Sequential Gaussian Simulation (SGS) voor Porositeitsmodellering

Introductie

In de petroleumexploratie is het nauwkeurig modelleren van porositeit cruciaal. Porositeit bepaalt immers hoeveel vloeitijde ruimtes beschikbaar zijn om olie en gas op te slaan. Traditionele benaderingen voor porositeitsmodellering kunnen echter tekortschieten in het vastleggen van de complexe ruimtelijke variabiliteit in een reservoir. Dit is waar Sequential Gaussian Simulation (SGS) in beeld komt. Deze geostatistische techniek wordt gebruikt voor het simuleren van continue variabelen zoals porositeit op basis van statistische aannames en bestaande meetdata, zodat er een probabilistisch model van het reservoir ontstaat.

De SGS-methode maakt gebruik van kansverdelingen en ruimtelijke correlaties (variogrammen) om de onbekende porositeitswaarden tussen de boorlocaties te interpoleren en te simuleren. In dit document wordt stap-voor-stap uitgelegd hoe SGS functioneert, welke aannames daarbij gedaan worden, en hoe de bijbehorende wiskundige manipulaties bijdragen aan een robuust model voor porositeitsdistributie in de olie- en gasindustrie.

Basisconcepten van SGS

SGS is een sequentiële geostatistische simulatie die een numerieke realisatie oplevert van een continue variabele (in dit geval porositeit). De kern van de techniek is de aanname dat de variabele van interesse, hier de porositeit, een Gaussian random field volgt. Dit betekent dat de porositeitswaarden normaal verdeeld zijn, en dat we door de krachten van de centrale limietstelling kunnen aannemen dat een groot aantal data punten een normale verdeling produceert.

Voorwaarde van normaliteit: SGS vereist dat de porositeitsdata normaal verdeeld zijn. Indien dit niet het geval is, wordt vaak eerst een transformatie (bijvoorbeeld een log- of Box-Cox-transformatie) uitgevoerd om aan deze voorwaarde te voldoen.
Variogram en spatial continuity: De ruimtelijke correlatie tussen data is cruciaal. Een variogram beschrijft hoe de correlatie tussen twee punten afneemt naarmate de afstand toeneemt. Dit model van ruimtelijke continuïteit wordt gebruikt om de simulatie te sturen.
Conditionele simulatie: SGS combineert bekende data (bijvoorbeeld uit booronderzoeken) met gesimuleerde waarden, zodat het model de nodige continuïteit vertoont en toch lokale variaties behoudt.

Stap-voor-Stap Beschouwing van SGS

De procedure van Sequential Gaussian Simulation bestaat uit meerdere stappen die hieronder worden toegelicht.

Stap 1: Data Normalisatie en Transformatie

Aangezien de SGS-methode veronderstelt dat de data normaal verdeeld zijn, worden de oorspronkelijke porositeitsmetingen eerst getransformeerd. Indien de ruwe porositeitsdata scheef verdeeld zijn, zal een transformatie als de log-transform worden toegepast:

Belangrijk: Indien de data niet aan de normaliteitsvoorwaarde voldoen, kan de betrouwbaarheid van de simulatie in gevaar komen.

Na de transformatie krijgt men een dataset die dichter bij een normale verdeling komt, zodat de kansverdelingsfuncties en de bijbehorende parameters correct kunnen worden berekend.

Stap 2: Het Bepalen van het Variogram

Het variogram is de sleutel tot het modelleren van ruimtelijke correlatie. Het kwantificeert de variatie in porositeit tussen paren van punten afhankelijk van hun onderlinge afstand:

γ(h) = ½ E[(Z(x) - Z(x+h))²] waarbij Z(x) de porositeitswaarde op locatie x is en h de afstand tussen punten aangeeft. De functie E(x) wordt gegeven door E(x)=1/2N x Σ^Nx_i en x is de reeks {x₁ ... x_N}.

Door het variogram te voorspellen voor verschillende afstanden kan het model bepalen hoe sterk de data op een bepaalde afstand van een bekend punt nog geconditioneerd zijn. Dit is essentieel voor de simulatiestappen die volgen.

Stap 3: Simulatie in een Sequentiële Manner

Met de genormaliseerde data en het variogram als basis, begint de simulatie in een sequentiële volgorde, waarbij elke cel in het reservoirgrid één voor één wordt ingevuld:

Eerst wordt een volgorde bepaald waarin de cellen zullen worden geconditioneerd. Dit kan door de nabijheid tot bekende data of een willekeurig gekozen sequentie.
Voor de huidige cel berekent men de conditionele kansverdeling voor de porositeitswaarde, rekening houdend met nabijgelegen data en de ruimtelijke correlatie (verkregen uit het variogram).
Vervolgens wordt een waarde getrokken op basis van deze kansverdeling. Dit betekent dat, zelfs als de gemiddelde schatting weet wat de verwachting is, de simulatie random variatie produceert binnen de statistische onzekerheid.

Deze sequentiële aanpak zorgt ervoor dat de uiteindelijke realisatie zowel de globale statistische eigenschappen als de lokale variabiliteit respecteert.

Stap 4: Conditionering op de Boor Data

Een van de sleutelaspecten van SGS is dat het model de bekende porositeitsmetingen (verkregen uit boorlocaties) strikt respecteert. Tijdens de simulatie worden de waarden op deze locaties niet overschreven. Hierdoor blijft de betrouwbaarheid van de simulatie gewaarborgd en wordt de invloed van de harde data behouden.

Daarnaast worden de waarden op de cellen rondom deze bekende data zodanig gesimuleerd dat zij de ruimtelijke continuïteit tussen de meetpunten weerspiegelen.

Stap 5: Terugtransformatie naar de Originele Schaal

Nadat alle cellen een gesimuleerde en genormaliseerde porositeitswaarde hebben gekregen, is de laatste stap het terugtransformeren naar de originele schaal. Dit houdt in dat de initiële transformatie ongedaan wordt gemaakt (bijvoorbeeld door exponentiëren als er een log-transform is gebruikt), zodat de gesimuleerde waarden direct interpreteerbaar zijn in termen van porositeit (bijv. in fracties of percentages).

Wiskundige Uitleg en Manipulaties in SGS

De wiskundige onderbouwing van SGS start met de aanname dat de porositeit Z een normaal verdeelde stochastische variabele is:

Z ~ N(μ, σ²)

Hierin is μ het gemiddelde en σ² de variantie van de porositeitsdata. De simulatie werkt door de volgende stappen:

Berekening van de conditionele gemiddelde en variantie: Op basis van het variogram en de ruimtelijke correlatiefunctie wordt voor een onbepaalde cel de conditionele gemiddelde waarde μ* en de conditionele variantie σ*² berekend. Dit kan samengevat worden als:
μ* = Σw_iZ(x_i) en σ* = √(σ²-Σw_icov(x,x_i))

Hier wordt de gewogen som van de bekende waarden gebruikt, waarbij de gewichten w_i afhangen van de afstand en de correlatie tussen de punten.
Simulatie met behulp van de nul-mean Gaussian verdeling: Vervolgens wordt voor de cel een waarde gesimuleerd door een random getal te trekken uit de verdeling
Z* ~ N(μ*, σ*²)
Iteratief updaten: Nadat een waarde is gesimuleerd, wordt deze toegevoegd aan de dataset. De simulatie voor de volgende cellen houdt nu rekening met dit nieuwe datapunt, waardoor de kromme van de kansverdeling in de nabije omgeving wordt aangepast.

Opmerking: Elke simulatierealisatie levert een uniek model op dat haalbaar is binnen de grenzen van de gegeven data en het variogram. Dit resulteert in meerdere realisaties die samen de onzekerheid over het reservoir weerspiegelen.

De kracht van deze methodiek schuilt in haar vermogen om zowel de statistische eigenschappen (zoals gemiddelde en variantie) te behouden als lokale anomalieën of heterogeniteiten in het porositeitsveld te simuleren. Uiteindelijk krijgt men een gedetailleerde, driedimensionale voorstelling van de porositeitsdistributie.

Aannames, Voorwaarden en Speciale Gevallen

Voor een succesvolle toepassing van SGS in porositeitsmodellering moeten enkele cruciale aannames en voorwaarden in acht worden genomen:

Normaliteitsaanname: De methode gaat er van uit dat de porositeitsdata een normale verdeling volgen. In gevallen waar de data scheef verdeeld zijn, is een geschikte transformatie noodzakelijk.
Betrouwbaar variogram: De nauwkeurigheid van de simulatie is direct afhankelijk van het gebruikte variogram. Het variogram moet op representatieve wijze de ruimtelijke continuïteit tussen data punten beschrijven.
Conditionering op harde data: De simulatie moet de bekende porositeitsmetingen respecteren, om te voorkomen dat belangrijke informatie verloren gaat.
Sequentiële randomisatie: Het willekeurige aspect van de SGS zorgt voor variatie tussen realisaties. Voor risicobeoordeling en onzekerheidsmodellering worden vaak meerdere realisaties gegenereerd.

In scenario’s waarin er sprake is van tekortkomingen in de data – bijvoorbeeld een zeer lage dichtheid aan boorlocaties – kan SGS worden gecombineerd met andere technieken, zoals co-simulatie, om associaties (bijvoorbeeld met permeabiliteit) te benutten.

Conclusie

Sequential Gaussian Simulation (SGS) is een krachtige techniek binnen de reservoirmodellering, waarbij de continue variabele porositeit nauwkeurig gesimuleerd wordt. Door gebruik te maken van geavanceerde statistische methoden en een gedetailleerde ruimtelijke analyse via variogrammen, kan deze methode de heterogeniteit binnen het reservoir op een probabilistische manier vastleggen. De simulatie houdt rekening met de bekende meetdata en past voor iedere cel in het reservoirgrid een conditionele kansverdeling toe, die vervolgens leidt tot een waarde die zowel de regionale trend als lokale anomalieën weerspiegelt.

Deze aanpak biedt een belangrijke meerwaarde in de olie- en gasexploratie, omdat het begrip van de porositeitsdistributie essentieel is voor het bepalen van de opslagcapaciteit en doorstromingsmogelijkheden van een reservoir. Bovendien biedt het gebruik van meerdere realisaties een robuuste basis voor onzekerheidsanalyse, wat cruciaal is bij investeringsbeslissingen en productieplanning.

Met de integratie van SGS in het bredere kader van reservoirmodellering wordt getracht een zo getrouw mogelijk beeld te creëren van de ondergrondse heterogeniteit. Dit leidt niet alleen tot beter geïnformeerde beslissingen maar helpt ook de risico’s te minimaliseren die inherente zijn aan exploratieprojecten.

Samenvattend stelt SGS ons in staat om:

De continue variatie in porositeit te simuleren op basis van statistische methoden;
Harde data en ruimtelijke correlaties effectief te integreren in het model;
Meer realistische en gedetailleerde 3D-reservoirmodellen te bouwen;
De onzekerheid van de porositeitsdistributie door meerdere simulatierealisaties te kwantificeren.

Door de bovenstaande stappen en wiskundige overwegingen wordt duidelijk dat SGS een essentieel instrument is voor de moderne petroleumindustrie. Het resulteert in modellen die zowel nauwgezet de statistische eigenschappen behouden als de benodigde complexiteit bieden om lokale variaties en heterogeniteiten adequaat weer te geven.