Eigenschappen

Gegevens

Informatie over gesteente-eigenschappen is afkomstig uit boorgaten. Boorgaten worden gewoonlijk uitgevoerd voor exploratie (zoals in het SCAN-project), of voor productie: bijvoorbeeld de winning van olie, gas, zout, of warmte.

Tijdens het boren worden gegevens verzameld in de vorm van puttesten, boorgatmetingen en boorkernen. Boorgatmetingen zijn indirecte metingen van eigenschappen van de ondergrond, zoals elektrische weerstand, natuurlijke gammastraling of geluidssnelheid. Boorkernen zijn gesteentemonsters die uit het boorgat worden gehaald, en in het laboratorium kunnen worden onderzocht nadat er plugs uit zijn geboord. Boorgatmetingen zijn (relatief) goedkoop, terwijl het nemen van kernpluggen kostbaar is omdat dit veel tijd vergt en risicovol is. Het uitvoeren van een puttest is ook kostbaar.

Petrofysici gebruiken een combinatie van boorgatmetingen en kernpluggen om netto-bruto, porositeit en permeabiliteit rond het boorgat te bepalen. Daarnaast kan de permeabiliteit worden gemeten met een puttest, die een veel nauwkeuriger schatting geeft van de gemiddelde permeabiliteit in de wijdere omgeving van de boring. Dit betekent dat de gegevens die voor het maken van eigenschappenkaarten worden gebruikt, eerder een interpretatie of model zijn dan ruwe gegevens. Dit verklaart ook waarom gegevens over gesteente-eigenschappen op korte afstand sterk kunnen verschillen; de keuzes, interpretatie en beschikbare gegevens van de petrofysicus kunnen de interpretatie van de eigenschappen sterk beïnvloeden.

De database met gesteente-eigenschapsgegevens is uitgebreid, en bestaat uit interpretaties die in de afgelopen 70 jaar door talrijke operators en petrofysici zijn gemaakt. Dit betekent dat de interpretaties vaak heterogeen van aard zijn. Daarom is het belangrijk om de kwaliteit van de gegevens te beoordelen, en fouten te corrigeren voordat kaarten worden gemaakt.

Kwaliteitscontrole

Door de heterogeniteit van de gegevens komen in de databas voor dezelfde aquifer soms tegenstrijdige interpretaties van netto-bruto, porositeit en permeabiliteit voor. Het gebruik van alle deze gegevens zorgt ervoor dat in de kaarten onzekerheden en artefacten optreden. Het is dus nodig om de kwaliteit van de data in de database vast te stellen, en te bepalen welke datapunten wel of niet gebruikt mogen worden voor het maken van de eigenschappenkaarten.

Met speciaal ontwikkelde software die anomaliën in de kaarten vindt, en door handmatige inspectie van de gevonden anomale punten is een effectief en herleidbaar kwaliteitscontroleproces ontwikkeld. Voor versie 3.1 is deze kwaliteitscontrole met succes toegepast op de voor geothermie belangrijkste aquifers:

1. Alblasserdam Laagpakket (SLDNA)
2. Delft Sandstone Laagpakket (SLDND)
3. Hardegsen Formatie (RBMH)
4. Boven Detfurth Zandsteen Laagpakket(RBMDU)
5. Onder Detfurth Zandsteen Laagpakket (RBMDL)
6. Boven Volpriehausen ZandsteenLaagpakket (RBMVU)
7. (Boven) Slochteren Formatie (ROSL, ROSLU)
8. Onder Slochteren Formatie (ROSLL)

De kwaliteitscontrole van de overige aquifers wordt op dit moment gedaan. De resulterende kaarten zullen deel uitmaken van een komende release van ThermoGIS.

SCAN Gegevens

Het SCAN-programma van EBN is een initiatief om de onzekerheden over de ondergrond van Nederland te verminderen door het verzamelen van seismische gegevens en het uitvoeren van exploratieboringen in gebieden waar voorheen weinig onderzoek was gedaan. In de boorgaten worden veel gegevens verzameld zoals kernen en logs. Ook zijn in iedere boring meerdere aquifers getest. Dit maakt de SCAN-gegevens bijzonder waardevol.

Gegevens van de SCAN-boringen zijn voor het eerst gebruikt in ThermoGIS version 3.1.

Dit vormt slechts een deel van de beschikbare informatie afkomstig uit de SCAN-boringen. Gegevens van de boringen in Milheeze (MHZ-01) en Heesch (HEE-01), evenals gegevens van andere aquifers die in de genoemde boringen zijn aangetroffen, zullen worden gebruikt in de volgende versie van ThermoGIS.

Interpolatiemethode

Met behulp van interpolatie is het mogelijk om van de eigenschappen (punten) kaarten van de eigenschappen (vlakken) te maken. ThermoGIS maakte voorheen gebruik van Kriging, in combinatie met empirisch vastgestelde verbanden tussen porositeit en maximale begravingsdiepte, en tussen porositeit en permeabiliteit. Deze methode is voor de huidige versie van ThermoGIS aanzienlijk gewijzigd. Er wordt nu gebruikgemaakt van een variant van Kriging, nl. 'Universal' Kriging met drift. In plaats van een (subjectieve) empirische relatie tussen maximale porositeit bij begraving en porositeit-permeabiliteit vast te leggen, wordt een geïntegreerde workflow gebruikt om de maximale begravingsdiepte (de 'drift' - een trend) om te zetten naar porositeit, en vervolgens porositeit naar permeabiliteit. De residuen tussen deze driftvelden worden gekriged om ervoor te zorgen dat de uiteindelijke kaarten op de meetpunten zo goed mogelijk overeen komen met de gemeten waarden.

Voorbeeld van de interpolatiemethode

De onderstaande figuur laat een synthetisch voorbeeld zien. De groene lijn f(x) de ‘waarheid’ die geschat moet worden op basis van de meetpunten.

In dit synthetische voorbeeld is de functie (die in werkelijkheid natuurlijk onbekend is):

𝑓(𝓍) = 3 sin(2𝓍π) + 2𝓍

De rode punten zijn de meetgegevens, waaraan ruis is toegevoegd. Deze ruis vertegenwoordigt een willekeurige onzekerheid (meetfout, interpretatiefout). Aan de 'waarheid'-functie is uniforme willekeurige ruis tussen -0,5 en +0,5 toegevoegd.

De oranje lijn μ(x) is de trend (drift), die wordt aangeleverd door de specialist (of aan de gegevens wordt aangepast als er geen andere optie beschikbaar is). De specialist gaat er vanuit dat een correlatie bestaat tussen deze functie en de ‘waarheid’. In dit voorbeeld is de functie:

μ(𝓍) = sin(2𝓍π) + 𝓍

(Merk op dat μ(x) dezelfde vorm heeft als f(x), maar andere coëfficiënten)

Het Universal Kriging-algoritme past eerst coëfficiënten toe op μ(x) om de trend te schatten (oranje stippellijn in figuur 2):

μ'(𝓍) = α + βμ(𝓍)

Vervolgens wordt het residu tussen de waargenomen gegevens en het driftveld berekend. Er wordt automatisch een variogram geschat (figuur 3). Het residu wordt met Kriging geïnterpoleerd, en aan de trend toegevoegd.

Deze procedure levert een schatting van de ‘waarheid', en de onzekerheid over deze schatting. Deze wordt weergegeven door de blauwe lijn in figuur 2. We zien dat deze blauwe lijn de 'waarheid' redelijk goed volgt, maar dat hij erg nauw aansluit bij de waarnemingen. Dit komt doordat de meetfout (te) laag is ingeschat – een voorbeeld van te veel vertrouwen in de kwaliteit van de gegevens. In dit voorbeeld is de waarnemingsfout ingesteld op 0.1, terwijl de werkelijke fout veel groter is: namelijk 1.0. De uiteindelijke schatting (de blauwe lijn) sluit te nauw aan bij de meetgegevens ('overfitting').

Figuur 4 laat de schatting zien als de meetfout op 1.0 is gesteld. De grotere meetfout maakt het mogelijk om de uiteindelijke schatting meer af te laten wijken van de meetwaarde.

Het resultaat is een schatting die:

1. een door de specialist aangeleverde trend volgt;
2. aan de waargenomen gegevens voldoet binnen de (aangegeven) onzekerheids-bandbreedte;
3. door middel van kriging een onzekerheids-bandbreedte in de uiteindelijke schatting kan opleveren;
4. gebruik maakt van geautomatiseerde vaststelling van het variogram, waardoor subjectieve modelkeuzes vermeden worden en de workflow vereenvoudigd.

Automatische schatting van het variogram

Verschillende variogrammodellen (Gaussian, exponentieel, sferisch, Matern, stabiel) worden uitgeprobeerd. Het model dat het beste bij de gegevens past, wordt geselecteerd. Dankzij dit geautomatiseerde algoritme voor variogramselectie is de keuze van het variogram nu volledig afhankelijk van de gegevens.

Gstools biedt de mogelijkheid om verschillende variogrammodellen te fitten aan meetgegevens. In de ThermoGIS-workflow is deze functionaliteit uitgebreid om meerdere soorten modellen uit te proberen en het model te selecteren dat het beste past.

Effecten van onzekerheid van meetgegevens

In de nieuwe workflow is het mogelijk om per meetpunt een onzekerheid te specifiëren. Dit betekent dat meta-informatie van elk meetpunt kan worden gebruikt om een schatting te maken van de onzekerheid rond die meting, die vervolgens kan worden meegenomen in het Kriging-algoritme. Figuur 4, vergeleken met figuur 2, laat zien hoe de uiteindelijke schatting verbeterd door rekening te houden met de onzekerheid van de gemeten waarden.

Aquifers met weinig gegevens

In eerdere ThermoGIS-kaarten werd, ongeacht het aantal beschikbare meetpunten, geKriged. Dit is statistisch onjuist. Daarom worden nu voor aquifers met minder dan 10 waarnemingen het gemiddelde en de standaarddeviatie van de gegevens genomen en wordt een ‘vlakke’ kaart (d.w.z. met een constante waarde) gegenereerd.

Voor aquifers met minder dan 5 metingenworden het gemiddelde en de standaarddeviatie van de Groep gebruikt.

Tabel 2 laat zien hoeveel gegevens er per aquifer beschikbaar zijn, en welke methode is toegepast voor de huidige kaarten.

Resultaten

De resulterende eigenschappen-kaarten zijn significant verbeterd in vergelijking met die van de vorige versie. Door de combinatie van meer meetgegevens, een betere kwaliteit en een verbeterde interpolatiemethode zijn de eigenschappenkaarten betrouwbaarder geworden.

De wijze waarop de kaarten worden gemaakt is sterk veranderd - en verbeterd. Voor sommige aquifersen eigenschappen moet worden geconcludeerd dat de kennis over de ruimtelijke variatie van de eigenschappen minder goed is dan eerder werd aangenomen. Dit betekent dat de resulterende kaarten voor deze eigenschappen nu minder ruimtelijk detail laten zien. Toch geeft dit een beter beeld van het inzicht in de ondergrond. Daarom worden deze nieuwe eigenschappenkaarten beschouwd als een betere weergave van de ondergrond.