Regn med oss

For best mulig håndtering av olje- og gass-reservoarer er det i petroleumsbransjen vanlig å lage matematiske modeller av reservoarene. Ved slik modellering defineres ofte et 3D-gitter, og så tenker en seg at gitter-cellene fylles med forskjellige steintyper som sand og skifer. Mønstrene som da lages av den oljeholdige sanda og den ugjennomtrengelige skiferen bestemmer om og hvordan oljen/gassen kan flyte i reservoaret. Siden mye er ukjent om virkelige reservoarer er det nødvendig å bygge inn usikkerhet i modellene, og studere sannsynlighetene for de forskjellige flytegenskapene.

Markov mesh modeller er en metode for å fylle gitter-cellene på en fornuftig måte, og samtidig håndtere disse usikkerhetene. En starter med et tredimensjonalt “treningsbilde”, og lager så en matematisk modell som analyserer og lagrer de forskjellige treningsbildemønstrene. Denne modellen brukes så for å simulere nye tredimensjonale gitter, som hver seg likner på treningsbildet, men som samlet spenner ut det som finnes av mønstermuligheter/usikkerhet. I tillegg til treningsbildeinformasjonen kan en betinge på seismiske data og brønndata under simuleringen. Da reduserer usikkerhetene.

En komplikasjon oppstår dersom treningsbildet har mønstre på mye større skala enn gitteret selv. Siden Markov mesh modellen bare bruker informasjon fra et begrenset område rundt hver gittercelle under simuleringen av steintyper, kan den ikke “se” langt nok til å fange opp disse storskalamønstrene.

Dette problemet har vi på NR løst ved å bruke mange påfølgende gitter-forfininger. Først simulerer vi celler på et svært grovt gitter, deretter forfiner vi det tredimensjonale gitteret i én retning om gangen, og for hver forfining simulerer vi de nye cellene. Til slutt har vi forfinet så mye i hver retning at vi har kommet ned til det fineste gitteret, og simuleringen er ferdig.

Metoden med multiple gitter benyttes også av andre multipunkts-metoder. Men ved å bruke den i Markov mesh modelller oppnår vi å kombinere den smarte gitter-bruken med en metode som er matematisk konsistent og gir raske simuleringer. Resultatene er fine og viser at metoden har god evne til å håndtere mange forskjellige typer treningsbilder. Det gjør den anvendelig i mange geologiske settinger, og hjelper oljeselskapene til å få god kontroll på reservoarmodellene de bruker for å planlegge og drifte utvinning av olje og gass.

Etter mange år som forskningssjef for statistikkmiljøet ved Norsk Regnesentral, noterer jeg meg at de aller fleste av våre oppdragsgivere (eller kunder om man vil) er private. Ikke dermed sagt at vi ikke har offentlige kunder, vi har blant annet oppdrag for Vegdirektoratet, Tollvesenet, Skatteetaten og NAV, men det er et faktum at det aller meste av våre inntekter kommer fra private aktører. Hvorfor er det slik?

Prognoser, risikoanalyser, mønstergjenkjenning, statistiske analyser, forståelse av usikkerhet, modellering, fremskrivninger. Listen over problemstillinger vi arbeider med for private aktører er lang. Er disse problemstillingene mindre interessante for offentlig sektor, hvor det tas mange og viktige beslutninger basert på ulike data? Jeg mener bestemt nei. Er vi dårligere til å selge vår kompetanse til det offentlige? Det er mulig, men er det også andre utfordringer som begrenser samarbeidet?

Uten at jeg skal påberope meg å kjenne den fulle sannhet, så er mitt inntrykk at mange av de modelleringsorienterte forskningsinstituttene gjør mest arbeid for privat sektor. Nå er det for så vidt ikke noe galt i det. At private aktører vil bruke sine penger på oss, må jo bety at vi gjør noe nyttig.

Likevel undres jeg altså på om vi ikke kunne gjort mer nytte for samfunnet. At det offentlige kjøper inn store mengder konsulentkompetanse er det jo lite tvil om. Men altså ikke så mye anvendt forskning, i hvert fall ikke innen statistisk modellering. Her kan jeg selvfølgelig lett beskyldes for å gråte for min syke mor, men jeg gjør egentlig ikke det (i hvert fall ikke så mye), statistikkmiljøet på NR går økonomisk meget bra det, med masse spennende prosjekter.

Det er to svært viktige faktorer som kjennetegner de aller fleste av våre mest vellykkede prosjektporteføljer for privat sektor; muligheten til i fellesskap med kunden å definere prosjektets ambisjoner, målsetting og omfang, samt langsiktige samarbeidsforhold.

Ligger noe av utfordringen her? Som skattebetaler setter jeg pris på at vi har en lov om offentlig anskaffelse, men egner anbudsprosessene seg for innkjøp av anvendt forskning? Jeg har begynt å tvile. I anvendt forskning vet man for eksempel ikke alltid hvor mye informasjon det ligger i dataene man ønsker å benytte. En klar svakhet ved anbudsprosessene er at oppdragsgiver normalt fullspesifiserer oppdraget på egenhånd, før den som skal løse problemet trekkes inn i bildet. Ofte ser vi at det som ønskes er urealistisk. Noen ganger ser vi at ved å omformulere oppdraget noe, ville man fått en mye bedre løsning. Denne problemspesifikasjonsfasen av et prosjekt er svært viktig i vår dialog med private aktører, mens den stort sett er fraværende i offentlige anbudsprosesser. Er det rom for å gjøre dette annerledes?

Hva med finansiering? Forskningsrådet har lenge hatt såkalte BIP’er (brukerstyrte innovasjonsprosjekter), der næringslivet kan få økonomisk risikoavlastning i prosjekter med en stor grad av forskning. Nå utvides tilbudet mot offentlig sektor også. Tilsvarende har Innovasjon Norge kontrakter for offentlig forskning og utvikling.

Forskningsinstituttene er høykompetansemiljøer som skal levere høykvalitet. Ut fra min erfaring tillater jeg meg å stille spørsmålet om man tillegger pris for stor vekt kontra kvalitet i offentlig sektor? Eller er instituttene for dyre? Offentlige midler skal brukes fornuftig, men jeg konstaterer at våre private kunder veier pris, nytte og kvalitet annerledes, og det er neppe fordi de ikke er opptatt av økonomi.

Sammen med Forskningsrådet og andre teknisk-industrielle institutter ønsker vi å se nærmere på bruk av forskning i det offentlige på seminaret ”Innovasjon i offentlig sektor med forskningsbaserte modeller” 22. oktober. Vel møtt!

På SAND-avdelinga ved Norsk Regnesentral beskriver vi geometrien til olje- og gass-reservoarene som finnes for eksempel under havbunnen i Nordsjøen. Siden geometrien til hvert reservoar ikke er nøyaktig kjent – ingen kan jo vite sikkert hvordan bergartene ligger formet under havbunnen – bruker vi det som heter stokastiske metoder for å matematisk beskrive alle mulige bergarts-formasjoner for et reservoar. Antall muligheter blir litt begrenset hvis vi har data fra seismiske målinger eller testbrønner, men fremdeles er det et svært stort antall mulige formasjoner igjen.

Stokastiske metoder gjør at vi kan si hvor sannsynlig hver av de mulige formasjonene er. Dette er nyttig informasjon som oljeselskapene kan bruke når de skal bestemme hvor de skal bore brønner for å produsere gass eller olje.

Figuren til venstre illustrerer nettopp dette (klikk på bildet for en stor utgave). SANDs arbeid består i å lage mange muligheter for hvordan reservoaret ser ut på fin skala (før ”skifte av skala” i figuren). Selv om de stokastiske metodene for å lage disse mulighetene er i stadig utvikling, har det å bruke slike metoder i arbeidsflyten ikke endret seg. Figuren er nemlig fra forsiden til en årskalender Henning Omre og Frode Georgsen, begge da i SAND, laget i 1993, men både figur og tekst er fremdeles gyldige.