Akvifermodeller + KI: Slik øker du verdiskapingen

Digitalt nybrottsarbeid: Når akvifermodeller møter kunstig intelligens

Norsk sokkel står midt i en dobbel omstilling: Vi skal både hente ut mer verdier fra eksisterende felt og bygge en ny, lønnsom industri for CO₂-lagring. Samtidig skal utslippene ned, kostnadene ned – og beslutningene tas raskere. I dette spenningsfeltet blir digitale akvifermodeller, kombinert med kunstig intelligens (KI), et av de mest spennende verktøyene vi har.

Oljedirektoratets (nå Sokkeldirektoratet) arbeid med storskala akvifermodeller for Frigg–Heimdal og Troll er et godt eksempel på hvordan data, modellering og etter hvert KI kan gi grunnlag for helt nye måter å planlegge både utvinning og CO₂-lagring på. For norske olje- og gasselskaper som vil ligge i front på digital transformasjon, er dette mer enn et faglig prosjekt – det er en strategisk mulighet.

I denne artikkelen, som er en del av serien «AI i norsk olje og gass: digital transformasjon», ser vi på hvordan akvifermodeller fungerer, hvorfor de er kritiske for verdiskaping og sikker CCS, og hvordan KI kan ta disse modellene til neste nivå – fra avansert analyse til løpende, prediktiv beslutningsstøtte.

---

Hva er en akvifermodell – og hvorfor er den så viktig?

En akvifer er et sammenhengende volum av vannførende bergarter i undergrunnen. I petroleums- og CCS-sammenheng er akviferen vannsonen under olje- og gassforekomstene, eller de salte vannreservoarene vi planlegger å bruke til lagring av CO₂.

Når vi lager en akvifermodell, forsøker vi å beskrive:

• hvor vannet befinner seg (volum og utbredelse)
• hvordan det kan strømme (permeabilitet, barrierer, kommunikasjon)
• hvordan trykk og bevegelser endrer seg når vi produserer eller injiserer væsker og gass

I praksis betyr dette at akvifermodellen gir svar på helt grunnleggende spørsmål for både utbygging og CCS:

• Hvor fort vil reservoartrykket falle hvis vi ikke injiserer vann?
• Hvor mye trykkstøtte kan vi forvente fra akviferen?
• Hvor langt og hvor fort vil CO₂ bevege seg etter injeksjon?
• Hvilke nabofelt og tillatelser påvirkes når vi endrer trykk i området?

For rettighetshavere handler dette direkte om lønnsomhet, sikkerhet og myndighetsgodkjenning. Uten gode modeller tvinges man ofte til konservative og dyre løsninger, eller man risikerer å undervurdere trykkrisiko og CO₂-migrasjon.

---

Sokkeldirektoratets storskala akvifermodeller: Frigg–Heimdal og Troll

Sokkeldirektoratet bygger nå storskala, regionale akvifermodeller som kan oppdateres årlig. De første modellene dekker:

• Frigg–Heimdal-akviferen: En stor akvifer som strekker seg fra Sleipner til Martin Linge og krysser britisk sektor. Den omfatter mer enn 25 funn og trykkreduserte felt. Trykket i akviferen har allerede falt med flere bar som følge av langvarig olje- og gassproduksjon.
• Den dype akviferen under Troll: Omfatter Troll-feltet, alle tre CO₂-tillatelsene i området og en sone sørover. Her er formålet å forstå både trykkpåvirkning fra omkringliggende utvinningstillatelser og hvordan CO₂ kan migrere over tid.

Disse modellene er storskala i den forstand at de dekker mange lisenser, flere felt og til og med nasjonsgrenser. I tillegg kan de kobles mot nettverksmodeller for innretninger og rørledninger, slik at man kan analysere hele verdikjeder – fra brønn, via prosessanlegg, til eksport og CO₂-lagring.

Hva gir dette selskapene på sokkelen?

For operatører og partnere betyr slike akvifermodeller blant annet:

• bedre grunnlag for valg av dreneringsstrategi i utbyggingsfasen
• mulighet til å unngå unødvendige investeringer i vanninjeksjonsanlegg og brønner
• mer presise prognoser for trykkstøtte og produksjonsprofiler
• styrket dokumentasjon overfor myndigheter i saker om grenseoverskridende forekomster
• bedre planlegging og risikoanalyse for CO₂-injeksjon og -lagring

I en tid der tidskritiske prosjekter, som hurtige tie-backs og modning av modne felt, må realiseres raskt og effektivt, blir slike felles referansemodeller svært verdifulle.

---

Der KI kommer inn: Fra statiske akvifermodeller til levende, lærende systemer

Tradisjonelle akvifermodeller er tunge å bygge og krevende å oppdatere. De baserer seg på seismikk, brønndata, geologiske tolkninger og strømningssimuleringer. Dette gir høy kvalitet, men er ofte tids- og ressurskrevende.

Her åpner kunstig intelligens for tre komplementære muligheter:

1. Raskere og smartere modellbygging

KI kan trenes på historiske modeller og data for å:

• foreslå sannsynlige geologiske scenarier mellom brønner
• gjenkjenne mønstre i trykk- og produksjonsdata som peker på kommunikasjon eller barrierer i akviferen
• automatisk segmentere seismiske data i soner med like strømnings-egenskaper

Resultatet er at geologer og reservoaringeniører får et bedre startpunkt og kan bruke mer tid på tolkning og kvalitetssikring – mindre på «manuelt pirkearbeid».

2. Løpende kalibrering mot feltdata

Når akvifermodellen tas i bruk, begynner den for alvor å leve. Nye brønner bores, produksjonsstrategier justeres, og store mengder data strømmer inn. KI kan her brukes til:

• kontinuerlig historisk tilpasning (history matching) av modellen mot faktiske trykk- og produksjonsdata
• automatisk varsling når det oppstår avvik mellom modell og virkelighet
• løpende oppdatering av sannsynlighetsfordelinger for nøkkelparametere (f.eks. permeabilitet, kontaktflate mot nabofelt)

Dette gjør akvifermodellen til et levende beslutningsverktøy, ikke bare en rapport i en skuff.

3. Prediktiv beslutningsstøtte for utvinning og CCS

Når modellen er kalibrert og KI har lært seg hvordan systemet reagerer, kan den brukes til å teste tusenvis av scenarioer:

• ulike dreneringsstrategier (brønnplassering, trykkstøtte, nedstengingsrekkefølge)
• alternativer for nedblåsing av nabofelt, og hvordan dette påvirker trykk og lønnsomhet regionalt
• flere CO₂-injeksjonsscenarier med varierende injeksjonsrater og plassering av brønner

I stedet for å simulere noen få, manuelt definerte case, kan selskapene bruke KI til å utforske et helt beslutningsrom og identifisere kombinasjoner som maksimerer nåverdi, sikkerhet og regulatorisk robusthet.

---

Konkrete bruksområder: Fra produksjonsstrategi til fremtidige CCS-muligheter

Sokkeldirektoratet peker selv på en rekke anvendelser for akvifermodellene. Kombinert med KI blir disse enda mer kraftfulle. La oss se på noen sentrale case.

Tidskritiske utbygginger i Nordsjøen

Når funn skal bygges ut raskt, er det ofte begrenset tid til omfattende modellarbeid. En oppdatert, regional akvifermodell – der KI allerede har «lært» av nærliggende felt – kan gi:

• raskere og tryggere screening av dreneringsstrategier
• bedre svar på hvor mye naturtrykkstøtte man kan utnytte
• grunnlag for å redusere eller utsette store investeringer i vanninjeksjon

For selskaper som konkurrerer på hurtighet og kapitaldisiplin, kan dette være forskjellen mellom marginale og meget lønnsomme prosjekter.

Nedblåsing av nabofelt og samordnet ressursforvaltning

Når modne felt i nabolisensene skal blåses ned, påvirker det trykkforhold i hele regionen. Uten gode akvifermodeller risikerer man:

• uventet trykkfall og redusert utvinning i andre felt
• konflikter mellom rettighetshavere om årsak og ansvar

Med en felles, regional modell – styrket av KI-analyse – kan man simulere:

• hvordan ulike nedblåsningsstrategier påvirker trykk og utvinning i nærliggende felt
• hvilken rekkefølge og hastighet på nedblåsingen som gir høyest samlet verdiskaping på sokkelnivå

Dette er kjernen i en datadrevet sameksistensstrategi på norsk sokkel.

Grenseoverskridende forekomster

Frigg–Heimdal-modellen illustrerer et økende behov: utforsking og utvinning skjer på tvers av landegrenser. Når akviferen krysser norsk–britisk grense, blir:

• transparens i data
• felles forståelse av trykk og væskestrømmer
• og robuste, dokumenterbare simuleringer

avgjørende for både forhandlinger og myndighetsprosesser.

Her kan KI bidra med usikkerhetsanalyse og scenariostudier som gjør det enklere å enes om felles forståelse, selv der data er ufullstendige eller asymmetriske.

CCS: Sikre, skalerbare CO₂-lagringsprosjekter

For CO₂-lagring er akvifermodeller helt uunnværlige. De brukes til å:

• vurdere lagringskapasitet og trygg injeksjonsrate
• dokumentere at trykk ikke vil overstige sikkerhetsgrenser
• forutsi plume-bevegelse, altså hvordan CO₂ vil fordele seg og migrere over tid

KI kan forbedre dette arbeidet ved å:

• oppdatere modellene kontinuerlig med trykk- og seismikkdata etter at injeksjon er startet
• gi prediktive alarmer om uventet migrasjon eller trykkoppbygging
• identifisere nye, fremtidige CCS-muligheter i samme akvifer basert på hvordan den har reagert på injeksjon

For en norsk sokkel som skal ta en lederrolle innen CCS i Europa, representerer dette en konkurransefordel: Vi kan dokumentere sikkerhet og kapasitet med en nøyaktighet få andre regioner matcher.

---

Slik kan selskaper på norsk sokkel komme i gang

For mange selskaper kan storskala akvifermodeller og KI høres både avansert og kostbart ut. Men tilnærmingen kan brytes ned i håndterbare steg.

1. Start med data og integrasjon

• Sørg for god kvalitet og struktur på brønndata, trykkhistorikk og produksjonsdata.
• Etabler rutiner for kontinuerlig datainnsamling fra sensorer, SCADA-systemer og undergrunnsdatabaser.
• Lag en felles dataplattform der både geologer, reservoaringeniører og data scientists kan jobbe mot samme kilde.

2. Bygg på eksisterende modeller, ikke fra scratch

• Ta utgangspunkt i de regionale akvifermodellene som allerede finnes.
• Tilpass og detaljer disse for egne lisenser, heller enn å lage isolerte modeller.
• Bruk KI til å prioritere hvilke områder og parametere som gir størst usikkerhet – og dermed størst potensial for verdiskaping ved forbedring.

3. Pilotér KI på avgrensede problemstillinger

I stedet for å «gjøre alt på én gang», kan du starte med tydelige use case, for eksempel:

• KI-basert history matching for et utvalgt felt koblet til en regional akvifermodell
• prediksjon av trykkutvikling under ulike nedblåsningsscenarier
• optimalisering av brønnplassering for CO₂-injeksjon innenfor et definert område

Poenget er å demonstrere konkret forretningsverdi – kortere tid til beslutning, færre rigger i arbeid, høyere utvinningsgrad eller mer robust CCS-dokumentasjon – før man skalerer.

4. Bygg tverrfaglige team

De mest vellykkede prosjektene innen AI i olje og gass kjennetegnes av:

• reservoaringeniører og geologer som forstår forretningslogikken
• data scientists som behersker KI-modellering
• IT-arkitekter som kan sikre ytelse, sikkerhet og integrasjon

Når disse jobber sammen om akvifermodeller, får man løsninger som både er faglig treffsikre og praktisk anvendbare.

---

Veien videre: Fra nybrottsarbeid til standard praksis

Sokkeldirektoratets akvifermodeller for Frigg–Heimdal og Troll markerer et digitalt nybrottsarbeid på norsk sokkel. De gir et felles utgangspunkt for mer informerte beslutninger om både utvinning og CO₂-lagring. Neste steg er å gjøre KI til en integrert del av hvordan disse modellene bygges, oppdateres og brukes.

I denne serien om AI i norsk olje og gass: digital transformasjon har vi sett hvordan prediktivt vedlikehold, reservoaranalyse og sikkerhetsoptimalisering endrer måten vi driver sokkelen på. Akvifermodeller er limet som binder mye av dette sammen – de kobler undergrunnen til overflateanlegg, økonomi og miljø.

For selskaper som vil være i front de neste 10–20 årene, er spørsmålet ikke om man skal ta i bruk KI-baserte akvifermodeller, men når og hvordan. De som starter nå, vil stå sterkere når konkurransen om kapital, konsesjoner og CO₂-lagringskunder tilspisses.

Neste steg er ditt: Hvilket felt, hvilken lisens eller hvilket CCS-prosjekt vil du bruke som første pilot for å koble avanserte akvifermodeller med kunstig intelligens – og dermed ta et konkret sprang i din digitale transformasjon?