Khớp lịch sử tự động bằng phần mềm tnavigator

Sự khác biệt đáng kể giữa dữ liệu xác định vỉa chứa trong mô hình số và giá trị thực tế của các thông số điều chỉnh đặc tính vỉa chứa sẽ gây ra những sai số tương ứng trong quá trình mô

TRƯỜNG ĐẠI HỌC DẦU KHÍ VIỆT NAM

Thời gian thực tập: 06 tuần

Số buổi trong tuần: 05

Số buổi thực tập: 30

Tháng 03 /2018

LỜI CẢM ƠN

Thực tập tốt nghiệp là một cơ hội tốt để sinh viên có thể tìm hiểu thực tế công việc của một kỹ sư dầu khí cũng như học hỏi thêm một số kiến thức cần thiết cho cộng việc sau này Từ đó trang bị cho sinh viên những kiến thức và kỹ năng cần thiết để hòa nhập tốt hơn với môi trường làm việc trong ngành công nghiệp dầu khí

Trong thời gian thực tập tại Công ty EastSea Star Software, em đã nhận được sự giúp đỡ rất nhiệt tình từ đơn vị thực tập Qua đây em xin cảm ơn anh Đoàn Việt Trung, Giám đốc Công ty EastSea Star Software đã tạo điều kiện để em có một kỳ thực tập thành công Em xin chân thành cảm ơn anh Nguyễn Sơn Lam, kỹ sư Công nghệ mỏ của Công ty Rock Flow Dynamics, đã chia sẻ những kiến thức quý báu để em có cái nhìn thực tế và đầy đủ hơn về công việc khớp lịch sử cũng như các thuật toán phần mềm tNavigator Em cũng xin gửi lời cảm ơn đến Ban Giám hiệu, các Thầy, Cô tại Trường đại học dầu khí Việt Nam đã tạo điều kiện tốt nhất để em có cơ hội thực tập, mở mang thêm kiến thức để chuẩn bị cho đồ án tốt nghiệp, cũng như cho công việc trong tương lai

Một lần nữa, em xin chân thành cảm ơn sâu sắc!

SINH VIÊN BÁO CÁO

Ôn Kim Thịnh

MỤC LỤC

TỔNG QUAN VỀ ĐƠN VỊ THỰC TẬP 1

NỘI DUNG BÁO CÁO 3

CHƯƠNG 1: TỔNG QUAN VỀ KHỚP LỊCH SỬ 3

1.1 Khớp lịch sử là gì? 3

1.2 Mục tiêu khớp các đặc tính của vỉa chứa 3

1.3 Các thông số cần được khớp 4

1.4 Các bước trong quá trình khớp lịch sử 4

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT KHỚP LỊCH SỬ TỰ ĐỘNG 6

2.1 Hàm mục tiêu (Objective function – OF) 6

2.2 Thí nghiệm phân tích độ nhạy (Sensitivity Analysis) 7

2.3 Thí nghiệm chưa chắc chắn (Uncertainty Analysis) 8

2.4 Một số thuật toán tối ưu hóa (Optimization Algorithm) 10

2.4.1 Thuật toán Particle Swarm Optimization (PSO) 10

2.4.2 Thuật toán Differential Evolution (DE) 11

2.5 Khối thuật toán khớp lịch sử tự động bằng phần mềm tNavigator 12

CHƯƠNG 3: ÁP DỤNG KHỐI THUẬT TOÁN KHỚP LỊCH SỬ TỰ ĐỘNG VÀ KẾT QUẢ THU ĐƯỢC 14

3.1 Đối tượng nghiên cứu 14

3.1.1 Mô tả mô hình mô phỏng 14

3.1.2 Số liệu đầu vào mô hình 15

3.1.3 Điều kiện ban đầu 16

3.2 Xác định biến số và khoảng giá trị 18

3.4 Chạy thí nghiệm không chắc chắn (uncertainty analysis) 21

3.5 Chạy thuật toán tối ưu hóa 22

3.6 Phân tích kết quả khớp lịch sử 24

KẾT LUẬN VÀ KIẾN NGHỊ 30

DANH SÁCH HÌNH VẼ 31

TÀI LIỆU THAM KHẢO 33

TỔNG QUAN VỀ ĐƠN VỊ THỰC TẬP

GIỚI THIỆU VỀ CÔNG TY

Công ty TNHH MTV Ngôi Sao Biển Đông (hay còn được gọi là Eastsea Star Software Company Limited) là công ty dịch vụ kỹ thuật dầu khí được thành lập từ năm 2009 tại

TP Hồ Chí Minh bởi các nhà khoa học địa chất có nhiều kinh nghiệm, các kĩ sư dầu khí

có nhiều năm làm việc tại các bể Cửu Long, Nam Côn Sơn Phương châm của công ty

là “Your Success, Our Mision”

CHỨC NĂNG, NHIỆM VỤ VÀ CƠ CẤU TỔ CHỨC

- Chức năng và nhiệm vụ

Hiện nay, công ty đang cung cấp các phần mềm, tư vấn, hỗ trợ kỹ thuật, thiết bị và dịch

vụ cho khách hàng Sản phẩm chính của công ty là phần mềm Well-InsightTM có thể tích hợp xử lí cho các vỉa khác nhau từ vỉa đá móng đến vỉa trầm tích Ngoài ra, công ty cũng cung cấp các phần mềm khác cho khách hàng như: Seismic Interpretation from Downunder Geosolutions, tNavigator from Rock Flow Dynamics, Dynamic Simulation from Kappa Engineering, Production Modeling and Digital Oilfield from Petroleum Experts, Hydraulic Fracture Design from NSI Technologies, E&P Database from Rystad Energy and Well Intervention from National Oilwell Varco

- Cơ cấu tổ chức của công ty

Giám đốc công ty là Ông Đoàn Viết Trung, cùng với khoảng 20 kỹ sư dầu khí và kỹ sư lập trình viên và 10 nhân viên

NỘI DUNG CÔNG VIỆC ĐƯỢC GIAO

 Mục tiêu và nội dung công việc

Ban đầu, sinh viên được giới thiệu tổng quan về Công ty TNHH MTV phần mềm Ngôi Sao Biển Đông và cơ cấu tổ chức, nhiệm vụ của công ty và chức năng của phòng kỹ thuật Sau đó được sự hướng dẫn, giúp đỡ của các anh chị kỹ sư cùng với sự góp ý của giáo viên hướng dẫn tại trường Đại học Dầu khí Việt Nam, sinh viên đã xác định được

đề tài nghiên cứu của mình

Tên đề tài: Khớp lịch sử tự động bằng phần mềm tNavigator

 Phương pháp thực hiện

Trong suốt thời gian thực tập, sinh viên chủ yếu nghiên cứu các tài liệu về mô phỏng vỉa và khớp lịch sử tự động Tiếp theo là nghiên cứu các thuật toán trong module khớp lịch sử tự động của phần mềm tNavigator (Assisted History Matching – AHM) nhằm tìm ra cách thức tiết kiệm thời gian cho công việc khớp lịch sử Cuối cùng sinh viên áp dụng các thuật toán đã nghiên cứu rồi tiến hành chạy khớp lịch sử trên data demo và đánh giá độ tin cậy của mô hình đã được khớp lịch sử

NỘI DUNG BÁO CÁO CHƯƠNG 1: TỔNG QUAN VỀ KHỚP LỊCH SỬ

1.1 Khớp lịch sử là gì?

Mục đích của một nghiên cứu mô hình số là dự đoán đặc tính vỉa chứa chi tiết hơn và chính xác hơn so với những gì có thể ngoại suy bằng các kỹ thuật đơn giản Nó là trực quan, có thể thấy rằng đối với một mô hình để ứng xử giống như vỉa chứa, nó phải được xây dựng tương tự như vỉa Sự khác biệt đáng kể giữa dữ liệu xác định vỉa chứa trong

mô hình số và giá trị thực tế của các thông số điều chỉnh đặc tính vỉa chứa sẽ gây ra những sai số tương ứng trong quá trình mô phỏng Thật không may, hiếm khi chúng ta biết đầy đủ về một vỉa chứa để phát triển một mô hình chính xác chấp nhận được mà không cần kiểm tra nó bằng một cách nào đó và thay đổi các đặc tính của nó cho đến khi nó vượt qua được phép thử Phương pháp hữu ích nhất và thường là cách duy nhất

để kiểm tra mô hình này là mô phỏng đặc tính trong quá khứ của vỉa chứa và đem so sánh giữa mô phỏng với dữ liệu lịch sử thực tế Mô hình hóa đặc tính trong quá khứ sẽ xác định những điểm yếu trong dữ liệu, đề xuất các sửa đổi cần thiết để cải thiện mô hình và chứng minh chất lượng của mô phỏng vỉa chứa cuối cùng chấp nhận được Nếu những thay đổi được thực hiện trong mô hình để buộc nó mô phỏng đặc tính lịch sử phù hợp với một mô tả toàn diện và hợp lý của vỉa chứa, quá trình kết hợp lịch sử này có thể

là một kỹ thuật đặc biệt hữu ích và rất mạnh mẽ

Khớp lịch sử có thể tốn nhiều thời gian, tốn kém và khá khó khăn vì đặc tính vỉa chứa

có thể phức tạp với nhiều tương tác mà tổng thể có thể khó xác định Để làm cho quy trình có thể quản lý được, chúng ta nên tách nó thành một số bước cụ thể, riêng lẻ Mặc

dù không có cách nào để khớp lịch sử được áp dụng rộng rãi, có một vài kỹ thuật cho quá trình khớp

1.2 Mục tiêu khớp các đặc tính của vỉa chứa

Rõ ràng từ các nhận xét giới thiệu rằng các mục tiêu cơ bản của khớp lịch sử là để kiểm tra và cải tiến mô hình vỉa Ngoài ra còn có mục tiêu phụ, một số trong đó có thể trở nên

hiện tại của vỉa chứa, bao gồm sự phân bố chất lưu và sự dịch chuyển chất lưu và cũng

có thể để xác minh hoặc xác định cơ chế suy giảm hiện tại Nó sẽ cho phép đưa ra một

mô tả vỉa chứa, bao gồm dầu và khí đốt tại chỗ, ở các khu vực của vỉa chứa nơi không

có dữ liệu, và sẽ cung cấp các chi tiết cần thiết cho các kế hoạch phát triển mỏ và thiết lập mục tiêu thu thập dữ liệu Đôi khi, khớp lịch sử có thể dẫn đến việc phát hiện ra vấn

đề trong vận hành, rò rỉ ống, rò rỉ các chất lưu vào giếng khoan, v.v Ngoài ra, một mô hình có độ tin cậy cao có thể là một công cụ giám sát vỉa chứa tuyệt vời

1.3 Các thông số cần được khớp

Dữ liệu phân tích mẫu lõi và dữ liệu logging có thể xác định độ rỗng và sự phân bố chất lưu ban đầu nếu dữ liệu có đủ số lượng và chất lượng Dữ liệu độ thấm thường là rất hạn chế, cả theo chiều ngang và theo chiều dọc để có thể mô phỏng vỉa chứa một cách đầy

đủ Phân tích ứng xử tạm thời của các giếng cụ thể (một hình thức khớp lịch sử) là một

kỹ thuật chuẩn để xác định độ thấm trong vùng xung quanh giếng Dữ liệu tầng nước đáy luôn luôn rất thưa thớt và thường xuyên phải sử dụng dữ liệu khai thác thực tế để xác định quy mô của tầng nước đáy, khả năng dẫn truyền và mức độ phủ nước

Trong báo cáo này tác giả lựa chọn khớp các thông số: lưu lượng khai thác dầu, lưu lượng nước và độ ngập nước trong các giếng khai thác

1.4 Các bước trong quá trình khớp lịch sử

Hiện nay có rất nhiều phương pháp thực hiện khớp lịch sử, mỗi phương pháp bao gồm nhiều bước khác nhau Tuy nhiên nhìn chung thì các bước sẽ thực hiện trong quá trình khớp lịch sử bao gồm:

1 Xác lập mục tiêu của quá trình khớp lịch sử

2 Xác định phương pháp sẽ sử dụng để khớp lịch sử Phương pháp này thường được quyết định bởi mục tiêu của khớp lịch sử, nguồn lực của công ty, giới hạn thời gian cho phép, và dữ liệu có sẵn

3 Xác định dữ liệu khai thác thực tế cần được khớp và tiêu chuẩn để xem khớp đã thành công hay chưa Những tiêu chí này được quyết định bởi lượng dữ liệu khai thác thực tế cũng như độ tin cậy của dữ liệu, và mục tiêu của mô phỏng vỉa

4 Xác định thông số nào của vỉa có thể được hiệu chỉnh trong suốt quá trình khớp lịch

sử và khoảng giá trị hợp lý cho các thông số này Các thông số được chọn nên là những thông số có giá trị không chắc chắn nhất do hiểu biết về vỉa chưa đầy đủ, nhưng các thông số này phải có ảnh hưởng rõ rệt đến quy trình khai thác Bước xử lý này yêu cầu

sự hợp tác giữa các kỹ sư công nghệ mỏ, địa chất, và đội ngũ đang làm việc trực tiếp tại

mỏ

5 Mô phỏng khớp lịch sử với những dữ liệu tốt nhất sẵn có

6 Đánh giá xem mô hình có đạt yêu cầu hay không Nếu chưa đạt yêu cầu phải tiến hành lại bước 4

7 Tiếp tục thực hiện các bước 5, 6 cho đến khi đạt tiêu chuẩn như mô tả ở bước 3

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT KHỚP LỊCH SỬ TỰ

ĐỘNG

2.1 Hàm mục tiêu (Objective function – OF)

Hàm mục tiêu (OF) là một thước đo độ chênh lệch giữa dữ liệu thực tế và giá trị tính toán mô phỏng của một vài tham số (áp suất, lưu lượng dầu, nước…) Hàm mục tiêu là một tiêu chí quan trọng để lựa chọn một mô hình khớp lịch sử sát nhất so với dữ liệu thực tế Ví dụ: tổng độ chênh lệch của lưu lượng dầu, áp suất và độ ngập nước Nếu mô hình khớp lịch sử được lựa chọn chỉ dựa trên một tham số, ví dụ như lưu lượng dầu, thì

có khả năng sẽ không khớp các tham số khác, như áp suất và độ ngập nước Do đó giá trị của hàm mục tiêu là tiêu chí quan trọng nhất để lựa chọn mô hình khớp lịch sử phù hợp Các thuật toán của phần mềm tNavigator đều có mục đích là để làm giảm hàm mục tiêu, tức là giảm sai số giữa giá trị tính toán và giá trị lịch sử

Công thức tính hàm mục tiêu:

𝑂𝐹 = ∑ 𝑊𝑜𝑏𝑗(∑ 𝑊𝑝(∑ 𝐿 ∗ 𝑆))

𝑁

𝑛=𝑘 𝑝

𝑜𝑏𝑗Trong đó: obj có thể là các giếng hoặc nhóm giếng

Wobj là trọng số của giếng hoặc nhóm giếng

p là tham số, ví dụ: lưu lượng dầu, nước, áp suất…

Wp là trọng số của tham số

n là bước thời gian (n=1,2,…,N)

L là độ dài của một bước thời gian (time step)

Trong đó g là giá trị lệch được xác định bởi người dùng Ví dụ nếu g = 0.05 và độ lệch

là tương đối thì khi S < 1, mức độ chênh lệch giữa value(H) và value(C) không vượt quá 5%

Để làm cho hàm OF khách quan, càng trở nên nhỏ càng tốt, hầu hết các kỹ thuật tính toán mức độ thay đổi trong OF do sự thay đổi trong mỗi tham số vỉa chứa Các giá trị phát sinh một phần của OF được sử dụng để cải thiện ước tính của các thông số vỉa chứa

mà cuối cùng sẽ được thay đổi để giảm OF đến giá trị thấp nhất có thể OF phải được đánh giá không chỉ cho một bộ cơ sở các điều kiện mà còn cho một số bộ bổ sung tương ứng với số lượng các biến vỉa chứa sẽ bị thay đổi Tỷ số của sự thay đổi trong OF với

sự thay đổi trong biến tất cả các biến khác được giữ ở giá trị cơ sở là phép ước lượng số của các phần tử rời rạc của OF đang được đánh giá Các kỹ thuật mới đã tìm cách làm giảm các tác vụ máy tính cần thiết để tính toán phần dẫn xuất từng phần của OF Các phương pháp khác nhau tiến hành ở các tỷ lệ khác nhau với giá trị tối ưu của OF; Một

số phương pháp đòi hỏi nhiều lần thử nghiệm và thực hiện các phép xấp xỉ liên tiếp nhiều lần trước khi hội tụ trên OF thấp nhất hoặc phù hợp nhất của dữ liệu Các ước tính ban đầu của các thông số vỉa chứa có thể thu được bằng các mô hình đơn giản trước khi tiến tới giai đoạn kết hợp cuối cùng với mô hình mô phỏng đầy đủ

2.2 Thí nghiệm phân tích độ nhạy (Sensitivity Analysis)

Nhờ thí nghiệm phân tích độ nhạy chúng ta có thể đánh giá được độ tin cậy của các biến

số cũng như khoảng giá trị của chúng Nếu qua thí nghiệm này có thể tìm được mô hình khớp hoặc gần khớp thì các biến số và khoảng giá trị của chúng là đáng tin cậy Tiếp đó

có thể tiến hành các bước tiếp theo dựa trên các biến số và khoảng giá trị đáng tin cậy này

Hình 1: Đánh giá kết quả sensitivity analysis Ngược lại, nếu giá trị tính toán được trong mô phỏng chênh lệch quá nhiều so với dữ liệu thực tế, mà chúng ta cứ tiếp tục với các biến số và các khoảng giá trị đó, thì chỉ mất thời gian mà vẫn không tìm được một mô hình thích hợp Trong trường hợp này ta nên thay đổi biến số hoặc thay đổi khoảng giá trị của biến số rồi tiến hành phân tích độ nhạy lại lần nữa

2.3 Thí nghiệm chưa chắc chắn (Uncertainty Analysis)

Thí nghiệm không chắc chắn được sử dụng khi đã xác định được khoảng biến thiên của biến số, nhưng chưa chắc chắn biến số đó có giá trị khớp lịch sử là bao nhiêu Thí nghiệm chưa chắc chắn được sử dụng nhiều nhất có thể kể đến Latin hypercube vì tính hiệu quả của nó Thí nghiệm này phân chia không gian của các khoảng biến thiên của biến số ra thành các khoảng bằng nhau, sau đó lựa chọn giá trị của mỗi mô hình sao cho mỗi dòng hoặc mỗi cột của không gian chỉ có một giá trị được lựa chọn Hình dưới đây minh họa cho thí nghiệm Latin hypercube:

Trong hình bên trái, không gian 2 chiều đặc trưng cho 02 biến số Người dùng tạo ra 04

mô hình khác nhau dựa trên 2 biến này, thế nên không gian 2 chiều được chia thành 04 dòng và 04 cột Sau đó 04 mô hình được lựa chọn sao cho mỗi dòng hoặc mỗi cột chỉ

có một giá trị được chọn

Trong hình bên phải, không gian 3 chiều đặc trung cho 03 biến số Người dùng tạo ra

03 mô hình khác nhau dựa trên 3 biến số này Tương tự như cách phân chia không gian

ở ví dụ trước, ta được 03 mô hình như trong hình minh họa

Hình 3: Thí nghiệm Latin hypercube 02 biến số, 100 mô hình được khởi tạo Trong ví dụ trên hình 1.3, không gian 2 chiều đặc trưng cho 02 biến số, người dùng tạo

ra 100 mô hình Thí nghiệm Latin hypercube tự động tạo ra giá trị cho các mô hình, vì thế nếu chạy song song 2 thí nghiệm Latin hypercube trên cùng một máy tính với các khoảng biến thiên như nhau, thì kết quả thu được vẫn sẽ khác nhau

Hình 1 1: Thí nghiệm Latin hypercube Hình 2: Thí nghiệm Latin hypercube

2.4 Một số thuật toán tối ưu hóa (Optimization Algorithm)

Trên phương diện toán học, tối ưu hóa (optimization) là tìm ra giá trị tối đa và tối thiểu của một đại lượng nào đó Trong khớp lịch sử tự động, chúng ta sử dụng các thuật toán tối ưu hóa để làm giảm hàm mục tiêu nhiều nhất có thể, tức là giảm sự chênh lệch giữa

số liệu tính toán mô phỏng với số liệu thực tế Trong báo cáo này tác giả giới thiệu 2 thuật toán được sử dụng rộng rãi trong phần mềm tNavigator: Particle Swarm Optimization và Differential Evolution

2.4.1 Thuật toán Particle Swarm Optimization (PSO)

Thuật toán PSO được phát triển bởi Kennedy và Eberhart (1995) Thuật toán lấy ý tưởng

từ ứng xử bầy đàn của một bầy chim (particles), cố gắng di cư đến một địa điểm chưa được xác định Mỗi phần từ trong bầy sẽ tìm nơi đậu theo một hướng nhất định, sau đó giao tiếp với nhau và quyết định phần tử nào đang ở vị trí tốt nhất Sau đó mỗi phần tử

sẽ tăng tốc hướng về phần tử có vị trí tốt nhất và mỗi phần tử tiếp tục khảo sát tìm điểm đến tốt hơn, sau đó lại giao tiếp với nhau và quyết định lại phần tử nào đang ở vị trí tốt nhất Quá trình này được lặp lại cho đến khi cà đàn chim đến được vị trí mong muốn Trong thuật toán này, mỗi cá thể có 03 giá trị đặc trưng: vị trí hiện tại, vị trí tốt nhất (cũ),

và vận tốc bay

Cơ chế của thuật toán có thể được diễn tả như sau: trong mỗi chu trình lặp, mỗi cá thể của bầy đàn cập nhật vị trí của nó Công thức cập nhật vận tốc:

𝑉(𝑛𝑒𝑤) = 𝑤 𝑉(𝑜𝑙𝑑) + 𝑟1 𝑛𝑜𝑠𝑡𝑎𝑙𝑔𝑖𝑎 (𝐿𝐵𝑒𝑠𝑡 − 𝑋) + 𝑟2 𝑠𝑜𝑐𝑖𝑎𝑙𝑖𝑡𝑦 (𝐺𝐵𝑒𝑠𝑡 − 𝑋) Trong đó: V là vận tốc của phần tử

X là vị trí của phần tử, tương ứng với giá trị của biến số

LBest là vị trí tốt nhất cho từng phần tử riêng biệt

GBest là vị trí tốt nhất cho toàn bộ bầy đàn

w là hệ số quán tính

r1 và r2 là các số ngẫu nhiên thuộc [0,1]

nostalgia là hệ số đặc trưng cho xu hướng phần tử tiến đến vị trí LBest

sociality là hệ số đặc trung cho xu hướng phần tử tiến đến vị trí GBest

Hình 4: Thuật toán Particle Swarm Optimization

2.4.2 Thuật toán Differential Evolution (DE)

Thuật toán DE được lấy ý tưởng từ sự tiến hóa chọn lọc tự nhiên của sinh vật Những

cá thể có đặc tính tốt, phù hợp với môi trường sống sẽ được tiếp tục duy trì qua thế hệ sau Trong khi đó những sinh vật có đặc tính không phù hợp với môi trường sống sẽ bị đào thải

Hình 5: Quá trình chọn lọc tự nhiên trong giới sinh vật Những đặc tính tốt nhất của các cá thể được duy trì qua thế hệ sau, dần dần tiến đến trạng thái tối ưu thông qua quá trình sinh sản Tương tự cho thuật toán DE, có thể nói một cách trửu tượng, mô hình khớp lịch sử đầu tiên là “thô sơ” nhất, càng về sau các mô hình sẽ càng được cải thiện, mô hình sau sẽ giữ lại các giá trị biến số tốt của mô hình trước và loại bỏ đi những giá trị biến số không tốt

Quá trình “sinh sản” của các mô hình có thể tóm gọn như sau:

 Giai đoạn 1 – chọn lọc: loại bỏ đi những mô hình có độ khớp ít nhất

 Giai đoạn 2 – nhân giống: kết hợp những thuộc tính mong muốn của các mô hình

để tạo nên những mô hình “con” có độ khớp cao hơn

 Giai đoạn 3 – biến dị: từ mô hình “con”, chương trình sẽ tự tạo ra các mô hình

“biến dị” với giá trị các biến số thay đổi, làm tăng độ đa dạng của các mô hình khớp lịch sử

2.5 Khối thuật toán khớp lịch sử tự động bằng phần mềm tNavigator

CHƯƠNG 3: ÁP DỤNG KHỐI THUẬT TOÁN KHỚP LỊCH

SỬ TỰ ĐỘNG VÀ KẾT QUẢ THU ĐƯỢC

3.1 Đối tượng nghiên cứu

3.1.1 Mô tả mô hình mô phỏng

Mô hình này là demo data được xây dựng bởi SPE, là mô hình một độ thấm, một độ rỗng, với mỗi ô lưới được gán cho một giá trị độ thấm hiệu dụng và giá trị độ rỗng hiệu dụng

Mô hình này bao gồm 2660 ô lưới theo các phương x, y và z như sau 19 x 28 x 5 Trong

đó có 1761 ô lưới có hiệu lực trong quá trình tính toán (active) Kích thước trung bình của các ô lưới vào khoảng 180 x 180 x 4m Các giá trị độ rỗng ban đầu chạy từ 0.0727 đến 0.2815, độ thấm ban đầu chạy từ 0.0186 đến 68.784 mD cho phương x,y và 1.8557 đến 6878.5 mD cho phương z

Để thuận tiện cho quá trình khớp lịch sử tự động bằng phần mềm tNavigator, mô hình được chia làm 04 vùng Fluid-In-Place regions (FIP regions) như hình bên dưới Trong báo cáo này, giá trị độ thấm của tất cả các ô thuộc một vùng FIP đều được nhân với một thừa số, thừa số này có giá trị thay đổi sao cho khớp lịch sử là chấp nhận được, là một trong những biến số cần xác định