La dispersion des résultats à partir des réalisations de champs de perméabilité indique une forte sensibilité de la réponse en pression et de la migration du CO2à la variabilité spatiale de perméabilité.
Etant donné les différences majeures de prévisions selon la méthode de représentations, le choix de la méthode de représentation de la variabilité spatiale et les incertitudes associées sont critiques pour l’évaluation du stockage et de ses risques.
D’après nos résultats, les méthodes de représentations simplifiées comme les modèles ho- mogènes ou par couches donnent des résultats fortement déviés par rapport aux modèles re- présentant la variabilité latérale et verticale et ne sont donc pas adaptées pour les études de faisabilité du stockage de CO2. Les modélisations par classes ou semi-homogènes sont appro- priées pour tenir compte de l’influence de la variabilité spatiale de la perméabilité sur la réponse du système à l’injection de CO2. Toutefois, la résolution optimale dépend du type de réponses à estimer. Les modèles par classes et semi-homogènes donnent des résultats suffisamment précis sur la migration du panache, l’injectivité et la perturbation de pression dans la zone d’injection. Cependant :
– les modèles par classes sont à privilégier pour l’estimation de la perturbation de pression à grande échelle ;
– les modèles semi-homogènes donneront des prédictions plus précises pour le taux de dissolution.
La variabilité spatiale de la porosité et de la compressibilité des pores associée a également été envisagée. L’influence de la variabilité spatiale pour ces deux propriétés apparaît négli- geable par rapport à celle de la perméabilité. Leur variabilité spatiale peut être approchée par une valeur uniforme pour la porosité et la compressibilité des pores.
Références Bibliographiques du Chapitre 4
[1] G. Keating, R. Middleton, H.. Viswanathan, P. Stauffer, and P. Pawar. How storage un- certainty will drive CCS infrastructure. Energy Procedia, 4(2010) :2393–2400, January 2011. ISSN 18766102. doi : 10.1016/j.egypro.2011.02.132.
[2] J.M. Nordbotten, B. Flemisch, S.E. Gasda, H.M. Nilsen, Y. Fan, G.E. Pickup, B. Wiese, M.a. Celia, H.K. Dahle, G.T. Eigestad, and K. Pruess. Uncertainties in practical simulation of CO2 storage. International Journal of Greenhouse Gas Control, 9 :234–242, July 2012. ISSN 17505836. doi : 10.1016/j.ijggc.2012.03.007.
[3] Gh. de Marsily, J. Goncalves, F. Delay, P. Renard, V. Teles, and S. Violette. Dealing with spatial heterogeneity. Hydrogeology Journal, 13(1) :161–183, February 2005. ISSN 1431- 2174. doi : 10.1007/s10040-004-0432-3.
[4] C. de Fouquet, H. Beucher, A. Galli, and C. Ravenne. Conditional simulation of random sets : Application to an argilaceous sandstone reservoir. In M. Armstrong, editor, Geosta-
tistics, pages 517–530. 1989.
[5] M. Armstrong, A. Galli, and H. Beucher. Plurigaussian Simulations in Geosciences. Sprin- ger, 2011. ISBN 9783642196072.
[6] Q. Zhou, J. Birkholzer, E. Mehnert, Y.-F. Lin, and K. Zhang. Modeling basin- and plume- scale processes of CO2 storage for full-scale deployment. Ground water, 48(4) :494–514, 2010. ISSN 1745-6584. doi : 10.1111/j.1745-6584.2009.00657.x.
[7] H. Yamamoto, K. Zhang, K. Karasaki, A. Marui, H. Uehara, and N. Nishikawa. Numerical investigation concerning the impact of CO2 geologic storage on regional groundwater flow. International Journal of Greenhouse Gas Control, 3(5) :586–599, 2009.
[8] R. Zhao, J. Cheng, and K. Zhang. CO2 Plume Evolution and Pressure Buildup of Large- scale CO2 Injection into Saline Aquifers in Sanzhao Depression, Songliao Basin, China.
Transport in Porous Media, 95(2) :407–424, August 2012. ISSN 0169-3913. doi : 10.
1007/s11242-012-0052-7.
[9] J.T. Birkholzer, Q. Zhou, A. Cortis, and S. Finsterle. A Sensitivity Study on Regional Pressure Buildup from Large-Scale CO2 Storage Projects. Energy Procedia, 4 :4371–4378, January 2011. ISSN 18766102. doi : 10.1016/j.egypro.2011.02.389.
[10] J. Birkholzer, Q. Zhou, and C.-F. Tsang. Large-scale impact of CO2 storage in deep saline aquifers : A sensitivity study on pressure response in stratified systems. International
Journal of Greenhouse Gas Control, 3(2) :181–194, December 2009. ISSN 1750-5836.
doi : DOI:10.1016/j.ijggc.2008.08.002.
[11] J. Rohmer and D. Seyedi. Coupled Large Scale Hydromechanical Modelling for Caprock Failure Risk Assessment of CO2 Storage in Deep Saline Aquifers. Oil & Gas Science and
Technology-revue De L Institut Francais Du Petrole, 65(3) :503–517, 2010. doi : 10.2516/
ogst/2009049.
[12] E. Pesquet-Ardisson. Hydrodynamic impact of an industrial-scale operation of CO2 sto- rage. Management of conflicting interests with ohter underground space uses. Technical report, 2010.
[13] J. Birkholzer, A. Cihan, and Q. Zhou. Impact-driven pressure management via targeted brine extraction : Conceptual studies of CO2 storage in saline formations. International
Journal of Greenhouse Gas Control, 7 :168–180, March 2012. ISSN 17505836. doi :
10.1016/j.ijggc.2012.01.001.
[14] C. Doughty. Investigation of CO2 Plume Behavior for a Large-Scale Pilot Test of Geologic Carbon Storage in a Saline Formation. Transport in Porous Media, 82(1) :49–76, May 2009. ISSN 0169-3913. doi : 10.1007/s11242-009-9396-z.
[15] M. Person, A. Banerjee, J. Rupp, C. Medina, P. Lichtner, C. Gable, R. Pawar, M. Celia, J. McIntosh, and V. Bense. Assessment of basin-scale hydrologic impacts of CO2 seques- tration, Illinois basin. International Journal of Greenhouse Gas Control, 4(5) :840–854, September 2010. ISSN 17505836. doi : 10.1016/j.ijggc.2010.04.004.
[16] K. Bandilla, M. Celia, T. Elliot, M. Person, K. Ellett, J. Rupp, C. Gable, and Y. Zhang. Modeling carbon sequestration in the illinois basin using a vertically-integrated approach.
Computing and Visualization in Science, 15(1) :39–51, 2012. ISSN 1432-9360. doi :
[17] J.-P. Nicot. Evaluation of large-scale CO2 storage on fresh-water sections of aquifers : An example from the Texas Gulf Coast Basin. International Journal of Greenhouse Gas
Control, 2(4) :582–593, 2008.
[18] J.-M. Lemieux. Review : The potential impact of underground geological storage of car- bon dioxide in deep saline aquifers on shallow groundwater resources. Hydrogeology
Journal, (4) :757–778, 2011.
[19] S. Li, Y. Zhang, and X. Zhang. A study of conceptual model uncertainty in large-scale CO2 storage simulation. Water Resources Research, (5), 2011.
[20] R.A. Chadwick, D. J. Noy, and S. Holloway. Flow processes and pressure evolution in aquifers during the injection of supercritical CO2 as a greenhouse gas mitigation measure.
Petroleum Geoscience, 15(1) :59–73, 2009.
[21] T.. Buscheck, Y. Sun, M. Chen, Y. Hao, T. Wolery, W. Bourcier, Be. Court, M.. Celia, S. Julio Friedmann, and R. Aines. Active CO2 reservoir management for carbon storage : Analysis of operational strategies to relieve pressure buildup and improve injectivity. International
Journal of Greenhouse Gas Control, 6 :230–245, January 2012. ISSN 17505836. doi :
10.1016/j.ijggc.2011.11.007.
[22] G. Matheron. Elements pour une théorie des milieux poreux. Ed. Mason, Paris, 1967. [23] N. Copty, P. Trinchero, and X. Sanchez-Vila. Inferring spatial distribution of the ra-
dially integrated transmissivity from pumping tests in heterogeneous confined aqui- fers. Water Resources Research, 47(5) :1–11, May 2011. ISSN 0043-1397. doi : 10.1029/2010WR009877.
[24] R. Farajzadeh, P. Ranganathan, P.L.J. Zitha, and J. Bruining. The effect of heterogeneity on the character of density-driven natural convection of CO2 overlying a brine layer.
Advances in Water Resources, 34(3) :327–339, March 2011. ISSN 03091708. doi : 10.
1016/j.advwatres.2010.12.012.
[25] M. Flett, R. Gurton, and G. Weir. Heterogeneous saline formations for carbon dioxide disposal : Impact of varying heterogeneity on containment and trapping. Journal of Pe-
troleum Science and Engineering, 57(1-2) :106–118, May 2007. ISSN 09204105. doi :
10.1016/j.petrol.2006.08.016.
[26] M. De Lucia, C. de Fouquet, V. Lagneau, and R. Bruno. Equivalent block transmissivity in an irregular 2D polygonal grid for one-phase flow : A sensitivity analysis. Comptes Rendus
Geoscience, 341(4) :327–338, April 2009. ISSN 16310713. doi : 10.1016/j.crte.2008.11.
014.
[27] U. Lengler, M. De Lucia, and M. Kühn. The impact of heterogeneity on the distribution of CO2 : Numerical simulation of CO2 storage at Ketzin. International Journal of Greenhouse
Gas Control, 4(6) :1016–1025, December 2010. ISSN 17505836. doi : 10.1016/j.ijggc.
2010.07.004.
[28] F. Diedro. Influence de la variabilité pétrophysique et minéralogique des réservoirs géo-
logiques sur le transfert réactif . PhD thesis, Ecoles Nationale Superieure des Mines de
[29] J. Heath, P. Kobos, J. Roach, T. Dewers, and S. Mckenna. Geologic Heterogeneity and Economic Uncertainty of Subsurface Carbon Dioxide Storage. SPE Economics & Manage-
ment, 4(1) :32–41, 2012.
[30] R. Horne. Modern Well Test Analysis : A computer-aided Approach. Petroway Inc., 2nd editio edition, 1995.
[31] S. Mathias, J. Gluyas, G. González Martínez de Miguel, S. Bryant, and D. Wilson. On rela- tive permeability data uncertainty and CO2 injectivity estimation for brine aquifers. Inter-
national Journal of Greenhouse Gas Control, 12 :200–212, January 2013. ISSN 17505836.
doi : 10.1016/j.ijggc.2012.09.017.
[32] M. Flett, R. Gurton, and I. Taggart. Heterogeneous saline formations : Long–term benefits for geo-sequestration of greenhouse gases. In Proc 7th Intl Conf on Greenhouse Gas Control
Technologies September 2004 Vancouver Canada, volume I, pages 501–509. Elsevier Ltd.,
Incertitudes sur les paramètres
géologiques et conséquences pour les
études de faisabilité
1
5.1
Introduction
L’objectif de ce chapitre est d’étudier l’influence relative de paramètres géologiques, habi- tuellement peu ou mal caractérisés, et de leurs incertitudes associées sur la réponse du système et donc d’identifier quels paramètres ont une influence négligeable et lesquels sont critiques pour la qualité de l’étude prédictive.
D’après les conclusions des chapitres précédents, la variabilité spatiale de la compressibilité des pores et de la porosité est négligée. Nous comparons maintenant l’influence de la perméa- bilité et de ses hétérogénéités à celle d’autres paramètres géologiques, à l’échelle régionale.
Les paramètres géologiques considérés sont : la variabilité spatiale de la perméabilité et les longueurs de corrélations associées (figure 5.1), la compressibilité des pores et la perméabilité intrinsèque de la couverture et du réservoir ainsi que les perméabilités relatives. Hormis pour la perméabilité, l’influence des paramètres est étudiée pour des valeurs uniformes.
A l’exception de la perméabilité intrinsèque du réservoir et de la couverture et la compres- sibilité des pores du réservoir, ces paramètres ont été peu étudiés dans le cadre d’un projet à l’échelle régionale.
Puisque le modèle homogène ne permet pas d’approcher le comportement en pression ou en migration du CO2 du modèle hétérogène plus réaliste, l’influence de chacun des paramètres est en premier lieu étudiée à partir des résultats des 200 réalisations du modèle de variabilité spatiale continue de perméabilité. Les résultats de l’étude de sensibilité obtenus sur les deux modèles homogènes sont également présentés afin de les comparer par la suite, à ceux obtenus par modèle hétérogène. Le second objectif de ce chapitre est donc d’évaluer si une étude de sensibilité effectuée sur ces deux types de modèles mène à des conclusions différentes et donc d’identifier si des interactions existent entre influence de la variabilité spatiale de perméabilité et influences des autres paramètres.
Dans ce chapitre, nous ne rappelons pas l’influence spécifique de la variabilité spatiale de la perméabilité qui a été décrite dans le chapitre précédent.
TABLE 5.1 – Paramètres de l’étude de sensibilité et [Nomenclature] utilisée pour désigner les scénarios.
Paramètres Scénario de référence Etude de sensibilité
Perméabilité
Variabilité spatiale continue (log-normal, mean=100mD, median=32.5mD, σLog=1.5) Homogène : moyenne [K100] médiane [K32] Longueur de corrélation 600m [CL600] 300m [CL300] 1200m [CL1200] Compressibilité des pores 9.65 10−10Pa−1 [Cp9] 5.51 10
−10Pa−1 [Cp5] 16.99 10−10Pa−1[Cp16] Courbes de perméabilités relatives Données expérimentales [2] [RPDogger]
Van Genuchten-Mualem & Brooks-Corey [RPVG]
Nisku aquifer data [RPNisku] [3]
Perméabilité de la couver-
ture (uniforme) 0 [Kc0]
10−19m2[Kc19] 10−17m2[Kc17] Compressibilité des pores
de la couverture 0 [Cpc0] 3.48 10−10Pa−1 [Cpc10] 3.48 10−8 Pa−1 [Cpc8] 0123 0133 023 04333 05333 3 5333 4333 04 06 05 01 3 1 5 6 0123 0133 023 04333 05333 3 5333 4333 04 06 05 01 3 1 5 6 0123 0133 023 04333 05333 3 5333 4333 04 06 05 01 3 1 5 6 789 9 11 88 89 8 889 8 98 !633 !"33 !1533 # $ % &$%
FIGURE5.1 – Exemple, pour une des réalisations, des différentes longueurs de corrélation exa-
minées.
Les paramètres étudiés et leurs intervalles de valeurs, décrits au tableau 5.1, s’appuient sur des données de l’aquifère du Dogger (chapitre 2 et annexes C). Les paramètres incertains et les intervalles d’incertitudes étudiés sont donc réalistes mais restent spécifiques au cas du Dogger. Pour les scénarios de longueur de corrélation, seule la longueur de corrélation latérale est modifiée. Pour le scénario de référence, la longueur de corrélation dans la direction la- térale est de 600m, et de 20 m verticalement. Cette anisotropie géométrique s’appuie sur des études précédentes qui utilisaient un rapport de 1/30 entre portée horizontale et verticale pour l’aquifère du Dogger (Diedro [4]). Les valeurs de portées s’appuient sur les résultats d’études géothermiques qui indiquent une épaisseur productive d’environ une dizaine de mètres et une importante variabilité latérale des unités productives, rendant difficiles leurs corrélations à l’échelle kilométrique (Lopez et al. [5], Rojas et al. [6]). A cause des incertitudes sur ces va- leurs, deux autres cas sont considérés : une longueur de corrélation latérale de 300m et une de 1200m. L’étude est réalisée à tirage fixé, c’est-à-dire que les mêmes réalisations sont utilisées, les champs de perméabilité étant modifiés en fonction de la longueur de corrélation (exemple : figure 5.1).