Kısmi Çifte Olasılıklı Parametre Tahmin Yönteminin Az Tanımlı Ve Aşırı Tanımlı Rezervuar Karakterizasyonu Problemlerinde Kullanımı
Kısmi Çifte Olasılıklı Parametre Tahmin Yönteminin Az Tanımlı Ve Aşırı Tanımlı Rezervuar Karakterizasyonu Problemlerinde Kullanımı
Dosyalar
Tarih
2011-07-01
Yazarlar
Deniz, Melek
Süreli Yayın başlığı
Süreli Yayın ISSN
Cilt Başlığı
Yayınevi
Fen Bilimleri Enstitüsü
Institute of Science and Technology
Institute of Science and Technology
Özet
Yeraltı rezerv tespitleri ve üretim planlamaları yapmak için, incelenmekte olan gerçek rezervuar sistemini yansıtan bir rezervuar modeli yaratmak gerekmektedir. Bu rezervuar modeli genellikle statik (log ve karot gibi) ve dinamik (üretim ve kuyu testleri gibi) veriler ile oluşturulup, düzenlenmektedir. Gözlenen statik dataya bağlı rezervuar karakterizasyonu genellikle lineer tahmin problemi iken, gözlenen dinamik dataya bağlı rezervuar karakterizasyonu lineer olmayan tahmin problemidir. Lineer ve lineer olmayan tahmin yöntemleri ileride az tanımlı ve aşırı tanımlı olarak sınıflandırılacaktır. Az tanımlı problemlerde, rezervuardaki tahmin edilen bilinmeyen parametre sayısı gözlenen uygun data sayısından fazladır. Halbuki aşırı tanımlı problemlerde, gözlenen uygun data sayısı tahmin edilen bilinmeyen parametre sayısından fazladır. Ancak, iyi bir rezervuar modeli oluşturmada ölçülen datalar (dinamik ve/yada statik) tek başına yeterli olmamaktadır. Bu nedenle parametrelerin tahmin edilmesinde, bu datalardan yararlanarak lineer ve lineer olmayan metodlara önsel model eklemek yararlı olmaktadır. Önsel model, kişinin önsel ortalama ve rezervuar parametrelerinin (geçirgenlik, gözeneklilik, faya olan uzaklık gibi) üzerindeki belirsizlik hakkındaki bilgisini göstermektedir. Ama tahminlerde önsel model kullanmak model parametrelerinin yanlı bulunmasına sebebiyet vermektedir. Eğer verilen önsel ortalama yanlış ya da belirsiz ise parametrelerin değerleri de oldukça yanlış tahmin edilecektir. Bu çalışmada, Bayes’ teoremi kapsamında parçalı çifte olasılık parametre tahmin yöntemi ile önsel model parametrelerinin üzerindeki hatanın az tanımlı ve aşırı tanımlı rezervuar karakterizasyonu problemlerindeki etkisi araştırılmıştır. Bu yöntemin, parametrelerin önsel ortalamalarının belirsiz olması durumunda etkin olduğu görülmüştür. Araştırmamızda, az tanımlı linear problemler için statik datalardan yararlanarak önsel bir jeoistatistik model, aşırı tanımlı linear olmayan problemler için ise kararsız basınç testi verilerinden yararlanarak varolan analitik bir rezervuar modeli göz önünde bulundurulmuştur. Lineer ve lineer olmayan tahmin problemleri için olasılıklı yoğunluk fonksiyonlarından (oyf) kullanılan uygun hedef fonksiyonları türetilmiştir. Bu tez kapsamında kullanılan parçalı çifte olasılık parametre tahmin yönteminden elde edilen sonuçlar, yaygın olarak bilinen en küçük kareler ve maksimum olasılık yöntemleri ile karşılaştırılmıştır. Sonuçlar önsel bilginin yanlış olması durumunda, parametrelerin önsel ortalamaları üzerindeki hatanın ne kadar olduğunu gösteremeyen yaygın metodlara nazaran, parçalı çifte olasılık parametre tahmin yönteminin daha doğru bir rezervuar karakterizasyonu sağladığı görülmüştür.
To ascertain reservoir characterization and make a production plan, it is a necessity to have a reservoir model representative of the actual reservoir system under consideration. Such a reservoir model is typically constructed from and calibrated by static (such core and log) data and dynamic (such as production and well test) data. Reservoir characterization based on observed static data normally poses a linear estimation problem, whereas reservoir characterization based on observed dynamic data poses a nonlinear estimation problem. Furthermore, the linear or nonlinear estimation problems can be classified as the underdetermined and overdetermined problems. In the case of the underdetermined problems, the number of unknown parameters (of the reservoir model) to be estimated is far more than the number of observed data available, whereas the number of unknown parameters to be estimated is far less than the number of observed data in the case of overdetermined problems. As the observed (static and/or dynamic) data alone are usually not sufficient to determine a well-defined reservoir model, it is always useful to incorporate a prior model for the parameters to be estimated from observed data by linear or nonlinear estimation methods. The prior model represents one’s prior knowledge of the prior mean and uncertainties of the reservoir parameters (such as permeability, porosity, distance to the fault, etc.). However, the use of prior model in estimation biases the estimates of the model parameters. Hence, if the prior means of the reservoir parameters given are incorrect or uncertain, then the estimates of the parameters could be grossly in error. In this work, we investigate the effect of errors in the means of the prior model parameters on both underdetermined and overdetermined problems of reservoir characterization by the use of partially doubly stochastic estimation methods with the Bayesian framework, which has shown to be effective if the prior means of the parameters are uncertain. For the case of underdetermined linear problems we consider the use of static data with a prior geostatistical model, and for the case of overdetermined nonlinear problems we consider the use of pressure transient data with a given analytical reservoir model in our investigation. The appropriate objective functions for these cases are derived from probability density functions (pdf) for both linear and nonlinear parameter estimation cases. The results obtained from the partially doubly stochastic parameter estimation methods within the theme of this thesis are compared with those from the conventional methods such as the least-squares (LS) and maximum likelihood methods which do not consider uncertainty in prior means of the model parameters. The results show that if prior means are incorrect, then the doubly stochastic parameter estimation methods provide more accurate reservoir characterization than these conventional methods that fail to account for uncertainty in prior means of the parameters.
To ascertain reservoir characterization and make a production plan, it is a necessity to have a reservoir model representative of the actual reservoir system under consideration. Such a reservoir model is typically constructed from and calibrated by static (such core and log) data and dynamic (such as production and well test) data. Reservoir characterization based on observed static data normally poses a linear estimation problem, whereas reservoir characterization based on observed dynamic data poses a nonlinear estimation problem. Furthermore, the linear or nonlinear estimation problems can be classified as the underdetermined and overdetermined problems. In the case of the underdetermined problems, the number of unknown parameters (of the reservoir model) to be estimated is far more than the number of observed data available, whereas the number of unknown parameters to be estimated is far less than the number of observed data in the case of overdetermined problems. As the observed (static and/or dynamic) data alone are usually not sufficient to determine a well-defined reservoir model, it is always useful to incorporate a prior model for the parameters to be estimated from observed data by linear or nonlinear estimation methods. The prior model represents one’s prior knowledge of the prior mean and uncertainties of the reservoir parameters (such as permeability, porosity, distance to the fault, etc.). However, the use of prior model in estimation biases the estimates of the model parameters. Hence, if the prior means of the reservoir parameters given are incorrect or uncertain, then the estimates of the parameters could be grossly in error. In this work, we investigate the effect of errors in the means of the prior model parameters on both underdetermined and overdetermined problems of reservoir characterization by the use of partially doubly stochastic estimation methods with the Bayesian framework, which has shown to be effective if the prior means of the parameters are uncertain. For the case of underdetermined linear problems we consider the use of static data with a prior geostatistical model, and for the case of overdetermined nonlinear problems we consider the use of pressure transient data with a given analytical reservoir model in our investigation. The appropriate objective functions for these cases are derived from probability density functions (pdf) for both linear and nonlinear parameter estimation cases. The results obtained from the partially doubly stochastic parameter estimation methods within the theme of this thesis are compared with those from the conventional methods such as the least-squares (LS) and maximum likelihood methods which do not consider uncertainty in prior means of the model parameters. The results show that if prior means are incorrect, then the doubly stochastic parameter estimation methods provide more accurate reservoir characterization than these conventional methods that fail to account for uncertainty in prior means of the parameters.
Açıklama
Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2011
Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2011
Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2011
Anahtar kelimeler
Karakterizasyon,
optimizasyon,
en küçük kareler,
maksimum olasılık,
maksimum sonsal,
sonsal tahmin,
koşullu gerçekleme,
çifte olasılık,
Levenberg-Marquard,
LU,
önsel model,
Karacterization,
optimization,
least squares,
maximum likelihood,
maximum posterior,
posterior estimate,
conditional realization,
doubly stochastic,
prior information