Å forstå undergrunnen er avgjørende for å redusere energiforbruk, senke CO₂-utslipp og forbedre utvinningen av ressurser under den planlagte overgangen til et netto nullsamfunn. Å utvikle bedre forståelse av undergrunnen vil øke effektiviteten og føre til reduserte utslipp fra olje- og gassproduksjon. Datamodeller av et reservoar gjør det mulig å utføre numeriske eksperimenter for å undersøke effekten av ulike strategier for utviklingen av feltet før beslutninger tas.
Dette prosjektet har som mål å utvikle smartere metoder for å justere store reservoarmodeller slik at de bedre samsvarer med målte data – en prosess kjent som historietilpasning. Disse modellene hjelper oss med å forutsi hvordan underjordiske reservoarer vil oppføre seg i fremtiden under ulike driftsforhold, men modelleringsprosessen er kompleks og det finnes mange kilder til usikkerhet, spesielt når flere geologiske scenarier er involvert.
For å håndtere dette introduserer prosjektet nye teknikker som vil gjøre justeringsprosessen mer effektiv og bedre tilpasset den typen usikkerhet som finnes i virkelige feltdata. Ikke alle modeller er like gode til å forutsi fremtidig oppførsel, så prosjektet fokuserer også på å identifisere hvilke modeller som gir de mest pålitelige prognosene for beslutningstaking. Metodene vil bli testet på modeller i full felt-skala for å evaluere ytelsen.
