adaptive wavelet transform, which can be used on complex reservoir grids containing dead or zero volume cells. An ensemble-based optimization method is integrated in the multi-scale history matching approach, so that an estimation of the uncertainty is obtained at the end of the optimization. This method is applied on several application examples where we observe that the final realizations better preserve the spatial distribution of the prior models and are less noisy than the realizations updated using a standard approach, while matching the production data equally well.