Hybride stochastisch-deterministische Methode zur Modellkalibrierung mit Anwendung auf CO2-Speicherung in geologischen Formationen

Der natürliche Untergrund gerät für sehr verschiedene und möglicherweise sogar kompetitive Anwendungsbereich verstärkt in den Fokus von Ingenieuren. Einerseits birgt der Untergrund wertvolle Rohstoffe, andererseits wird er genutzt, um temporär oder permanent Stoffe zu speichern, wie z.B. Abfälle oder Gas. Für alle diese Nutzungsarten ist es für unsere Gesellschaft unverzichtbar, die Leistungen, Grenzen, Risiken und wechselseitigen Einschränken zu kennen. Die Qualität von Modellvorhersagen für diesen Zweck hängen stark von der Qualität der Modellparameter ab. Von den Modellen wird jedoch erwartet, dass Vorhersagen mit verbesserter Zuverlässigkeit möglich sind, und dass sie für Simulationen eingesetzt werden können, welche robuste Entscheidungsfindung für den Speicherbetrieb erlaubt.

Aus früheren Studien ist bekannt, dass die wesentlichen Prognosefehler und Unsicherheiten bei der Gasspeicherung bzw. der Injektion von Fluiden im Untergrund aus Unsicherheiten über geologische Strukturen und in den entsprechenden der Materialeigenschaften resultieren.

Dieses Vorhaben will effiziente und zuverlässige Methoden für History Matching bei CO2-Speicherprojekten entwickeln. Methoden zur Quantifizierung von Unsicherheiten und Parametersensitivitäten während des History Matchings können in zwei Kategorien unterteilt werden: (1) Statistisch/ Stochastische Ansätze (z.B. Multiple Samples aus bedingten Verteilungen) und (2) deterministische optimierungsbasierte Ansätze (z.B. Ein optimales Modell wird kalibriert und Schätzungen der Unsicherheit nach der Kalibrierung berechnet). Dieses Projekt möchte beide Ansätze diskutieren. Das Ziel ist dabei zunächst ein Vergleich und des Weiteren eine Hybridisierung stochastischer und optimierungsbasierter Methoden für die Quantifizierung von Unsicherheiten bei Modellkalibrierung bzw. History Matching, um die Vorteile beider Welten zu kombinieren.