Bergen Postboks
7803 NO-5020
Bergen Norwegia
7th Januari
2019
Björn Nyberg Departemen Ilmu Bumi, Universitas Bergen, PO Box 7803, 5020
Bergen, Norwegia. bjorn.nyberg@uib.no
John A. Howell Departemen Geologi dan Geologi Perminyakan, Universitas Aberdeen, Gedung Meston,
Aberdeen Tua, AB24 3UE UK2 john.howell@abdn.ac.uk
Christian Haug Eide Departemen Ilmu Bumi, Universitas Bergen, PO Box 7803,
5020 Bergen, Norwegia. christian.eide@uib.no
Hormat
kami, Björn
Nyberg
Mengkarakt
erisasi
Abstrak
Pendahulu
an
Berbagai metode pemodelan reservoir stokastik ada. Ini secara luas dibagi menjadi
pendekatan berbasis pixel dan berbasis objek. Ada berbagai algoritma dalam dua
kelompok ini, yang masing-masing memiliki kelebihan dan kekurangan tergantung pada
aplikasi (lihat Howell et al. 2014 untuk review). Algoritma berbasis pixel meliputi simulasi
indikator sekuensial (SIS), simulasi Gaussian terpotong (TGS) dan statistik multi-point
(MPS). SIS adalah algoritma yang paling umum digunakan, berdasarkan variograms
yang membandingkan probabilitas facies yang diberikan terjadi antara dua titik. Kusen
variogram menentukan jarak di mana tidak ada korelasi antara dua titik. Faktor pembatas
utama dari pendekatan ini adalah bahwa metode berbasis pixel cenderung menghasilkan
"distribusi tambal sulam" yang biasanya buruk dalam menghasilkan badan-badan yang
realistis secara geologis dengan batas-batas yang tajam dan terpisah. Masalah kedua
adalah bahwa menurunkan variograms untuk bentuk tubuh dari data singkapan biasanya
tidak menjadi bagian dari alur kerja pengumpulan data singkapan, meskipun ada
pengecualian penting (Colombera et al. 2012; Rarity et al. 2014).
Metode MPS didasarkan pada penggunaan algoritma pengenalan pola jaringan saraf
untuk menghitung probabilitas perubahan dari sel centroid ke tetangganya dalam jendela
yang diberikan (Guardiano dan Srivastava 1993; Caers 2001; Strebelle 2002).
Pengenalan pola ini dikumpulkan dari gambar pelatihan yang mewakili stasioner,
distribusi berulang dari pola spasial 3D facies (Caers dan Zhang 2004). MPS dapat
menghasilkan model dengan banyak fasies yang mencakup badan diskrit dan geometri
kompleks. Tantangan utama adalah generasi gambar pelatihan stasioner yang sesuai
meskipun kemajuan signifikan telah dibuat untuk memasukkan tren geologis ke dalam
model ini (Hu dan Chugunova, 2008; Hu et al., 2014; Strebelle dan Levy, 2008).
Nyberg et al. (2015) mengusulkan metode untuk karakterisasi spasial otomatis dan
kuantitatif elemen arsitektur dari satelit atau gambar udara dari sistem modern dengan
mengukur beberapa nilai lebar dan deviasi garis tengah sepanjang garis tengah objek
untuk menggambarkan bentuk dan atribut geometri. Kontribusi saat ini memperluas
metode ini untuk mendefinisikan bentuk dan atribut geometris dari interpretasi singkapan
geologi modern dan untuk menggambarkan bentuk 3-dimensi yang ditentukan pengguna
untuk input ke pendekatan pemodelan berbasis objek dan generator gambar pelatihan
berbasis objek. Tujuan dari makalah ini adalah tiga kali lipat; 1) untuk
mendemonstrasikan alur kerja untuk mengkarakterisasi bentuk dan atribut geometris dari
singkapan dan interpretasi analog modern, 2) penciptaan objek yang ditentukan
pengguna dari data analog untuk pemodelan reservoir berbasis objek dan 3)
penerapannya pada studi kasus fluvial distributif sistem singkapan dalam Formasi
Blackhawk Cretaceous, Utah dan sistem modern yang setara dari Delta Mitchell di
Australia.
Metod
e
Memetakan elemen arsitektur dalam
singkapan virtual
Saat mempertimbangkan geobodi dan singkapan, biasanya merujuk pada data 2D,
2.5D, dan 3D. Dalam model reservoir, geometri 3D dan arsitektur geobodies diwakili.
Namun, untuk analog, data 3D volumetrik sejati jarang tersedia, karena permukaan yang
dapat diakses adalah bagian tebing atau foto udara dari sistem modern yang tidak
menutupi permukaan bawah permukaan. Sepotong planar tunggal melalui tubuh
memberikan penampang 2D, dari mana sulit untuk merekonstruksi geometri 3D secara
detail. Istilah 2.5D sering digunakan ketika ekspresi topografi yang tidak beraturan
memberikan beberapa potongan melalui geobody yang memungkinkan bentuknya
setidaknya direkonstruksi sebagian. Virtual outcrop model (VOMs) dari singkapan
kompleks seperti tambang, atau tebing tidak beraturan dengan garis penopang, selokan,
dan ngarai menyediakan sumber data 2.5D (Jones et al. 2008), yang dapat diekstrapolasi
ke 3D dalam pemodelan geoseluler (misalnya Enge dan Howell 2010).
Tantangan utama yang tersisa adalah untuk mengintegrasikan objek dan dimensi
geometrik variabel mereka di sepanjang kemiringan dan pemogokan seperti yang
ditafsirkan dari singkapan dan sistem modern untuk digunakan sebagai objek 3D dalam
perangkat lunak pemodelan reservoir berbasis objek stokastik (misalnya, Deutsch dan
Tran 2002) atau sebagai input geometris untuk melatih generator gambar untuk MPS
(misalnya, Maharaja 2008). Saat ini,
alur kerja VOM memetakan elemen arsitektur dan secara manual mengukur panjang dan
ketebalan maksimum untuk setiap objek yang ditafsirkan dan menetapkan bentuk
subyektif yang disederhanakan (misalnya, ellipsoid, lobe, sinusoid atau berbentuk kubus)
ke dimensi yang akan dimodelkan oleh reservoir berbasis objek stochastic pendekatan
pemodelan (misalnya, Eide et al., 2014). Metode ini rentan terhadap kesalahan manusia
dan gagal menangkap variabilitas spasial dari dimensi objek sepanjang pemogokan dan
kemiringan seperti yang dipetakan dalam singkapan asli atau interpretasi sistem modern.
Sejumlah metode telah diusulkan untuk karakterisasi profil 2D dan atribut geometris,
untuk sejumlah aplikasi (misalnya, van der Werff dan van der Meer 2008; Blaschke 2010;
Tafesse et al. 2012; Kröner dan Doménech Carbó 2013). Ini telah berkisar dari
pendekatan sederhana (kotak batas minimum) (misalnya, Nanson et al. 2012) hingga
analisis yang lebih kompleks dan terperinci tentang struktur dan bentuk geometris
(misalnya, Gardoll et al. 2000, van der Werff dan van der Meer 2008). Baru-baru ini,
Nyberg et al. (2015) menyajikan metode otomatis untuk mengkarakterisasi atribut
geometris dan profil dari poligon 2D yang dipetakan, mengatasi keterbatasan dalam alat
Sistem Informasi Geografis otomatis (SIG) otomatis. Teknik ini mencirikan garis tengah
objek dan menghitung beberapa lebar dan parameter deviasi garis tengah dari garis
tengah yang dipetakan untuk setiap bentuk individu. Seperangkat parameter
dikumpulkan dan dianalisis untuk secara otomatis menentukan profil geometri bentuk,
panjang, lebar, dan penyimpangan garis tengah. Parameter ini diturunkan secara objektif
dan didasarkan pada pengukuran otomatis yang luas yang dianggap kuat dan dapat
diulang. Aplikasi metode ini untuk data singkapan virtual dijelaskan di bawah ini.
Untuk memanfaatkan algoritma garis tengah Nyberg et al., 2015 untuk karakterisasi
deskriptif data singkapan, polyline yang ditafsirkan dan dipetakan dari VOM perlu
dikonversi menjadi poligon 2D spasial. Untuk tujuan ini, titik referensi (xyz) dipilih pada
awal model singkapan untuk arah kemiringan dan arah pemogokan (Gbr 1). Selanjutnya,
titik awal dari setiap poligon 2D yang baru dihasilkan terdaftar sebagai titik dengan jarak
terdekat ke titik referensi. Ini memastikan bahwa awal setiap poligon relatif terhadap jarak
dari titik referensi dan menunjukkan bahwa semua fitur berorientasi pada arah yang
sama. Setelah titik awal setiap poligon telah ditentukan, jarak kumulatif antara setiap titik
poligon yang dipetakan dan titik awal dihitung untuk membentuk sumbu x. Nilai z asli
masing-masing simpul kemudian digunakan sebagai sumbu y, menghasilkan
representasi planimetrik 2D yang dapat digunakan dalam lingkungan GIS.
Menggunakan kalkulasi jarak 3D antara titik awal dan titik poligon lainnya mencegah
kesalahan titik yang tumpang tindih yang mungkin terjadi jika geometri hanya
diproyeksikan pada bidang 2D. Misalnya, untuk poligon yang membengkokkan topografi
lokal, penting untuk menangkap geometri penuh dari suatu geobody, meskipun
memperluas objek melengkung ini ke permukaan planar dapat menyebabkan profil yang
lebih panjang di ruang 2D. Ketika berhadapan dengan bagian-bagian tebing yang relatif
vertikal, dengan selokan lintas-sisi yang dapat diabaikan, kesalahan mungkin minimal
dalam skala keseluruhan fitur. Dalam ruang lingkup makalah ini, mendapatkan panjang
absolut, lebar dan bentuk objek adalah yang paling penting untuk mengkalibrasi objek
yang ditentukan pengguna yang digunakan untuk menentukan bentuk 3D.
Karakterisasi Atribut
Setelah poligon diperoleh, pengukuran garis tengah sepanjang dip, strike, dan
tampilan planar dari suatu objek (Gbr. 2A) digunakan untuk menghitung lebar dan
penyimpangan garis tengah sepanjang fitur (Gbr. 2B). Deviasi centreline didefinisikan
sebagai jarak antara garis tengah dan jalur terpendek, yang mengukur tidak hanya
sinuositas yang nampak, tetapi juga amplitudo dengan jarak. Metode ini merupakan input
ke sebagian besar algoritma pemodelan berbasis objek untuk mendefinisikan objek yang
lebih kompleks (Deutsch dan Tran 2002). Lebar kemudian dihitung sebagai jarak tegak
lurus dari garis tengah pada interval yang sama. Parameter ini dapat digunakan untuk
menentukan bentuk sinuous, crescentic atau ellipsoidal dan apakah fitur tersebut linear,
simetris, atau jarak geometris asimetris (Gambar 2C). Bentuk individual yang lebih
kompleks dapat didefinisikan berdasarkan metodologi ini dan bentuknya disimpan secara
geometris (misalnya, Gambar 3) daripada secara kategoris sebagaimana praktik standar
dalam menggambarkan secara subjektif interpretasi bentuk modern atau singkapan.
Setelah deviasi centreline dan lebar dihitung sepanjang jarak suatu objek,
mengambil setengah lebar di atas dan di bawah setiap deviasi centreline yang diberikan
akan memodelkan geometri fitur secara spasial di sekitar garis tengahnya sebagai nilai
lebar deviasi. Tujuan dari atribut ini adalah untuk menggambarkan masing-masing
geometri dan dimensi geobodi individu, serta untuk mengelompokkan bentuk yang
serupa ke dalam kelas sehingga geostatistik geometriknya dapat disusun untuk
menyederhanakan simulasi stokastik berbasis objek.
Parameter geometris deskriptif dari objek adalah input yang diperlukan ke berbagai
paket pemodelan reservoir berbasis objek dan generator gambar pelatihan (misalnya,
Deutsch dan Tran 2002; Maharaja 2008). RMS, perangkat lunak pemodelan reservoir
standar industri dari Roxar, digunakan untuk
Dua opsi disajikan di sini untuk mengkarakterisasi objek yang ditentukan pengguna
dari geometri planform; i) lebar relatif dan garis tengah relatif dan ii) lebar menyimpang
dan objek garis tengah menyimpang. Lebar relatif dan garis tengah relatif mengacu pada
bentuk yang hanya ditentukan berdasarkan lebar relatifnya saat ia berubah dengan jarak
(Gbr. 4A). Pemodelan stokastik berikutnya dapat menimbulkan sinuositas jika diinginkan.
Lebar menyimpang dan garis tengah menyimpang mengacu pada objek yang ditentukan
pengguna dengan elemen amplitudo (yaitu sinuositas) dimasukkan ke dalam bentuk
(Gbr. 4B). Pilihan
masing-masing opsi bergantung pada kompleksitas geometri dan kebutuhan pengguna
yang perlu ditentukan berdasarkan kasus per kasus.
Gambar 4. Objek yang ditentukan pengguna dari perspektif planform dalam Roxar RMS yang
dijelaskan dari bentuk saluran pada Gambar. 4 berdasarkan 25 titik sampel. A menunjukkan
deskripsi bentuk dengan lebar relatif sedangkan B menunjukkan deskripsi bentuk dengan lebar
menyimpang versus jarak.
Objek yang ditentukan pengguna dimodelkan oleh parameter tanpa dimensi dari lebar
relatif dan jarak garis tengah (atau lebar menyimpang dan garis tengah menyimpang),
yang dinormalisasi dari -0,5 ke 0,5 dan dari 0 ke 1 sepanjang sumbu, masing-masing.
Lebar relatif dinormalisasi menjadi lebar maksimum dengan Persamaan (1) di mana RW
adalah nilai lebar relatifnya. Jarak dinormalisasi dari 0 ke 1 oleh Persamaan (2), di mana
D adalah jarak.
Persamaan(1)
RW maks(RW)
D-min(D) maks(D)-min(D)
Persamaan (2)
( X-min(bW ) maks(aW )-m(bW) )−0.5
Persamaan ( 3)
Normalisasi centreline yang menyimpang (c) dan lebaratas (aW) dan di bawah (deviasi
dibW) centreline yang menyimpang ditunjukkan dalam Persamaan (3), di mana X
mewakili pengukuran individual aW, bW dan c. Profil ketebalan (sepanjang dan melintasi)
dinormalisasi antara 0 dan 0,5 di atas dan di bawah sumbu pusat, yang dapat dihitung
dengan membagi lebar relatif dengan setengah dalam Persamaan (1).
Objek yang ditentukan pengguna didefinisikan dalam paket pemodelan reservoir
sepanjang jarak aksial (atau jalur terpendek) dari jarak yang sama (misalnya 0, 0,25, 0,5,
0,75, 1) dengan pengukuran lebar yang sesuai (misalnya Roxar 2014). Ini mungkin
berbeda dari jarak pengukuran yang dilakukan di sepanjang garis tengah (atau jalur
terpendek). Dengan demikian, tingkat tinggi representasi polinomial, (yaitu Σi= 0n
i 2
ix y=ax +ax+a¿kedua lebar maksimum dan sumbu (atau lebar menyimpang dan
sumbu menyimpang) dimodelkan untuk menentukan jarak dinormalisasi vs fungsi lebar
dinormalisasi
(lihat
Gambar 6)
.Setelah fungsi polinomial telah ditetapkan, nilai-nilai y (yaitu lebar dan garis tengah)
dapat diselesaikan pada interval grid yang sama (seperti di atas) .Fungsi ini kemudian
memungkinkan pengguna untuk menentukan jarak sampel untuk mendeskripsikan
bentuk kompleks (hingga 200 sampel dalam RMS), yang seharusnya manual, tidak
efisien, dan memakan waktu. Geometri bentuk dan ketebalan di sepanjang sumbu
memerlukan pengambilan sampel yang sama, sedangkan ketebalan lintas sumbu dapat
secara terpisah sampel. Bentuk geometris yang dijelaskan oleh objek yang ditentukan
pengguna selanjutnya dapat digunakan dalam pemodelan reservoir dengan menerapkan
atribut geometris absolut yang mendefinisikan bentuk (misalnya panjang, lebar dan
sinuositas). Bentuk-bentuk ini disimpan sebagai file teks dan diimpor secara langsung nto
RMS sebagai objek yang ditentukan pengguna.
Gambar. 5. menunjukkan interpretasi dari sabuk saluran tunggal sepanjang mogok pengendapan
dari Beckwith Plateau vom, dengan perhitungan yang sesuai otomatis di B.Geometri ini dapat
digunakan sebagai input ke objek yang ditentukan pengguna, seperti yang ditunjukkan pada
Gambar. 14. Atau, rata-rata geometri dan variabilitas dari beberapa realisasi dapat digunakan
untuk menentukan bentuknya, seperti yang ditunjukkan pada Gambar. 6.
Secara teoritis, setiap fitur dalam luasan VOM yang dipetakan dapat diberi bentuk
yang ditentukan pengguna dan dimodelkan dalam model reservoir. Lebih berguna untuk
pemodelan stokastik adalah mengelompokkan bentuk geometris yang sama ke dalam
populasi dan kemudian menggunakan distribusi dalam populasi untuk membangun
model stokastik. Bentuk geomorfologi yang sebelumnya didefinisikan sebagai crescentic,
ellipsoidal atau berliku-liku dengan profil simetris, asimetris atau linier secara otomatis
dikategorikan (Gambar 2), dan oleh karena itu bentuk serupa dapat diwakili oleh satu
objek yang ditentukan pengguna dan secara stokastik dimodelkan oleh variabilitasnya.
Dengan cara ini, profil geometrik tunggal apa pun dalam kategori dapat mewakili
keseluruhan (misalnya, Gambar 5) atau profil geometrik rata-rata (misalnya, Gambar 6.)
yang mewakili populasi dari sudut pandang pemogokan, kemiringan atau planar, dengan
menangkap kisaran variabilitas dalam setiap kelas bentuk.
Profil geometrik rata-rata menyiratkan prosedur yang sama yang digunakan untuk
mengkarakterisasi objek yang ditentukan pengguna, meskipun geometri yang
dinormalisasi dari semua fitur digunakan untuk menentukan rata-rata.
Mempertimbangkan bahwa baik jarak dan lebar dinormalisasi, ini mendefinisikan objek
dengan bentuk, terlepas dari nilai absolut. Jika arah asimetri valid, yaitu centreline telah
dikoreksi secara spasial sepanjang arah sistem pengendapan (Gbr. 1), geometri ini
selanjutnya
dapat dibagi berdasarkan kriteria yang sama. Jika tidak, untuk membandingkan bentuk
asimetris, asimetri selalu dinormalisasi dengan kemiringan positif (misalnya Gambar 6A)
untuk memastikan beberapa fitur tidak mengandung profil yang berbeda yang mungkin
dirata-ratakan ketika fungsi polinomial digunakan untuk menggambarkan bentuk.
Gbr. 6. Beberapa bentuk individu (mis. Gbr. 5) dapat dikombinasikan untuk menghasilkan bentuk
profil rata-rata. The plot pada gambar menunjukkan laporan profil otomatis dari 23 ellipsoidal
asimetris bentuk untuk mencirikan lebar relatif A,deviasi sumbu di B,lebar menyimpang di C untuk
menghasilkan bentuk di D.Sebuah 5th rangka fungsi polinomial digunakan untuk menggambarkan
mean bentuk geometris. Variabilitas antara setiap realisasi lebar relatif dalam A dan deviasi
centreline dalam B dapat diukur untuk menentukan variabilitas dalam bentuk geometri yang
dihasilkan (D). Variabilitas itu dapat dimasukkan secara langsung sebagai variabilitas dalam
objek yang ditentukan pengguna untuk pemodelan reservoir berbasis objek. Geometri yang
dihasilkan laporan profil dalam D dapat digunakan untuk menentukan bentuk objek yang
ditentukan pengguna.
Demikian pula, normalisasi deviasi centreline berorientasi sehingga arah deviasi dengan
pengukuran terbesar selalu positif, seperti yang ditunjukkan pada Gambar. 6B.
Keuntungan untuk memodelkan bentuk rata-rata dari banyak fitur adalah bahwa selain
variabilitas atribut geometrik, bentuk dapat diperoleh sebagai standar deviasi dari garis
tengah deviasi dan lebar dan dimodelkan oleh objek yang ditentukan pengguna.
Atribut Geometris
Objek yang didefinisikan pengguna yang dinormalisasi yang diterapkan dalam
pemodelan berbasis objek adalah representasi bentuk daripada ukuran absolut dengan
dimensi tertentu. Dengan demikian, setiap kelompok dengan bentuk yang serupa
dipasangkan dengan rata-rata panjang, lebar, deviasi garis tengah maksimum, dan
statistik sinuositas sebagai parameter penting yang dapat digunakan oleh perangkat
lunak pemodelan reservoir standar untuk mensimulasikan objek tersebut berdasarkan
variabilitas dimensi mereka (lihat Tabel 1). Sebagai contoh, deskripsi tampilan planar
saluran dapat dijelaskan dalam paket pemodelan reservoir tipikal, tidak hanya oleh
perubahan lebar sepanjang jarak, tetapi juga oleh amplitudo (penyimpangan centreline)
atau sinuositas (misalnya, Deutsch dan Tran 2002). Penting untuk dicatat bahwa dimensi
geometrik yang diterapkan pada objek yang ditentukan pengguna berhubungan dengan
seluruh unit kisi daripada lebar maksimum objek yang dinormalisasi.
Tabel 1 - Menghitung atribut geometris yang diamati dari 61 saluran sabuk geobodi di
sepanjang pemogokan Max Lebar Lebar Tebal Sinuositas rata-rata 221,39 5.58 1,02
std 170,27 2,82 0,01 min 29,82 1,28 1,01 0,5 169,61 3,83 1,01 0,5 169,62 4,8 1,02 0,75
254,99 1,07 1,08 max 875,02 13,78 1,08
Kasus
Studi
The metode untuk mengekstraksi data geometris dan membangun model berbasis objek
ditunjukkan dengan menggunakan studi kasus dari bagian non-laut dari Formasi
Blackhawk Cretaceous, yang muncul di Tebing Buku di Utah timur. Poligon dipetakan
menggunakan bagian singkapan virtual sepanjang 25 km, yang dikumpulkan
menggunakanberbasis helikopter oblique LiDAR (lihat Buckley et al. 2008b untuk
pengumpulan data dan prosedur pemrosesan, dan Eide et al. 2015 untuk deskripsi rinci
tentang dataset khusus ini ). VOM yang diproses menyediakan penampang yang
berorientasi dip dan strike melalui suksesi setebal 50-70 m tebal dari endapan dataran
pantai berbahan bakar batubara dengan banyak saluran pasir yang terdefinisi dengan
baik. Dataset ini sangat ideal untuk mengevaluasi metode yang dijelaskan.
Deskripsi geologis
Interval studi adalah utara kota Green River di Utah timur (Gbr. 1). The Book Cliffs
and their westerly extension, the Wasatch Plateau, provide a 300 km-long, near
continuous outcrop through the Mesaverde Group clastic wedge (Howell and Flint 2004;
Hampson et al. 2012), which prograded from the uplifted Sevier orogenic belt in the east,
into the Cretaceous Western Interior Basin. The Blackhawk Formation includes a series
of marine shorefaces which are overlain by an easterly thinning wedge of coastal plain
and alluvial deposits. These deposits, informally termed the non-marine Blackhawk
Formation, thin from 300 m in the Wasatch Plateau to 50 m in the study area. Deposits
within the non-marine Blackhawk include lagoonal deposits, overbank heteroliths and
mudstones, coals, fluvial channels and tidally-influenced
channels (Hampson et al. 2012; Rittersbacher et al. 2014b;
Fig. 1).
Detailed analysis of the spatial and vertical changes in channel dimensions based on
two heli-LiDAR datasets from the Wasatch Plateau (Rittersbacher et al. 2014a;
Rittersbacher et al. 2014b) indicated the presence of a large prograding, distributive fluvial
system, similar in scale to the modern day Mitchell Delta system in the Gulf of
Carpentaria, northern Australia (Nanson
Fig. 7. A ~1.7 km long by ~50 m thick succession of channel belts interpretations along the strike
section of the virtual outcrop representing the inset in Fig. 1 as well as the extent of the reservoir
model in Fig. 11. A shows an un-interpreted section of the virtual outcrop model with no
exaggeration. B shows the interpreted channel belt model with no exaggeration. C shows a 5x
vertical exaggeration of channel belt interpretations. The resulting 2D GIS classification of those
channel belt interpretations are shown in D, exaggerated vertically by 5x. ve = vertical
exaggeration.
et al., 2012). The area is steep and difficult to access, though several sedimentary logs
were obtained from side canyons. These were used to calibrate the interpretation of the
VOM. Sixty nine channel bodies were manually mapped using in-house software for
virtual outcrop visualization and manipulation, LIME.
Of the sixty nine individual channel belts mapped within the study interval, 61 provide
cross sections of the channels, parallel to depositional strike (eg, Fig. 7.) and 8 provide
oblique depositional dip orientated sections. Channel belt width along strike measures
221 m (+/- 170m) and channel belt thickness measures 5.6 m (+/- 2.8 m) as shown in
Table 1.
Fig. 8. Geometric shapes of the outcrop model along dip (red) and strike (blue). Along dip and
strike, the most common shape outcropping at the surface are of ellipsoidal channel belts. Strike-
sections show a higher degree of variability due to the large variety of irregular cuts along the
bodies, while dip-oriented cuts are more faithful to the actual shape of the body.
Table 2 - Calculated observed geometric attributes of 8 channel belt geobodies along
dip
Max Width Max Thickness Sinuosity mean
168.92 5.42 1.03 std 166.48 2.48 0.02 min 65.45 1.56 1.01
0.25 75.31 4.04 1.02 0.5 83.31 5.68 1.03 0.75 172.1 6.98
1.03 max 474.35 9.2 1.07
Fig. 9. Typical plots that may be acquired in the analysis and interpretation of continental channel
deposits from outcrop. A shows a plot of observed channel thickness by observed channel width
to show a general increase by a linear regression line. B shows the same dataset binned by
observed channel width distribution and frequency.
The range of channel belt width values ranges from 30 m to 875m while channel belt
thickness ranges from 1.3 m to 13.8 m. Along dip, channel belts outcrop with a width and
thickness of 169m (+/- 166m) and 5.4m (+/- 2.4m), respectively (Table 2). The range of
values for channel belt width is 65m to 474m and channel belt thickness ranges from
1.6m to 9.2m.
The outcropped shape of channel objects along dip and strike is summarized in Fig. 8.
Given the low sinuosity in both Table 1 and 2, most of the features are described by an
ellipsoidal character (Fig. 8A, B). In addition, the majority of those shapes tend to have
an asymmetrical profile. Along strike, however, a higher degree of variability is witnessed
(Fig. 8B), in particular, crescentic features represent nearly a third (29%). This is likely
due to the large variety of along- body intersections possible for sinuous channel belts.
The individual channel belt geometric values forming the results in Tables 1 and 2
can be analysed in further detail. For example, Fig. 9 shows maximum values along strike
for channel width and thickness. Fig. 9A plots a general increase in channel thickness
with channel belt width at ay = 0.008x + 3.93 linear relationship with an r 2 of 0.23 where x
is channel width and y
is the channel thickness. A binned log 10 channel width distribution plotted in Fig. 9B
shows a normal log distribution with a peak centred at approximately 100m.
Reservoir
Model
Fig. 10. Creation of user-defined object within Roxar RMS defining the planform geometry (Fig.
3), thickness across axis (Fig.5) and thickness along axis (Fig. 6). This defines the input for user
defined object-based modelling in Fig. 11.
Fig. 11. A shows a stochastic object-based model of 10 channel bodies based on the user-
defined object in figure 10. B shows a stochastic object-based model of 10 channel bodies
utilizing the same seed and planform geometry whilst a rectangular geometry across the geobody.
The mean and standard deviation of width and thickness of the channel body were
modelled using the geometric attributes defined in Table 1. The length of the planform
geometry was taken as the length of the reservoir model given that the planform geometry
from the modern analogue is representative of shape rather than absolute length found
in the outcrop. The resulting object- based model comprises two categories – channel
and background – that stochastically simulate 10 individual channel sandbodies (Fig.
11A) honouring the shape shown in Fig. 10. A control model was built using the same
seeded stochastic object-based model with 10 channel objects with the same planform
geometry but built with a box geometry along and across axis (Fig. 11B). The box
geometry represents a conventional object-based model for channels within reservoir
modelling packages based on typical outcrop measurements that only highlight
maximum length and thickness. This control model used inputs from the same dataset
described in Tables 1 and 2 for channel body width and thickness.
Fig. 12. A comparison along strike of the reservoir model for the user defined object (A) versus
a traditional object-based channel in standard reservoir modelling suites (B).
The modelling suggests that geometric change along and across the axis of a user-
defined object that defines a geo-realistic shape is important as it significantly reduces
the volume of net reservoir compared to a traditional box-geometry channel object (Fig.
11 & 12). In this example, the object-based model (Fig. 11A & 12A) from the user-defined
shape in Figure 10 create channels that are 45% less in volume in comparison to that of
the box channel geometry (Fig. 11B & 12B). A simple two-phase (oil and water) simulation
was run over a 10 year period on the two models with the same reservoir pressure of
150bar, one injector with a bottom hole pressure at 175bar and one producer with a
bottom hole pressure at 125bar (Fig. 11 & 13). Permeability and porosity of channel-filled
deposits from the similar deposits in the nearby Ferron Sandstone were taken from
Deveugle et al. (2014) at 28% and 1793kh mD, respectively. The non- reservoir
background was defined by a porosity of 10% with akh of 5kh mD and akh/kv ratio of 0.1
was used across the model.
Fig. 13. Shows one slice along dip of a reservoir simulation from injector to producer after 1460
days displaying the percentage of oil in place between the user-defined object based model (A)
and a standard channel box object-based model (B).
Fig. 14. Shows a comparison of a reservoir simulation between one water injector and one oil
producer on the proposed user-defined object (UDO) based method and an objected based
channel model over a 10
year period. A and B display results of field oil production rate (FOPR) and field water production
rate (FWPR) at the surface in m3/day for the user-defined object based model and object based
channel model, respectively. C compares the cumulative water production of a UDO vs an object
based channel model. D compares the cumulative oil production of a UDO vs an object based
channel model. Note the relatively early water breakthrough and lower cumulative oil production
that is produced with an object based channel model.
Discussion &
Conclusion
The application of the presented methodology to the channels belts of the Blackhawk
Formation in the Beckwith Plateau demonstrates that detailed user-defined shapes can
be characterized based on data from outcrop and modern systems for object based-
modelling. Although it is recognized that other methods are available for fluvial facies
(Deutsch and Tran 2002), the advantage of the present method is that it can be used
across a range of depositional elements and shapes and based on actual measurements
from outcrop and modern systems or conceptualized sketches. Furthermore, the
automated method to analyse geometric data of outcrop or modern system interpretations
can be used as input to describe the parameters of objects (eg, thickness along strike) as
required in object-based modelling or training image generator software (eg, Deutsch and
Tran 2002, Maharaja 2008). Previously, manual alternatives to measure geometries of
an outcrop or modern geobody interpretation have been limited by feasibility and
efficiently, typically only recording the maximum length and maximum thickness, which
cannot be used to replicate the original objects shape geometrically (eg, Eide et al., 2014).
This paper has narrowed the discrepancy in efficiency for gathering geological
outcrop geobody interpretations from VOMs and describing geobody interpretations
geometrically for stochastic based reservoir modelling. The methodology presented,
defines objects geometrically in an automated and objective approach as objects for
stochastic object-based reservoir modelling. Geo-realistic reservoir models are important
as volumetrically identical but topologically different sandbody reservoir geometries have
different fluid flow characteristics. The continued integration of outcrop and modern
analogue data into reservoir modelling suites as realistic geobody shapes is important in
improving the topological relationship of sandbody representations and in developing
training images for MPS modelling. It is foreseen that this contribution will encourage
further discussion on improving the objective and automated geometric attribute and
shape characterization of geobody interpretations from VOM and modern systems for
stochastic based reservoir modelling.
Acknowledgeme
nts
The authors thank the FORCE consortium of oil companies (Bayern Gas,
ConocoPhillips, Dana Petroleum, Dong Energy, Eni Norge, GDF Suez, Idemitsu, Lundin,
Noreco, OMV, Repsol; Rocksource, RWE, Statoil, Suncor, Total, PDO and VNG) and the
Norwegian Petroleum Directorate (NPD) for funding this research through the SAFARI
Phase II project. Roxar AS and Riegl GmbH are acknowledged for providing academic
software licenses.
Referenc
es