| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Fortaleza, Eugênio Libório Feitosa | - |
| dc.contributor.author | Paula, Thiago Tomás de | - |
| dc.date.accessioned | 2026-10-05T19:12:29Z | - |
| dc.date.available | 2026-10-05T19:12:29Z | - |
| dc.date.issued | 2026-10-05 | - |
| dc.date.submitted | 2026-08-04 | - |
| dc.identifier.citation | PAULA, Thiago Tomás de. Gated Data-Space Inversion for Reservoir Prediction. 2026. 91 f., il. Dissertação (Mestrado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2026. | pt_BR |
| dc.identifier.uri | http://repositorio.unb.br/handle/10482/57115 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Ciências Mecânicas, 2026. | pt_BR |
| dc.language.iso | eng | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Gated Data-Space Inversion for Reservoir Prediction | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Reservatórios | pt_BR |
| dc.subject.keyword | Produção | pt_BR |
| dc.subject.keyword | Ciências mecânicas | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | A previsão precisa do desempenho de reservatórios mediante incerteza é essencial para a tomada de decisões no gerenciamento geológico de reservatórios. A Inversão no Espaço de Dados (DSI - Data-Space Inversion) (Sun; Durlofsky, 2017) oferece uma alternativa atraente ao ajuste de histórico tradicional na medida em que atualiza previsões de ensemble diretamente no espaço de dados e, assim, evita repetir simulações de subsuperfície. Recentemente, Lima, Emerick e Ortiz (2020) introduziram o DSI-ESMDA, uma extensão do DSI que emprega o Ensemble Smoother with Multiple Data Assimilation (ES-MDA) para substituir as minimizações de Máxima Verossimilhança Aleatorizada (Randomized Maximum Likelihood) no DSI original por uma atualização iterativa similar ao filtro de Kalman, alcançando significativa eficiência computacional e mantendo previsões a posteriori competitivas. Apesar dessas vantagens, o DSI-ESMDA, assim como outros suavizadores de ensemble (ensemble smoothers), permanece suscetível à perda excessiva de variância, o que pode levar à subestimação da incerteza a posteriori. Métodos como a localização de covariância ajudam a mitigar esse problema, mas a subestimação da variância ainda é observada em aplicações práticas. Um fator que contribui para essa perda progressiva de variância é que pequenas discrepâncias na produção, frequentemente dominadas por ruído de medição ou efeitos de amostragem, podem desencadear microatualizações repetidas que reduzem a diversidade do ensemble sem melhorar a capacidade preditiva. Este trabalho apresenta uma extensão para o DSI-ESMDA que modifica a influência efetiva de cada observação por meio de uma ponderação não linear do vetor de inovação, dependente da discrepância com os dados observados. A formulação proposta pode ser interpretada como a introdução de uma função de influência de suavização na atualização do tipo Kalman, calculada a partir de inovações normalizadas utilizando um operador de ponderação baseado na função de erro. Ao contrário da localização de covariância, que atua sobre estatísticas de segunda ordem, a filtragem de inovações atua diretamente no termo de atualização, suprimindo seletivamente correções associadas a observações com ajuste satisfatório, enquanto preserva o impacto total de discrepâncias significativas. A qualidade do ajuste é definida por um parâmetro de limiar durante a normalização da inovação. A metodologia de filtragem é inspirada em técnicas de filtragem adaptativa desenvolvidas para mitigar o desgaste de atuadores em sistemas de controle em malha fechada (Fortaleza et al., 2022) e está conceitualmente relacionada a estratégias de smooth shrinkage e noise-gating no processamento de sinais (Donoho; Johnstone, 1994; Donoho, 1995). Embora o presente trabalho foque no DSI, a formulação proposta é geral e pode ser aplicada a métodos padrão de inversão no espaço do modelo baseados em ensemble, incluindo o ES-MDA e suavizadores iterativos correlatos. A abordagem é avaliada em múltiplos reservatórios sintéticos e em uma aplicação em campo real, utilizando taxas de produção de poços produtores e injetores. Os resultados mostram que o DSI-ESMDA com ponderação de inovação reduz a perda de variância e gera envelopes de incerteza mais robustos na fase de previsão, sem comprometer o ajuste aos dados. Além disso, para parâmetros de ponderação moderados, as previsões a posteriori permanecem próximas daquelas obtidas com o DSI-ESMDA padrão, indicando que o método proposto atua como uma extensão estabilizadora, ao invés de uma substituição. | pt_BR |
| dc.description.abstract2 | Accurate prediction of reservoir performance under uncertainty is essential for decision making in geological reservoir management. Data-Space Inversion (DSI) provides an attractive alternative to traditional history matching by updating ensemble forecasts directly in
data space, thereby avoiding repeated subsurface simulations. Recently, DSI-ESMDA was
proposed. It is an extension of DSI that employs the Ensemble Smoother with Multiple Data
Assimilation (ESMDA) to replace the Randomized Maximum Likelihood minimizations
of the original formulation with an iterative Kalman-type update, achieving significant
computational efficiency while maintaining competitive posterior forecasts. Despite these
advantages, DSI-ESMDA, like other ensemble smoothers, remains susceptible to excessive
variance loss, which can lead to underestimation of posterior uncertainty. Methods such
as covariance localization help to ameliorate this issue, but variance underestimation is
still observed in practical applications. One contributing factor to this progressive loss of
variance is that small production mismatches, often dominated by measurement noise or
sampling effects, may trigger repeated micro-updates that reduce ensemble diversity without
improving predictive skill. This work introduces an extension to DSI-ESMDA that modifies
the effective influence of each observation through a nonlinear, misfit-dependent weighting
of the innovation vector. The proposed formulation can be interpreted as introducing a
smoothing influence function into the Kalman-type update, computed from normalized
innovations using an error-function-based gating operator. In contrast to covariance local ization, which acts on second-order statistics, innovation gating acts directly on the update
term, selectively suppressing corrections associated with sufficiently-matched observations
while preserving the full impact of significant mismatches. Match quality is thresholded by
a gating parameter during innovation normalization. The gating methodology is inspired
by adaptive filtering developed to mitigate actuator wear in closed-loop control systems.
Although the present work focuses on DSI, the proposed formulation is general and can
be applied to standard ensemble-based model-space inversion methods, including ESMDA
and related iterative smoothers. The approach is evaluated on multiple synthetic reservoirs
and one real field application using production rates from producers and injectors. Results
show that innovation-gated DSI-ESMDA reduces variance loss during and produces more
robust uncertainty envelopes in the prediction phase without degrading the data match.
Furthermore, for moderate gating parameters, posterior forecasts remain close to those ob tained with standard DSI-ESMDA, indicating that the proposed method acts as a stabilizing
extension rather than a replacement. | pt_BR |
| dc.description.unidade | Faculdade de Tecnologia (FT) | pt_BR |
| dc.description.unidade | Departamento de Engenharia Mecânica (FT ENM) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Ciências Mecânicas | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
