Zeitschrift für Küstenzonenmanagement

Abstrakt

Reservoir-Charakterisierung durch Vorhersage des anfänglichen Ölvorkommens in einem Reservoir mittels Deep Learning und Anwendung der Sensitivitätsanalyse zur verbesserten Ölgewinnung

Julia Mbamarah

Das Problem bei der heutigen Produktion ist die Unfähigkeit, eine optimale Menge der entdeckten Ressourcen zu fördern. Statistischen Analysen zufolge sind nur etwa 60 % des Öls förderbar, und die höchste bisher verzeichnete Menge beträgt nur 80 % des entdeckten Öls. Das bedeutet, dass etwa 25 % des Öls noch in aufgegebenen Ölfeldern vorhanden sind.

Anhand von Daten aus verschiedenen Ölfeldern in Nigeria wurde die Menge des förderbaren Öls mithilfe von Deep Learning berechnet. Das Netzwerk wurde darauf trainiert, die geschätzte, ursprünglich vorhandene Ölmenge genau vorherzusagen. Eine Sensitivitätsanalyse des generierten neuronalen Netzwerkmodells ergab, welche Eingabeparameter maßgeblich zur Schätzung des IOIP beitrugen.

Aus den abgeleiteten Informationen lässt sich schließen, dass ein idealer Brunnen zur Verbesserung der Ausbeute ein Brunnen ist, dessen Bestimmungsfaktoren je nach Durchführbarkeit einer Parameteränderung minimiert oder maximiert werden. Der neuronale Prototyp wurde durch Verbesserung der Bestimmungseigenschaften von Interesse optimiert. Eine Datenaktualisierung führte anschließend zu weiterem Training und im Allgemeinen zu einer Verbesserung des erreichbaren Ausbeutegrads.

Auch wenn andere Energiequellen erschlossen werden, bleiben Öl und Gas weiterhin ein integraler Bestandteil der Energiewirtschaft. Schritte zur Sicherstellung einer größtmöglichen Optimierung der Nutzung dieser Energiequelle dürfen nicht vernachlässigt werden.