Uncertainty Quantification in Reservoir Simulation with Monte Carlo Simulation and Polynomial Chaos Expansion. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF [Manuscript Thesis - Tengku Astsauri - ID 202214080].pdf - Draft Version Restricted to Repository staff only until 14 December 2025. Download (4MB)

Arabic Abstract

غالبًا ما تواجه عمليات محاكاة المكامن شكوكًا كبيرة في المدخلات بسبب الاختلافات الجيولوجية والقياسية والنمذجة. يعد فهم كيفية تأثير أوجه عدم اليقين هذه على النموذج أمرًا ضروريًا لتعزيز موثوقية قرارات إدارة الخزان. توفر توسعات الفوضى متعددة الحدود (PCE) نهجًا فعالاً يعتمد على الانحدار ويعتمد على البيانات لتحليل انتشار الشكوك في المدخلات من خلال النموذج. يمثل PCE مخرجات النموذج باعتباره متعدد الحدود استنادًا إلى الوظائف الطيفية المستمدة من التوزيعات الاحتمالية لمتغيرات المدخلات. يتيح هذا النهج حساب الخصائص الإحصائية الأساسية، بما في ذلك المتوسط، والانحراف المعياري، والنسب المئوية، والتوزيع الاحتمالي الكامل. ومع ذلك، قد تتضمن السيناريوهات المعقدة المزيد من المتغيرات العشوائية، وتتطلب درجات متعددة الحدود أعلى وحجم عينة لضمان دقة التقدير. سيؤدي العدد المتزايد من المتغيرات العشوائية، ودرجات متعددة الحدود، وحجم العينة إلى زيادة كبيرة في سعر الحساب. للتخفيف من هذه التحديات، تستخدم هذه الدراسة نموذج PUNQ S-3 كمثال لفحص كيفية تأثير حجم العينة ودرجة متعدد الحدود على أداء نموذج PCE بشكل خاص. بالإضافة إلى ذلك، تم استخدام تحليل سوبول لتقييم حساسية معلمات المدخلات لتقليل عدد المتغيرات العشوائية المدخلة. يتم التحقق من صحة نتائج PCE من خلال المقارنة مع عمليات محاكاة مونت كارلو (MCS) مع 17000 عملية تحقيق، مما يؤدي إلى بعض الاستنتاجات الرئيسية. أولاً، توفر طريقة PCE بديلاً فعالاً لمحاكاة MCS التقليدية، حيث تحقق أكثر من 95٪ من دقة MCS بينما تتطلب أقل من 1 % من الوقت الحسابي. ثانيًا، يعد الموازنة بين درجة كثيرات الحدود ودقة التقدير أمرًا بالغ الأهمية، نظرًا لأن كثيرات الحدود ذات الدرجة الأعلى تتطلب المزيد من العينات، مما يزيد بشكل كبير من الوقت الحسابي مع تقديم تحسين محدود في الدقة

English Abstract

Reservoir simulations often face significant input uncertainties due to geological, measurement, and modeling variations. Understanding how these uncertainties impact the model is essential for enhancing the reliability of reservoir management decisions. Polynomial Chaos Expansions (PCE) offer an effective regression-based, data-driven approach to analyze the propagation of input uncertainties through the model. The PCE represents the model's output as a polynomial based on spectral functions derived from the probability distributions of input variables. This approach enables the calculation of essential statistical characteristics, including the average, standard deviation, percentiles, and the complete probability distribution. However, complex scenarios may involve more random variables, require higher polynomial degrees and sample size to guarantee the estimation accuracy. The increasing number of random variables, polynomial degrees, and sample size will significantly increase the computation price. To mitigate these challenges, this study uses PUNQ S-3 model as an example to examine how the sample size and polynomial degree affect the performance of the PCE model especially. In addition, sobol analysis was used to assess input parameters’ sensitivity to reduce the number of the input random varibales. The PCE results are validated through comparison with Monte Carlo simulations (MCS) with 17,000 realizations, leading to some key conclusions.. First, the PCE method provides an efficient alternative to traditional MCS, achieving over 95% of MCS accuracy while requiring less than 1% of the computational time. Second, balancing polynomial degree and estimation accuracy is crucial, as higher-degree polynomials require more samples, significantly increasing computational time while offering limited accuracy improvement.

Item Type:	Thesis (Masters)
Subjects:	Research > Petroleum Petroleum > Reservoir Engineering and Management
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Wang, Yuzhu
Committee Members:	Ibrahim, Ahmed and Abdulraheem, Abdulazeez
Depositing User:	TENGKU ASTSAURI (g202214080)
Date Deposited:	16 Dec 2024 08:42
Last Modified:	16 Dec 2024 08:42
URI:	http://eprints.kfupm.edu.sa/id/eprint/143120