CT&F Ciencia, Tecnología & Futuro (Jan 1999)
DEVELOPMENT OF INFILL DRILLING RECOVERY MODELS FOR CARBONATE RESERVOIRS USING NEURAL NETWORKS AND MULTIVARIATE STATISTICAL AS A NOVEL METHOD
Abstract
This work introduces a novel methodology to improve reservoir characterization models. In this methodology we integrated multivariate statistical analyses, and neural network models for forecasting the infill drilling ultimate oil recovery from reservoirs in San Andres and Clearfork carbonate formations in West Texas. Development of the oil recovery forecast models help us to understand the relative importance of dominant reservoir characteristics and operational variables, reproduce recoveries for units included in the database, forecast recoveries for possible new units in similar geological setting, and make operational (infill drilling) decisions. The variety of applications demands the creation of multiple recovery forecast models. We have developed intelligent software (Soto, 1998), Oilfield Intelligence (Ol), as an engineering tool to improve the characterization of oil and gas reservoirs. Ol integrates neural networks and multivariate statistical analysis. It is composed of five main subsystems: data input, preprocessing, architecture design, graphic design, and inference engine modules. One of the challenges in this research was to identify the dominant and the optimum number of independent variables. The variables include porosity, permeability, water saturation, depth, area, net thickness, gross thickness, formation volume factor, pressure, viscosity, API gravity, number of wells in initial waterflooding, number of wells for primary recovery, number of infill wells over the initial waterflooding, PRUR, IWUR, and IDUR. Multivariate principal component analysis is used to identify the dominant and the optimum number of independent variables. We compared the results from neural network models with the non-parametric approach. The advantage of the non-parametric regression is that it is easy to use. The disadvantage is that it retains a large variance of forecast results for a particular data set. We also used neural network concepts to develop recovery models. The neural network infill drilling recovery model is capable of forecasting the oil recovery with less error variance compared with non-parametric, fuzzy logic and regression models.Este trabajo introduce una metodología novedosa para mejorar los modelos de caracterización de yacimientos. En esta investigación se usaron técnicas de estadística multivariada y redes neuronales para desarrollar modelos de predicción de los recobros primarios de aceite (PRUR), recobros de aceite al inicio de la inyección de agua (IWUR) y recobros de aceite debido a la perforación de pozos de relleno (IDUR) en yacimientos de carbonatas localizados en el este de Texas. Los modelos desarrollados fueron comparados con los modelos de regresión no-lineal y con los de regresión no-paramétrica. Uno de los desafíos en esta investigación fue identificar las variables independientes dominantes y el número óptimo de estas. Para ello se desarrolló un sistema inteligente (Soto, 1998), Oilfield Intelligence (Ol), que integra conceptos de componentes principales, análisis de factores y redes neuronales. Ol está compuesto por cinco subsistemas: carga y preprocesamiento de los datos, diseño de la arquitectura de la red neuronal, diseño gráfico y una máquina de inferencia. El análisis multivariado de componentes principales permite resolver el problema de dimensionalidad. Cuántas y cuáles variables deberían usarse en la obtención de cada modelo. Después se utilizaron las redes neuronales para desarrollar modelos capaces de predecir los recobros primarios, de inyección de agua y debido a la perforación de pozos de relleno en las formaciones de carbonato de San Andrés y Clearfork en el este de Texas. Los coeficientes de correlación son del orden del 99% con errores absolutos no mayores del 3% comparados con coeficientes de correlación del orden de 0.91 y errores absolutos alrededor del 27% de otros modelos publicados internacionalmente en los últimos 1 5 años. Las variables consideradas en esta investigación fueron porosidad, permeabilidad, saturación de agua, profundidad, área, espesor total, espesor neto, factor volumétrico de formación, presión, viscosidad, gravedad API, número de pozos al inicio de la inyección de agua, número de pozos para la recuperación primaria, número de pozos de relleno al inicio de la inyección de agua, PRUR, IWUR, e IDUR. Obviamente el desarrollo de un modelo en redes neuronales que represente con alta precisión los datos requiere experiencia del ingeniero para realizar un control de calidad de los datos, determinar las variables dominantes y optimizar la estructura o topología de la red neuronal.
