Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Định lượng sự không chắc chắn trong các bể chứa có mạch thất sử dụng phương pháp tiếp cận tuần tự
Tóm tắt
Mô phỏng bể chứa là rất quan trọng cho việc quản lý tối ưu các bể chứa dầu. Thông thường, nhiều tham số của mô hình là không biết và không thể được đo trực tiếp. Các tham số này cần được suy diễn từ dữ liệu sản xuất tại các giếng. Đây là một bài toán ngược có thể được thiết lập trong khuôn khổ Bayes để tích hợp kiến thức trước đó với dữ liệu quan sát. Các phương pháp Chuỗi Markov Monte Carlo (MCMC) thường được sử dụng để giải quyết các bài toán ngược Bayes bằng cách tạo ra một tập hợp mẫu có thể được sử dụng để xác định phân bố hậu nghiệm. Trong nghiên cứu này, chúng tôi giới thiệu một thuật toán MCMC mới sử dụng một hạt nhân chuyển tiếp tuần tự được thiết kế để tận dụng sự dư thừa thường có mặt trong dữ liệu chuỗi thời gian từ các bể chứa. Phương pháp này có thể được sử dụng để tạo ra các mẫu hiệu quả từ phân bố hậu nghiệm Bayes cho các mô hình phụ thuộc thời gian. Trong khi phương pháp này là tổng quát và có thể hữu ích cho nhiều mô hình khác nhau, chúng tôi xem xét một bài toán ngược Bayes trong đó chúng tôi muốn suy diễn khả năng truyền tải của lỗi từ các phép đo áp suất tại các giếng sử dụng mô hình dòng chảy hai pha. Chúng tôi cho thấy cách mà thuật toán MCMC tuần tự được trình bày ở đây có thể hiệu quả hơn so với phương pháp MCMC Metropolis-Hastings tiêu chuẩn cho bài toán ngược này. Chúng tôi sử dụng thời gian tự tương quan tích hợp cùng với khoảng cách nhảy bình phương trung bình để xác định hiệu suất của từng phương pháp cho bài toán ngược.
Từ khóa
#mô phỏng bể chứa #bài toán ngược Bayes #MCMC #dòng chảy hai pha #khả năng truyền tải của lỗiTài liệu tham khảo
Ahmed, E., Jaffré, J., Roberts, J.E.: A reduced fracture model for two-phase flow with different rock types. Math. Comput. Simul. 137, 49–70 (2017)
Angot, P., Boyer, F., Hubert, F.: Asymptotic and numerical modelling of flows in fractured porous media. ESAIM: Math. Model. Numer. Anal. 43(2), 239–275 (2009)
Billingsley, P.: Probability and Measure. Wiley, New York (2008)
Chavent, G., Jaffré, J.: Mathematical Models and Finite Elements for Reservoir Simulation: Single Phase, Multiphase and Multicomponent Flows Through Porous Media. Elsevier (1986)
Chen, Z., Huan, G., Ma, Y.: Computational Methods for Multiphase Flows in Porous Media, vol. 2. SIAM (2006)
Christen, J.A., Fox, C.: Markov chain Monte Carlo using an approximation. J. Comput. Graph. Stat. 14(4), 795–810 (2005)
Efendiev, Y., Datta-Gupta, A., Ginting, V., Ma, X., Mallick, B.: An efficient two-stage Markov chain Monte Carlo method for dynamic data integration. Water Resour. Res. 41(12) (2005)
Fumagalli, A., Scotti, A.: A numerical method for two-phase flow in fractured porous media with non-matching grids. Adv. Water Resour. 62, 454–464 (2013)
Gamerman, D., Lopes, H.F.: Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference. Chapman and Hall/CRC, Boca Raton (2006)
Geuzaine, C., Remacle, J.F.: Gmsh: A 3-d finite element mesh generator with built-in pre-and post-processing facilities. Int. J. Numer. Methods Eng. 79(11), 1309–1331 (2009)
Lie, K.A.: An Introduction to Reservoir Simulation Using MATLAB/GNU Octave. Cambridge University Press, Cambridge (2019)
Logg, A., Mardal, K.A., Wells, G.N., et al.: Automated Solution of Differential Equations by the Finite Element Method. Springer. https://doi.org/10.1007/978-3-642-23099-8 (2012)
Martin, V., Jaffré, J., Roberts, J.E.: Modeling fractures and barriers as interfaces for flow in porous media. SIAM J. Sci. Comput. 26(5), 1667–1691 (2005)
Nilsen, H.M., Natvig, J.R., Lie, K.A., et al.: Accurate modeling of faults by multipoint, mimetic, and mixed methods. SPE J. 17(02), 568–579 (2012)
Oliver, D.S., Chen, Y.: Recent progress on reservoir history matching: a review. Comput. Geosci. 15(1), 185–221 (2011)
Schwenk, N., Flemisch, B., Helmig, R., Wohlmuth, B.: Dimensionally reduced flow models in fractured porous media. Comput. Geosci 16, 277–296 (2012)
Seabold, S., Perktold, J.: Statsmodels: econometric and statistical modeling with Python. In: Proceedings of the 9th Python in Science Conference, vol. 57, p 61. Scipy (2010)
Solonen, A., Ollinaho, P., Laine, M., Haario, H., Tamminen, J., Järvinen, H., et al.: Efficient MCMC for climate model parameter estimation: parallel adaptive chains and early rejection. Bayesian Anal. 7(3), 715–736 (2012)
Stuart, A.M.: Inverse problems: a Bayesian perspective. Acta Numer. 19, 451–559 (2010)