Integration of uncertainty analysis with history matching : application in a complex case

Resumo: A grande quantidade de incertezas presente na modelagem de reservatórios gera riscos na previsão de comportamento de um campo de petróleo. Assim, torna-se imprescindível o ajuste de histórico, que é a calibração do modelo de simulação do reservatório com os dados dinâmicos observados, aproximando o modelo da realidade e gerando previsões mais confiáveis. Diversas metodologias surgiram para integrar a análise de incertezas com o ajuste de histórico, mas devido à complexidade do processo, algumas delas só se aplicam a casos simples. A proposta deste trabalho é aplicar os métodos desenvolvidos por Moura Filho (2006), Becerra (2007) e Maschio et al. (2010) em um caso complexo sintético, similar a um modelo real de um reservatório de petróleo e avaliá-los para propor melhorias na metodologia. A técnica consiste em utilizar as diferenças entre os dados de produção observados e os simulados para reduzir as incertezas do reservatório, calculando as probabilidades dos níveis dos parâmetros incertos. Para isso, os atributos incertos são discretizados em três níveis e é feita uma análise de sensibilidade para escolher os atributos críticos, os quais são combinados através da árvore de derivação para gerar os diferentes modelos de simulação. Com os dados históricos (medidos) e simulados destes modelos, é feita a redistribuição das probabilidades dos níveis utilizando e comparando dois métodos: o de Moura Filho e Becerra (Método 1) e o de Maschio et al. (Método 2). Os resultados deles não mostraram boa eficiência na redução das incertezas para o caso estudado, pois as curvas continuaram muito espalhadas com relação ao histórico. Sendo assim, foram criados o Método 3, utilizando as melhores práticas da formulação dos dois estudados com o objetivo de tornar a metodologia mais robusta para uso em casos reais, e o Método 4, que é uma reaplicação do Método 3 após a redefinição dos valores dos níveis dos atributos. Uma comparação dos resultados dos quatro métodos mostra a evolução da redução das incertezas. Além disso, consegue-se diminuir a dispersão dos modelos representativos, centralizando-os com relação ao histórico de produção, o que permite uma melhor previsão de produção e maior confiabilidade na análise de risco de projetos futuros.Abstract: The large amount of uncertainties in reservoir modeling increases petroleum production forecast risks. Therefore, the history matching, which refines the simulation model to closely reproduce production data, is a vital procedure once it approximates numerical models to reality providing reliable predictions. Many methodologies were developed to integrate uncertainty analysis and history matching in order to mitigate the reservoir uncertainties by using the observed data, but due to the process complexity, some of them are applicable only in simple cases. In this context, the present work aims to evaluate the application of existing methods, developed by Moura Filho (2006), Becerra (2007) and Maschio et al. (2010), in a synthetic complex model (i.e. similar to a real field) and propose new methods with some improvements to be applied in real cases of the petroleum industry. The main characteristic of these methods is the use of differences between observed and simulated data to recalculate the probabilities distribution of uncertain parameters with the purpose of reducing reservoir uncertainties. To apply the methods, the uncertainty attributes are discretized in three levels and a sensibility analysis is done to select the critical attributes, which are combined by a derivative tree generating different simulation models. With history and simulated data of these models, the redistribution of occurrence probabilities is made with different formulas: Moura Filho e Becerra (Method 1) and Maschio et al. (Method 2). These two methods are compared and their results don't show good efficiency in uncertainty reduction of the studied case, because the final curves remain widely scattered around history data. Then, two methods are proposed, Method 3, which combines the best practices of the two reviewed ones, making it robust to be used in real cases with a great number of wells and production functions to be adjusted such as water production and pressure. The second proposed one, Method 4, is a reapplication of the third method with a redefinition of attribute values in order to refine the results. A comparison of the results of the four methods shows an evolution in the uncertainty reduction. Besides that, there is a decrease in the dispersion of the representative curves, which are centralized around the history data, providing a better production forecast and greater reliability in risk analysis of future projects