Ein Forschungsteam der Texas A&M University hat ein neuartiges Reservoirvorhersagemodell entwickelt, das maschinelles Lernen und Datenkomprimierungstechnologien integriert und die Effizienz und Genauigkeit von Öl- und Gasproduktionsbewertungen deutlich verbessert. Dieses Modell verkürzt den herkömmlichen Berechnungsprozess von etwa 11 Minuten auf unter eine Sekunde und erzielt dabei eine Vorhersagegenauigkeit von rund 97 %.

„Es gibt viele Methoden zur Produktionsprognose, aber alles hängt davon ab“, bemerkte Mohammed Elkadi, Forscher am Institut für Erdöltechnik. „Jede Entscheidung – sei es ein Kredit, eine Wirtschaftlichkeitsstudie oder eine Entscheidung in der Entwicklungsphase – basiert auf der Prognose, da sie angibt, wie viel Öl, Gas oder Wasser gefördert wird.“ Unter der Leitung ihres Mentors, Dr. Siddharth Misra, entwickelte das Forschungsteam eine Methode zur Reservoirprognose, die auch unter komplexen geologischen Bedingungen anwendbar ist.

Dieses Reservoirprognosemodell kombiniert auf innovative Weise neuronale Netze mit geologischen Datenkomprimierungstechniken. Die Forscher erstellten zunächst 4.000 homogene virtuelle Reservoirmodelle mit jeweils 88.000 Rasterzellen, wodurch insgesamt über 250.000 Datenpunkte generiert wurden. Mithilfe zweier verschiedener Datenkomprimierungsverfahren wurden die Originaldaten im Verhältnis 1:50.000 komprimiert, und das neuronale Netz wurde in einer Python-Umgebung für die Produktionsprognose trainiert.

Elkadi erklärte: „Geologische Daten enthalten oft große Datenmengen, von denen einige weniger wichtig sind als andere. Genau darin liegt der Vorteil der Datenkomprimierung: Es geht nicht nur darum, die Daten zu komprimieren, sondern auch darum, wichtige Merkmale daraus zu extrahieren.“ In ersten Tests erstellte das Modell eine Vorhersage in weniger als einer Sekunde, verglichen mit der Rechenzeit von 700 Sekunden eines herkömmlichen Simulators, wobei die Fehlerrate unter 3 % blieb.

Das Forschungsteam arbeitete zudem mit Saudi Aramco zusammen und nutzte von dem Unternehmen bereitgestellte Simulationsdaten, um rund 3.000 heterogene Reservoirmodelle zu erstellen. Mit zunehmender Anzahl an Parametern, insbesondere nach Einbeziehung menschlicher Eingriffe, optimierte das Team kontinuierlich die Modellleistung. Forscherin Vina Kumar erklärte: „Wir freuen uns darauf, das multivariate Vorhersagemodell für Langzeitprognosen mit einem Zeitraum von bis zu zehn Jahren weiter zu verbessern.“

Das Reservoirprognosemodell wird derzeit um Parameter erweitert und technisch verbessert. Im nächsten Schritt planen die Forscher, es anhand realer Produktionsdaten zu validieren. Diese Technologie soll eine zuverlässigere Datengrundlage für Investitionsentscheidungen und die Produktionsplanung in der Öl- und Gasindustrie liefern.

Weitere Informationen: Mohammad Elkady et al., „Ultrafast Multiphase Production Prediction of Large Condensate Shale Gas Reservoirs“ (2023).