A Petrel-Based Reproducible Workflow for Integrated Static Reservoir Characterization Using Synthetic Seismic and Well-Log Data

Tief unter der Erdoberfläche verlassen sich Öl- und Gasunternehmen auf dreidimensionale Karten, um zu verstehen, wo Ressourcen verborgen liegen. Diese Karten sind keine Fotografien, die mit einer Kamera aufgenommen wurden; sie sind komplexe Hypothesen, die aus verstreuten Hinweisen aufgebaut werden. Ein Satz dieser Hinweise stammt aus seismischen Daten, die Schallwellen nutzen, um ein breites, unscharfes Bild der Gesteinsschichten über ein weites Gebiet zu erstellen. Ein anderer Satz stammt aus Bohrlochmessungen (Well Logs), die detaillierte Messungen aus schmalen Löchern sind, die in den Boden gebohrt wurden und hochauflösende Informationen entlang einer einzigen vertikalen Linie liefern. Um den Raum zwischen diesen spärlichen Messungen sinnvoll zu füllen, nutzen Geologen geologische Konzepte. Das Ergebnis ist ein statisches Reservoiremodell, eine digitale Darstellung des unterirdischen Gesteins, das Ingenieuren hilft, abzuschätzen, wie viel Öl oder Gas vorhanden ist, zu planen, wo als Nächstes gebohrt werden soll, und vorherzusagen, wie sich Fluide bewegen werden. Der Aufbau dieser Modelle erfordert jedoch unzählige menschliche Entscheidungen, von der Interpretation einer Wellenlinie auf einem Bildschirm bis hin zur Glättung rauer Daten. Wenn diese Entscheidungen nicht klar dokumentiert werden, ist die endgültige Karte schwer überprüfbar oder wiederholbar, was die Wissenschaft anfällig für versteckte Fehler macht und es anderen erschwert, von der Arbeit zu lernen.

In einer aktuellen Studie befasst sich der Forscher Innocent J. Aluka von der Prairie View A&M University mit diesem Problem, indem er einen neuen Weg zur Organisation der Erstellung dieser unterirdischen Karten vorstellt. Die Studie erfindet keinen neuen Weg zur Berechnung von Gesteinseigenschaften oder entdeckt keinen neuen Typ von Ölreservoir. Stattdessen schlägt sie einen strukturierten, schrittweisen Rahmen vor, den „Reproducible Integrated Reservoir Modeling Workflow“ oder RIRMW. Dieser Rahmen behandelt die Erstellung eines Reservoiremodells nicht als eine lose Sammlung von Software-Klicks, sondern als eine strikte Kette von prüfbaren Schritten. Jeder Schritt in der Kette erfordert spezifische Eingaben, folgt einer klaren Transformationsregel, zeichnet jeden verwendeten Parameter auf, durchläuft eine Qualitätsprüfung und liefert einen versionierten Output, bevor er zur nächsten Phase übergeht. Das Ziel ist es, den gesamten Prozess transparent zu gestalten, um sicherzustellen, dass jede Entscheidung und jede Einstellung dokumentiert ist, sodass ein anderer Experte demselben Pfad folgen und zum gleichen Ergebnis gelangen kann.

Um diese Idee zu testen, ohne vertrauliche Daten aus echten Ölfeldern zu verwenden, erstellte der Forscher einen vollständigen, synthetischen Datensatz. Diese künstliche Umgebung ahmt eine zerklüftete, geschichtete Gesteinsformation nach, die Sandstein, schieferigen Sandstein und Schiefer enthält. Das Team generierte gefälschte seismische Bilder, Attributkarten, die Gesteinsgrenzen hervorheben, und detaillierte Bohrlochmessungen, die simulieren, was ein Bohrer vorfinden würde. Unter Verwendung dieser kontrollierten Daten ließen sie den neuen Workflow durch sechs verschiedene Module laufen. Zuerst interpretierten sie die seismischen und Bohrlochdaten, um Gesteinsschichten und Verwerfungen zu identifizieren. Zweitens bauten sie ein Strukturmodell (Structural Grid), ein digitales Skelett, das die Gesteinsschichten an Ort und Stelle hält, während es die durchbrechenden Verwerfungen respektiert. Drittens simulierten sie die Verteilung der Gesteinsarten und entschieden, wo Sandstein und Schiefer im 3D-Raum vorkommen. Viertens modellierten sie kontinuierliche Eigenschaften wie die Porosität, die misst, wie viel Leerraum im Gestein vorhanden ist, um Fluide zu halten, und die Permeabilität, die misst, wie leicht Fluide hindurchfließen können. Fünftens integrierten sie all diese Teile in ein einziges, konsistentes 3D-Modell. Schließlich bewerteten sie die Unsicherheit, indem sie den Prozess mehrmals mit unterschiedlichen Zufallszahlen (Random Seeds) durchliefen, um zu sehen, wie stark die Ergebnisse variieren könnten.

Die Ergebnisse dieser Demonstration zeigten, dass der Workflow erfolgreich ein kohärentes, intern konsistentes Modell des synthetischen Reservoirs erzeugte. Die endgültige Karte zeigte Sandsteinkörper, die in einer Weise miteinander verbunden waren, die den geologischen Konzepten entsprach, wobei hohe Porosität und Permeabilität in den qualitativ hochwertigeren Gesteinszonen konzentriert waren. Entscheidend war, dass der Prozess eine vollständige Aufzeichnung jeder getroffenen Entscheidung bewahrte. Beispielsweise zeichnete die Studie auf, dass die effektive Porosität von null bis vierzig Prozent reichte, mit einem Durchschnitt von 17,6 Prozent über die verschiedenen simulierten Szenarien hinweg. Die horizontale Permeabilität, ein Maß für den Fluss, reichte von 0,1 bis 1.000 Millidarcy, einer Einheit, die beschreibt, wie leicht Fluide durch Gestein fließen. Die Wassersättigung, die angibt, wie viel des Porenraums mit Wasser statt mit Öl gefüllt ist, wurde zwischen null und eins modelliert. Durch das Durchführen mehrerer Simulationen konnte das Team zeigen, dass die genaue Anordnung des Gesteins zwar jedes Mal leicht variierte, die Gesamtstatistiken jedoch stabil blieben, mit einer mittleren Porosität von 17,3 Prozent.

Eine zentrale Erkenntnis der Studie ist, dass dieser Ansatz die Notwendigkeit des Expertenurteils nicht eliminiert, sondern dieses Urteil vielmehr sichtbar macht. In traditionellen Projekten könnte ein Geologe eine Entscheidung darüber treffen, wie zwei Datenpunkte zu verbinden sind, aber diese Entscheidung bleibt oft nur eine mentale Notiz oder eine schnelle Skizze. In diesem neuen Rahmen wird diese Entscheidung als ein spezifischer Parameter in einem Register festgehalten. Wenn der Modellier beschließt, eine bestimmte mathematische Regel zu verwenden, um die Permeabilität basierend auf der Porosität zu schätzen, wird diese Regel zusammen mit den spezifischen Zahlen verwendet aufgeschrieben. Dies ermöglicht es jedem, der die Arbeit überprüft, genau zu sehen, wie das Modell aufgebaut wurde und warum es so aussieht, wie es aussieht. Die Studie stellt ausdrücklich fest, dass es aufgrund der proprietären Software unmöglich ist, zu garantieren, dass zwei verschiedene Computer exakt dieselbe Zahl für jede einzelne Zelle im G Grid produzieren werden. Dennoch stellt der Rahmen sicher, dass der Prozess reproduzierbar ist und die Logik hinter den Ergebnissen klar ist.

Die Forschung hebt auch die Bedeutung der Unsicherheit hervor. Da die Daten aus dem Boden spärlich sind, gibt es keine einzelne „korrekte“ Karte des Untergrunds. Viele verschiedene Anordnungen von Gestein könnten zu denselben Daten passen. Der Workflow begegnet dem, indem er ein Ensemble aus mehreren möglichen Modellen oder Realisierungen erzeugt, anstatt nur eines. Dies ermöglicht es Wissenschaftlern, das Spektrum der Möglichkeiten zu sehen, vom optimistischsten bis zum pessimistischsten Szenario. In dem synthetischen Test zeigten die Forscher, dass sich zwar die genaue Lage eines Sandsteinkanals zwischen verschiedenen Durchläufen verschieben kann, das Gesamtvolumen und die Konnektivität des Gesteins jedoch innerhalb eines vorhersagbaren Bereichs blieben. Dies hilft Entscheidungsträgern, die Risiken zu verstehen, da sie wissen, dass das Modell ein Spektrum an Möglichkeiten darstellt und nicht eine einzige, potenziell irreführende Wahrheit ist.

Letztendlich dient diese Arbeit als Brücke zwischen der komplexen, oft undurchsichtigen Welt der industriellen Reservoiremodellierung und den Prinzipien der offenen, reproduzierbaren Wissenschaft. Sie demonstriert, dass selbst wenn kommerzielle Software verwendet wird, deren innere Abläufe verborgen sind, der Prozess des Erstellung eines Modells transparent gemacht werden kann. Durch die Formalisierung der Schritte und die Dokumentation jeder Entscheidung ermöglicht der Rahmen der wissenschaftlichen Gemeinschaft, die Arbeit anderer zu prüfen, daraus zu lernen und darauf aufzubauen. Die Studie kommt zu dem Schluss, dass, obwohl die in diesem Test generierten spezifischen Zahlen auf künstlichen Daten basieren und nicht zur Vorhersage tatsächlicher Ölreserven verwendet werden können, die Methode selbst robust ist. Sie bietet eine praktische Möglichkeit, sicherzustellen, dass die komplexen digitalen Modelle, die zur Erforschung der Ressourcen der Erde eingesetzt werden, auf einer Grundlage klarer Logik und dokumentierter Beweise aufgebaut sind, wodurch die Wissenschaft hinter den Karten so zuverlässig wird wie die Daten, die sie speisen.