Abstract

Geostatistical facies modeling algorithms are used in reservoir modeling workflows to create geological models which improve the predictive power of the flow simulation models. In heterogeneous reservoirs, it is of key importance to not only apply statistical techniques, but also incorporate prior geological knowledge. Fluvial dominated deltaic deposits can show a high degree of heterogeneity arising from the interaction of stacking of lobate deposits and the continuous erosion and deposition of the distributary channels while building the delta. To simulate these depositional structures, honouring the physical laws of nature, process-based models can be used to generate synthetic deposits. However, such results are driven by physics and therefore cannot be steered to honour exact well data. We address this challenge by integrating physics-driven process-based models with statistical techniques from MPS. Combining these two different methods is MPS relies on discreet geometric patterns. This is addressed by classifying the process-based model results into discreet facies. A major advantage of this integrated technique is the potential to generate multiple MPS training images through simulation of additional process-based model realizations and we also analyze the effect of using one versus multiple process-based models as input. In this work, we show how the best aspects of both process-based models and MPS modeling can be combined to create improved geological models.

Résumé

On utilise les algorithmes de modélisation géostatistique de faciès dans les flux de travail de modélisation de réservoir pour créer des modèles géologiques qui améliorent le pouvoir de prédiction des modèles de simulation de flux. Dans les réservoirs hétérogènes, l’importance clef n’est pas seulement d’appliquer les techniques statistiques, mais également d’incorporer les connaissances géologiques précédentes. Largement fluviaux, les dépôts deltaïques peuvent montrer un haut degré d’hétérogénéité provenant, d’une part, de l’interaction de l’empilage de dépôts arqués et, d’autre part, de l’érosion et sédimentation de chenaux distributaires pendant la création du delta. Pour simuler ces structures sédimentaires, en reconnaissant les lois physiques de la nature, on peut utiliser des modèles de traitement pour engendrer des dépôts synthétiques. Cependant, issus de la physique, de tels résultats ne peuvent servir à reconnaître les données exactes d’un puits. Nous relevons ce défi par l’intégration de modèles de traitement mus par la physique de concert avec les techniques statistiques de la SMP. Combiner ces deux différentes méthodes n’est pas facile à réaliser puisque les modèles de traitement produisent des dépôts avec des propriétés sur un spectre continu, tandis que la SMP repose sur des figures géométriques discrètes. La classification des résultats obtenus du modèle de traitement en faciès discrets nous permet d’aborder cette question. Un avantage considérable de cette technique intégrée est le potentiel d’engendrer de multiples images d’apprentissage SMP par la simulation de réalisations additionnelles de modèles de traitement; nous analysons également l’effet d’utiliser une méthode par rapport à des modèles de traitement multiple comme intrant. Dans le présent travail,nous présentons comment les meilleurs aspects des modèles de traitement et de modélisation SMP peuvent être combinés pour créer des modèles géologiques améliorés.

Michel Ory

You do not currently have access to this article.