FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W3036615269> ?p ?o ?g. }

• W3036615269 abstract "La caratterizzazione del reservoir e una complessa attivita che si occupa di descrivere il modello petrofisico del reservoir, e di valutare, quantitativamente, la relativa capacita di intrappolare idrocarburi. Tale attivita si avvale di differenti tecniche di esplorazione geofisica, tra le quali si annoverano: sismica, elettromagnetica o well log. La scelta della tecnica e dettata dalla litologia dello scenario di esplorazione, dalla risoluzione richiesta e dal budget a disposizione per l'acquisizione. La presente tesi di dottorato affronta il problema della caratterizzazione del reservoir attraverso la formulazione di problemi inversi. La tesi si compone di due sezioni, dato che, due differenti tecniche di esplorazione sono impiegate nello studio della caratterizzazione del reservoir. Nella prima parte viene affrontato lo studio delle proprieta petrofisiche del reservoir, attraverso l'integrazione di dati di pozzo, (well log). Lo studio si focalizza sull'inversione congiunta (joint inversion), di dati di pozzo, (p-velocity, conducibilita elettrica e densita), al fine di caratterizzare il reservoir attraverso la stima dei parametri petrofisici: porosita, saturazione di olio, gas e acqua. L'integrazione di dati eterogenei, sfruttando le peculiarita di ogni singola tecnica di esplorazione, permette di recuperare dell'informazione complementare per migliorare la stima del modello petrofisico del reservoir. L'analisi affronta l'inversione congiunta delle equazioni costitutive delle rocce, rappresentate da modelli di fisica delle rocce, che mettono in relazione i parametri petrofisici (porosita, costanti elastiche, costanti elettriche,..), con gli osservabili geofisici (misurazioni). L'osservabilita dei parametri viene studiata mediante una preliminare analisi visuale delle equazioni costitutive. In seguito, viene descritto come un insieme comune di proprieta petrofisiche (rock cross properties), in grado di influenzare differenti misurazioni geofisiche, possa ridurre l'ambiguita che affligge l'interpretazione dei dati. Tale concetto (rock cross properties) rappresenta il kernel dell'algoritmo di inversione Bayesiano, qui proposto per stimare il modello petrofisico del reservoir. La formulazione del problema inverso si basa sull'approccio Bayesiano con ipotesi gaussiane. Nel modeling del sistema le osservazioni di pozzo rappresentano i dati di input, mentre i livelli di saturazione di fluido e la porosita rappresentano i parametri del modello da stimare. La relazione dati-modello e di tipo non lineare. Prima di illustrare l'algoritmo di inversione, viene descritta l'analisi di sensitivita dei parametri del modello, basata sullo studio della matrice Jacobiana mediante la decomposizione ai valori singolari (Singular Value Decomposition). La procedura di inversione fornisce il modello stimato e la relativa incertezza, rappresentata dalla deviazione standard. Viene inoltre illustrato, graficamente, l'effetto della regolarizzazione del problema inverso, (mal condizionato), dovuto alla matrice di covarianza del modello. La procedura inversa e validata su dati reali di well log. I risultati ottenuti evidenziano l'importanza di integrare dati geofisici eterogenei in un'inversione congiunta Bayeasiana, al fine di migliorare la caratterizzazione del reservoir. La seconda parte della ricerca affronta la caratterizzazione del reservoir attraverso lo studio del problema inverso per dati Controlled Source Electromagnetic (CSEM), in geometrie 2.5D. Il metodo CSEM e una tecnica di esplorazione offshore, basata sul principio d'induzione elettromagnetica. Poiche i dati CSEM sono sensibili alle variazioni di resistivita elettrica del mezzo sub-superficiale, nel modeling, il reservoir viene rappresentato in termini di resistivita elettrica (anomalia resistiva). Inizialmente viene affrontato il fenomeno della propagazione elettromagnetica per comprendere le peculiarita della tecnica, in termini di: risoluzione, sensitivita delle misurazioni e di soglia di rumore della strumentazione. La parametrizzazione del problema CSEM si basa sulla discretizzazione del mezzo fondale marino, attraverso una griglia regolare. Questo approccio permette di definire delle macroregioni elettriche in grado di mappare il fondale marino contenente il reservoir. Analogamente al caso precedente, il modeling del sistema si basa sulla relazione non lineare dati-modello. I dati di ingresso corrispondono alle componenti di campo Ex, Ez, Hy, (in modulo e fase), mentre i parametri del modello consistono nei valori di resistivita elettrica delle macroregioni. I campi elettrici e magnetici, presentando un elevato range dinamico, sono equalizzati mediante opportune strategie di normalizzazione. Il forward model, impiegato nell'inversione, e in un simulatore elettromagnetico basato sul Finite Element Method (FEM), in grado di descrivere geometrie complesse con elevato dettaglio. Questo rappresenta un aspetto innovativo nel campo dell'inversione di dati CSEM. L'algoritmo di inversione proposto e di tipo iterativo e si basa sulla formulazione Bayesiana del problema inverso con ipotesi gaussiane. Il mal condizionamento del problema rende necessaria un'opportuna regolarizzazione ad opera dalla matrice di covarianza del modello. Infine, viene studiata, mediante decomposizione SVD, la struttura algebrica della matrice Jacobiana al fine di analizzare la sensitivita dei parametri del problema. La procedura inversa e testata su un caso sintetico in modo da validare la robustezza dell'algoritmo. L'algoritmo di inversione fornisce come risultato la stima del modello, (i valori di resistivita elettrica delle macroregioni), e la relativa misura di incertezza. I risultati ottenuti mostrano come l'uso dell'inversione Bayesiana, applicata ai dati CSEM, permetta di discriminare le anomalie resistive all'interno del fondale marino, fornendo cosi un utile supporto all'interpretazione della sismica. Complessivamente, il presente studio di ricerca, suggerisce delle utili strategie per caratterizzare il mezzo sub-superficiale attraverso l'inversione di tipo Bayesiana di dati di pozzo e di dati CSEM. Si pone l'accento sull'introduzione del funzionale monodimensionale distanza, che permette di rappresentare la topologia dei residui multidimensionali, in grafici monodimensionali. Questa tecnica e apprezzabile per valutare l'effetto della regolarizzazione del residuo nei differenti problemi di inversione." @default.
• W3036615269 created "2020-06-25" @default.
• W3036615269 creator A5044111200 @default.
• W3036615269 date "2012-03-16" @default.
• W3036615269 modified "2023-09-27" @default.
• W3036615269 title "Geophysical inversion for the hydrocarbon reservoir characterization" @default.
• W3036615269 hasPublicationYear "2012" @default.
• W3036615269 type Work @default.
• W3036615269 sameAs 3036615269 @default.
• W3036615269 citedByCount "0" @default.
• W3036615269 crossrefType "journal-article" @default.
• W3036615269 hasAuthorship W3036615269A5044111200 @default.
• W3036615269 hasConcept C114793014 @default.
• W3036615269 hasConcept C121332964 @default.
• W3036615269 hasConcept C127313418 @default.
• W3036615269 hasConcept C142362112 @default.
• W3036615269 hasConcept C15708023 @default.
• W3036615269 hasConceptScore W3036615269C114793014 @default.
• W3036615269 hasConceptScore W3036615269C121332964 @default.
• W3036615269 hasConceptScore W3036615269C127313418 @default.
• W3036615269 hasConceptScore W3036615269C142362112 @default.
• W3036615269 hasConceptScore W3036615269C15708023 @default.
• W3036615269 hasLocation W30366152691 @default.
• W3036615269 hasOpenAccess W3036615269 @default.
• W3036615269 hasPrimaryLocation W30366152691 @default.
• W3036615269 isParatext "false" @default.
• W3036615269 isRetracted "false" @default.
• W3036615269 magId "3036615269" @default.
• W3036615269 workType "article" @default.