Optimal Parameter Updating in Assisted History Matching Using Streamlines as a Guide

Mise à jour optimale des paramètres dans un processus de calage d’historique en s’aidant des lignes de courants

Institute of Petroleum Engineering, HeriotWatt University, Edinburgh, Scotland, EH 14 4 AS - United Kingdom
e-mail: alireza.kazemi@pet.hw.ac.uk - karl.stephen@pet.hw.ac.uk

^⋆ Corresponding author

Abstract

It is becoming more and more common to use assisted history matching methods to find different combinations of reservoir simulation models that agree with production data. Models with a large number of cells contain millions of unknown parameters and selecting the correct property values can be difficult. In practice, not all are important but finding which parts of the reservoir require updating is a challenge. In this work, we investigate methods of history matching by focusing on sub-sets of the full array model parameters and we use streamlines to help us choose where the model requires change. We identify localities in the reservoir that affect particular wells and we update reservoir properties (net:gross and permeability) within. We control changes using the pilot point method combined with a Neighbourhood Algorithm.

We apply these approaches to the Nelson field (North Sea, UK) where uncertainty of the shale distribution controls predictions. The field is divided into localities based on the performance of the worst well predictions. We history match to improve production rates. The localities that require change are sufficiently separate that we can modify them one at a time. We also compare our result with a more ad hoc approach where the whole area around the well is modified. We find that, for the wells of interest, the streamline guided approach gives a 70% improvement in the history match from our starting model and around 40% reduction of misfit in prediction. This improvement is twice that of modifying the properties all around the well.

Résumé

L’utilisation de méthodes de calage d’historique assisté est de plus en plus fréquente pour déterminer différentes combinaisons de modèles de réservoir reproduisant les données de production. Les modèles comprenant un grand nombre de cellules contiennent des millions de paramètres inconnus, et leur attribuer des valeurs appropriées peut s’avérer difficile. En pratique, tous les paramètres n’ont pas la même importance, et identifier les zones du réservoir où les paramètres doivent être mis à jour est un défi. Dans cette étude, nous étudions les méthodes de calage d’historique en nous concentrant sur les sous-ensembles des paramètres du modèle, et nous utilisons les lignes de courant pour choisir les zones du modèle qui doivent être modifiées. Nous identifions les régions du réservoir affectant des puits particuliers et nous y ajustons les propriétés du réservoir (fraction de roche réservoir et perméabilité). Les changements sont réalisés à partir de la méthode des points pilotes associée à un algorithme d’optimisation par voisinage.

Nous appliquons cette méthodologie au champ Nelson (North Sea, UK) pour lequel les prévisions de production dépendent de l’incertitude sur la distribution des argiles. Le champ est divisé en régions sur la base des performances des plus mauvaises prédictions aux puits. Nous forçons les modèles de réservoir à respecter les historiques de production pour améliorer les taux de production. Les régions nécessitant des changements sont suffisamment distinctes pour que nous puissions les modifier une à la fois. Nous comparons également nos résultats à une approche plus ad hoc qui implique la modification de toute la zone autour du puits. Nous observons que, pour les puits d’intérêt, l’approche guidée par les lignes de courant amène à une amélioration de 70 % du calage des données de production comparé au modèle de départ et à une réduction d’environ 40 % des écarts pour les prévisions. Cette amélioration est deux fois plus élevée que celle apportée par une modification des propriétés tout autour du puits.