AI og tette reservoarer: Slik endrer data spillet

AI i Norsk Olje og Gass: Digital Transformasjon••By 3L3C

Hvordan kan AI og dataanalyse revolusjonere frakturering og stimulering av tette reservoarer på norsk sokkel? Få konkrete innsikter og tiltak her.

AI i olje og gasstette reservoarerfraktureringdigital transformasjonreservoardatamaskinlæringnorsk sokkel
Share:

AI og tette reservoarer: Slik endrer data spillet

Seminaret om frakturering og stimulering av tette reservoarer 01.10.2024 markerer mer enn bare et faglig møtepunkt i Sokkeldirektoratets lokaler. Det symboliserer et tydelig skifte i hvordan norsk sokkel tenker rundt lav-permeable soner: fra tradisjonell «prøve og feile»-tilnærming til datadrevet optimalisering der kunstig intelligens (AI) og avansert analyse er like viktige som borekronen.

Innenfor rammen av serien «AI i norsk olje og gass: Digital transformasjon» er tette reservoarer et perfekt eksempel på hvorfor bransjen nå må kombinere geologi, reservoarteknikk og maskinlæring for å forsvare lønnsomhet, sikkerhet og klimaambisjoner. Når hver frakturering koster dyrt – og feil design kan gi permanent tap av verdier – blir evnen til å utnytte data og AI et konkurransefortrinn.

I dette innlegget ser vi på hva som står på spill i tette reservoarer, hvordan seminaret peker ut de viktigste temaene, og – viktigst – hvordan du konkret kan bruke AI og dataanalyse til å ta bedre beslutninger i egne feltprosjekter.

Hvorfor tette reservoarer nå står høyt på agendaen

Tette reservoarer og lav-permeable soner er ikke nye fenomener på norsk sokkel, men rammevilkår, kostnadsnivå og klimakrav gjør at de nå får fornyet oppmerksomhet.

Økte krav til lønnsomhet og bærekraft

For å forsvare nye investeringer i 2025 og videre må operatører dokumentere:

  • Høyere utvinningsgrad fra eksisterende felt
  • Bedre utnyttelse av marginale og teknisk krevende ressurser
  • Lavere karbonintensitet per produsert fat

Tette reservoarer treffer alle disse punktene. Lykkes du med å stimulere lav-permeable soner effektivt, kan du:

  • Forlenge levetiden på modne felt
  • Øke produksjonen uten nye store innretninger
  • Redusere antall brønner som må bores

Men mislykkes du, brenner du store summer på frakturering, komplettering og testing – uten at reservoaret svarer. Det er her AI og digital transformasjon kommer inn.

Fra erfaringsbaserte vurderinger til datadrevet design

Tradisjonelt har frakturering og reservoarstimulering vært drevet av erfaring, «type-kurver» og relativt enkle modeller. I dag sitter vi på enorme datamengder:

  • BHT/trykksdata og produksjonshistorikk
  • Boresteds- og LWD/MWD-data
  • Kjerne- og loggdata med høy oppløsning
  • Mikro-seismikk og fiberoptiske målinger

Når slike datasett kombineres med maskinlæring og fysikkbaserte modeller, kan vi gå fra «etterpåklokskap» til prediktiv innsikt: Hvilke soner bør stimuleres, hvordan bør frakturene designes, og hva blir sannsynlig effekt på reservoarytelsen?

Det er nettopp i skjæringspunktet mellom disse fagområdene seminaret om tette reservoarer plasserer seg: Energidepartementet, Sokkeldirektoratet, rettighetshavere, leverandører og teknologiselskap møtes for å dele erfaringer – og ikke minst diskutere hvordan ny teknologi faktisk tas i bruk.

Hva gjør tette reservoarer så krevende – og hvor passer AI inn?

For å se hvordan AI kan gi verdi, må vi først forstå utfordringsbildet.

Tekniske og geologiske utfordringer

Tette reservoarer kjennetegnes av:

  • Lav permeabilitet og ofte kompleks porøsitetsstruktur
  • Sterk heterogenitet – gode og dårlige soner om hverandre
  • Høy følsomhet for frakturdesign, væskevalg og pumpeparametere

Feilaktig plassering av frakturer, overdreven sandpakking eller uheldig væskekjemi kan føre til:

  • Mekanisk skade på formasjon
  • Vann- eller gassgjennomslag
  • Lavere enn forventet initial produksjon
  • Raskt trykkfall og tidlig avmodning

Fire sentrale AI-bruksområder i tette reservoarer

  1. Screening og rangering av kandidater
    Maskinlæringsmodeller kan trenes på historiske brønndata for å:

    • Identifisere hvilke soner som sannsynligvis vil respondere godt på frakturering
    • Rangere lokasjoner innenfor et felt basert på forventet respons og økonomi

  2. Optimalisering av frakturdesign
    Ved å kombinere simulering (DFIT, geomekaniske modeller) med AI kan man:

    • Forutsi frakturgeometri (lengde, høyde, kompleksitet) ved ulike pumpeprogram
    • Finjustere væskemiks, proppantstørrelse og stage-design før operasjon

  3. Sanntidsbeslutninger under pumping
    AI-baserte systemer kan:

    • Fange avvik i trykk- og ratekurver i sanntid
    • Foreslå justeringer på pumping for å unngå screen-out eller uønsket frakturvekst

  4. Post-job analyse og læring på tvers av felt
    Etter gjennomført frakturering kan modellen:

    • Matche faktisk produksjonsrespons mot simulerte scenarier
    • Lære hvilke kombinasjoner av parametere som gav best resultater
    • Overføre læring på tvers av lisenser og geologiske settinger

Når rettighetshavere, leverandører og teknologiselskaper møtes – som på Sokkeldirektoratets seminar – er nettopp slike anvendelser et naturlig tema. Deling av case, både vellykkede og mindre vellykkede, er avgjørende for at industrien som helhet skal bli mer datadrevet.

Digital transformasjon i praksis: Fra data til beslutninger

Innovasjon skjer ikke fordi man «har data» eller «bruker AI». Den skjer når data og algoritmer integreres i arbeidsprosesser, beslutningsmøter og kontraktsmodeller.

Tre byggesteiner for AI i frakturering og stimulering

  1. Datagrunnlag og datakvalitet
    For å lykkes med AI i tette reservoarer må selskapene:

    • Etablere konsistente datasett på tvers av brønner og felt
    • Rense, strukturere og standardisere brønndata, loggdata og produksjonsdata
    • Sikre god dokumentasjon av utførte operasjoner (operasjonsrapporter, faktisk pumpeprogram, avvik)

  2. Domeneekspertise + data science
    De beste modellene utvikles når reservoaringeniører, geologer og data scientists jobber tett sammen. I praksis betyr det:

    • Tverrfaglige team som eier både modellutvikling og bruksområder
    • Iterativ testing – modellene justeres etter hvert som nye kampanjer gjennomføres

  3. Arbeidsprosesser og beslutningspunkter
    AI-innsikt må bygges inn i:

    • Planleggingsmøter for brønn- og frakturkampanjer
    • Sanntidsoperasjonssentre
    • Etteranalyse og «lessons learned»-workshops

Når seminaret avsluttes med paneldebatt mellom toppledere i energiselskapene, er det nettopp slike strukturelle spørsmål som bør stå på agendaen: Hvordan organiserer vi oss for å faktisk ta ut verdien av AI, og hvilke endringer krever det i styringssystemer, kontrakter og kompetanseutvikling?

Slik kan ditt selskap ta neste steg – konkrete tiltak

Enten du sitter på myndighetssiden, hos en rettighetshaver eller i et teknologiselskap, er spørsmålet det samme: Hva gjør vi nå?

For rettighetshavere og operatører

  • Start med en «use case» portefølje
    Velg ut 2–3 konkrete problemstillinger innen tette reservoarer, for eksempel:

    • Rangering av soner for stimulering i et modent felt
    • Optimalisering av frakturdesign for en kommende kampanje
    • Prediktiv modell for produksjonsrespons etter frakturering

  • Bygg et tverrfaglig pilotprosjekt
    Sett sammen et team med:

    • Reservoar- og produksjonsingeniører
    • Geolog/ petrofysiker
    • Data scientist / ML-ingeniør

  • Sett tydelige suksesskriterier
    For eksempel:

    • Reduksjon i kost per effektivt stimulerte meter
    • Økt sannsynlighet for at frakturerte soner når produksjonsmål
    • Kortere tid fra frakturering til stabil produksjon

For leverandører og teknologiselskaper

  • Koble domeneinnsikt og AI-kompetanse
    Utvikle løsninger som tar utgangspunkt i faktiske operasjonelle utfordringer hos kundene – ikke bare generiske analyseverktøy.

  • Tilby modeller som kan forklares
    I en regulert industri som norsk sokkel er det kritisk at:

    • Algoritmer kan forklares for både ingeniører og myndigheter
    • Beslutninger kan spores og dokumenteres

  • Tenk partnerskap, ikke bare leveranse
    Suksessrike AI-prosjekter kjennetegnes av:

    • Langsiktige samarbeidsavtaler
    • Felles eierskap til læring og videreutvikling

For myndigheter og ressursforvaltning

  • Tilrettelegg for trygg deling av data og erfaringer
    Når aktører samles til seminarer og fagfora, skapes et viktig rom for:

    • Deling av «best practice» for frakturering av tette reservoarer
    • Diskusjon om hvordan data kan brukes på en sikker og ansvarlig måte

  • Bruk innsikten i videreutvikling av regelverk
    AI og avansert analyse vil gradvis påvirke hvordan:

    • Bore- og brønnprogrammer utformes
    • Risiko vurderes og dokumenteres
    • Ressursregnskap og utvinningsstrategier oppdateres

Tette reservoarer, AI og veien videre for norsk sokkel

Seminaret om frakturering og stimulering av reservoar med lav-permeable soner er ett av flere tegn på at norsk sokkel er på vei inn i en ny fase: Der verdiskaping ikke bare handler om nye funn, men om intelligent utnyttelse av eksisterende ressurser – med AI som sentral muliggjører.

Som del av satsingen «AI i norsk olje og gass: Digital transformasjon» peker tette reservoarer på tre tydelige trender:

  • Datadrevet reservoarforståelse blir like viktig som tradisjonell geologi og ingeniørkunst.
  • Samarbeid på tvers av aktører – myndigheter, operatører, leverandører og teknologiselskaper – er nødvendig for å løse komplekse utfordringer.
  • Bærekraft og lønnsomhet smelter sammen: Høyere utvinningsgrad fra eksisterende felt reduserer behovet for nye store inngrep.

For deg som leder, ingeniør eller teknologiutvikler er spørsmålet nå:

Hvordan vil du bruke AI og data for å ta bedre beslutninger i dine tette reservoarer det neste året?

De selskapene som starter nå – bygger kompetanse, strukturerer data og tester konkrete AI-bruksområder – vil stå sterkest når neste generasjon feltutviklingsbeslutninger skal tas.