کمی سازی عدم قطعیت های زمین شناختی مخزن با استفاده از مدل جایگزین

طراحی یک استراتژی مناسب برای مدیریت یک مخزن هیدروکربوری مستلزم دسته ای از مطالعات است. برخی از این مطالعات (مانند کمی سازی عدم قطعیت های زمین شناختی) شامل بررسی مدل مخزن در تحقق ها یا سناریوهای تولیدی متعدد هستند. شبیه سازی عددی مدل جامع مخزن یک استاندارد صنعتی پذیرفته شده در اینگونه مطالعات است اما در سال های اخیر با افزایش جزییات و تفکیک پذیری مدل های مخزنی، انجام مطالعاتی که شامل اجراهای متعدد چنین مدل هایی هستند با مشکل محدودیت های زمانی مواجه خواهد بود. پژوهش های بسیاری با روش ها و نگاه های متعدد سعی در حل آن داشته اند. ایجاد تغییراتی در مدل جهت تسریع اجرای آن، کاستن از تعداد کلی اجراهای مورد نیاز و استفاده از تکنولوژی پردازش موازی از جمله این تلاش ها هستند. اما عدم حل کامل مشکل زمان در روش یادشده محققان را به ساخت مدل های جایگزین مدل جامع مخزن سوق داد. مدل های جایگزین طیف گسترده ای از مدل ها را شامل می شود که به جای گسسته سازی و حل عددی مدل جامع مخزن مورد استفاده قرار می گیرند. در این پژوهش یک مدل جایگزین داده محور با تکیه بر توانایی های یادگیری شبکه ی عصبی مصنوعی و با هدف کمی سازی عدم قطعیت های زمین شناختی، برای مخزن نورن در دریای نروژ ساخته شده است. صد تحقق برای مخزن ساخته شده و شبکه های عصبی برای هر کدام از چاه های مخزن آموزش داده شده است و سپس با تجمیع خروجی چاه ها مقادیر تولید تجمعی نفت در انتهای بازه ی تولید پیش بینی شده است. از آنجا که شبکه ها چاه محور هستند، یک روش میانگین گیری و چند رابطه برای نگاشت خواص غیرقطعی بلوک ها به ویژگی های ورودی شبکه ی هر چاه ارایه شده است. نتایج به دست آمده نشان می دهد این مدل، خلاصه آمارهایی مانند میانه و دهک های اول و نهم را با دقت مناسبی پیش بینی می کند.