Hvordan Geir Evensens metode banet vei for AI i reservoarene

I norsk olje og gass snakkes det mye om kunstig intelligens, maskinlæring og digital tvilling. Men lenge før «AI» ble et moteord, la norske forskere grunnlaget for datadrevne beslutninger i reservoarene. En av de viktigste er Geir Evensen, som i 2020 mottok Oljedirektoratets IOR‑pris for arbeidet med Ensemble Kalman Filter.

Denne historien handler ikke bare om en pris. Den handler om hvordan en matematisk algoritme har endret måten vi beskriver undergrunnen på – og hvordan den samme logikken nå driver neste bølge av AI i norsk olje og gass: bedre reservoaranalyse, mer treffsikre brønner og høyere verdiskaping med lavere fotavtrykk.

I denne artikkelen ser vi på hva Evensens bidrag egentlig betyr, hvordan metoden brukes i dag, og hvordan den peker direkte inn i den bredere digitale transformasjonen på norsk sokkel.

Fra forskningsidé til standardverktøy på norsk sokkel

Da Geir Evensen utviklet Ensemble Kalman Filter (EnKF) i 1994, var utgangspunktet et klassisk problem: Hvordan kombinere fysiske modeller med stadig nye måledata på en måte som faktisk gjør modellene bedre over tid?

I petroleumsnæringen oversettes dette til et svært praktisk spørsmål:

• Hvordan oppdatere reservoarmodeller når nye brønner bores?
• Hvordan ta hensyn til usikkerhet i porøsitet, permeabilitet og struktur?
• Hvordan unngå at én enkelt «beste modell» skjuler risikoen som ligger i alle de andre mulige tolkningene?

Evensens svar var å tenke ensemble – mange modeller samtidig – i stedet for én perfekt modell.

Hva er Ensemble Kalman Filter – i praksis?

I stedet for å bygge én reservoarmodell, bygger du et helt ensemble av modeller som alle er plausible gitt dagens kunnskap. Hver modell representerer et mulig «univers» for reservoaret.

Når nye data kommer inn – for eksempel:

• produksjonsrater
• trykkdata i brønner
• 4D-seismikk

…brukes EnKF til å oppdatere alle modellene samtidig. Modellene som passer dårlig med observasjonene justeres mer, de som passer godt justeres mindre. Resultatet er et ensemble som bedre representerer både:

• hva vi tror, og
• hvor usikre vi faktisk er.

I Equinor ble denne arbeidsformen implementert som FMU – Fast Model Update, som i dag er en etablert del av flere felts reservoarstyring.

«Metoden du har utviklet fører til bedre grunnlag til å ta beslutninger, og dermed økt verdiskaping.» – Oljedirektør Ingrid Sølvberg da hun delte ut IOR‑prisen 2020

Dette er egentlig kjernen i den pågående AI‑revolusjonen i olje og gass: kontinuerlig læring fra data for å ta bedre beslutninger raskere.

Usikkerhet som ressurs: Slik økes utvinningen i praksis

På norsk sokkel ligger gjennomsnittlig oljeutvinningsgrad rundt 48 prosent. Det er verdensledende, men betyr samtidig at over halvparten av oljen fortsatt ligger igjen i bakken med dagens planer.

For å øke utvinningen må selskapene ta en rekke beslutninger der usikkerhet spiller en stor rolle:

• Hvor skal neste brønn plasseres?
• Hvilke soner bør få vann- eller gassinjeksjon?
• Når bør man bore tilleggsbrønner, og når bør man la være?

Her gir EnKF‑baserte metoder og moderne AI‑verktøy et tydelig fortrinn.

Bedre dreneringsstrategier med datadrevne modeller

Når reservoarmodellene kontinuerlig oppdateres med nye data, kan operatørene:

• identifisere områder med gjenværende mobil olje mer presist
• teste ulike dreneringsstrategier virtuelt før de investerer
• redusere risiko for tørre eller marginalt lønnsomme brønner

I kombinasjon med maskinlæring kan man i dag:

• rangere brønnlokasjoner basert på sannsynlig ekstra produksjon
• estimere usikkerhetsintervall for produksjonsprofiler
• optimalisere injeksjonsplaner for vann og gass mot både utvinning og energi‑/CO₂‑kostnad

Resultatet er nettopp det IOR‑prisen belønner: mer lønnsom utvinning fra eksisterende felt, til fordel for både selskapene og staten.

Der Evensen slutter, begynner AI: Neste steg i reservoaranalyse

Evensens arbeid handlet om å koble fysikkbaserte modeller og måledata. Dagens AI‑verktøy legger et nytt lag på toppen:

• mer automatisert analyse
• raskere tolkning av store datamengder
• beslutningsstøtte i nær sanntid

Fra ensemblemodeller til AI‑drevne beslutningssystemer

I moderne reservoarteam ser vi stadig oftere en arbeidsflyt der:

1. Ensemble‑modeller holdes løpende oppdatert med EnKF eller lignende metoder.
2. Maskinlæringsmodeller trenes på output fra ensemblet + historiske produksjonsdata.
3. AI‑basert optimalisering foreslår tiltak – for eksempel brønnplasseringer – som maksimerer forventet netto nåverdi under gitte rammer.

Dette gjør det mulig å svare på spørsmål som før krevde måneder med manuelt arbeid og sensitivitetstester:

• Hvilke tre brønner gir størst forventet merverdi de neste fem årene?
• Hvor stor er risikoen for tidlig vann‑ eller gassgjennombrudd ved hver lokasjon?
• Hvordan påvirker ulike oljepris‑scenarier lønnsomheten av et gitt IOR‑tiltak?

Digital tvilling av reservoaret

Mange operatører beveger seg nå mot digitale tvillinger av reservoar og felt:

• Ensemblebaserte reservoarmodeller danner grunnmuren.
• Sanntidsdata fra brønner og prosessanlegg strømmer inn kontinuerlig.
• AI‑algoritmer overvåker avvik og foreslår justeringer.

Denne typen systemer gjør det mulig å:

• teste IOR‑tiltak virtuelt før gjennomføring
• identifisere produksjonsavvik tidlig
• koordinere bore‑, produksjons‑ og vedlikeholdsplaner på tvers av fag

Det er en direkte forlengelse av den tankegangen Evensen etablerte: modeller som aldri er ferdige, men alltid blir litt bedre når ny informasjon kommer.

Mer utvinning, mindre fotavtrykk: AI, IOR og bærekraft

I 2025 er bildet tydelig: Norge skal både være en ledende energiprodusent og kutte utslipp. Det stiller nye krav til hvordan vi jobber med økt utvinning.

Hvorfor IOR og AI også er et klimaverktøy

Effektiv IOR kombinert med datadrevne beslutninger bidrar til lavere samlet fotavtrykk ved at man:

• får mer energi ut av eksisterende felt før man åpner nye arealer
• unngår unødvendige eller feilplasserte brønner
• optimaliserer energibruk til injeksjon, kompresjon og prosessering

AI‑baserte reservoarverktøy kan for eksempel:

• balansere mål om maksimal utvinning mot kraft‑ og utslippsbudsjett
• identifisere brønner der marginal produksjon ikke forsvarer energibruken
• støtte beslutninger om når et felt skal forlenges og når det skal avvikles

Samspill med CO₂‑lagring og nye verdikjeder

Mye av teknologien og kompetansen fra EnKF og avansert reservoarmodellering gjenbrukes nå i:

• CO₂‑lagringsprosjekter i undergrunnen
• vurdering av trykkoppbygging, lekkasjerisiko og langtidskapasitet

Her er prinsippet det samme:

• mange modeller,
• kontinuerlig oppdatering med nye data,
• og AI som verktøy for å forstå risiko og optimalisere drift.

Det gjør Evensens arbeid høyst relevant også for den neste fasen av norsk sokkel – der olje, gass og CO₂‑lagring skal eksistere side om side.

Slik kan selskaper bygge videre på Evensens arv

For selskaper som vil lykkes med AI i norsk olje og gass fremover, er lærdommen fra IOR‑prisvinneren tydelig: det handler ikke bare om algoritmer, men om arbeidsform.

1. Bygg kultur for usikkerhet – ikke for «fasit»

Ensembletankegangen krever at organisasjonen aksepterer usikkerhet som noe som skal kvantifiseres og brukes aktivt, ikke skjules.

Praktiske grep:

• innfør standardrapportering der usikkerhet vises like tydelig som basiscase
• belønn team som utforsker alternative scenarier, ikke bare leverer én løsning
• bruk visuelle dashboards som gjør det lett å se spenn i mulige utfall

2. Koble geofysikere, reservoaringeniører og data scientists

Der Evensen kombinerte matematikk, fysikk og geologi, må dagens selskaper koble klassiske reservoarfag med data science og AI‑kompetanse.

Konkret kan det bety:

• tverrfaglige «squad» rundt hvert kjernefelt
• felles modellplattform og datakilder
• klare roller for hvem som eier fysikkmodellen, og hvem som utvikler AI‑lagene oppå

3. Automatiser der det gir mening – uten å miste kontroll

FMU‑inspirerte arbeidsflyter viser at:

• modelloppdatering kan standardiseres og delvis automatiseres
• eksperter frigjøres til å tolke resultater og ta beslutninger

AI‑verktøy bør derfor brukes til å:

• automatisere rutinemessig datavask, matching og kalibrering
• kjøre tusenvis av scenarier som grunnlag for menneskelig vurdering

Ikke til å erstatte reservoar- og brønnfaglig dømmekraft.

4. Start smått – men knytt tiltak til verdiskaping

IOR‑prisen deles ut til kandidater som kan dokumentere reell merutvinning eller vesentlig forbedringspotensial. Det samme bør gjelde AI‑initiativer.

Gode startområder er prosjekter der man raskt kan vise verdi, for eksempel:

• forbedret brønnplassering på modne felt
• optimalisering av vann- og gassinjeksjon basert på kontinuerlig modelloppdatering
• tidlig varsling av uønskede trender i produksjonsdata

Knyt hvert tiltak til konkrete KPIer: ekstra fat, utslippsreduksjon, reduserte borekostnader eller forlenget feltlevetid.

Veien videre: Fra IOR‑pris til helhetlig digital transformasjon

Historien om Geir Evensen og IOR‑prisen 2020 er mer enn et tilbakeblikk. Den illustrerer hvordan langsiktig, norsk forskningsinnsats har gitt oss et fortrinn i den pågående digitale transformasjonen på sokkelen.

Når petroleumsnæringen i 2025 og videre:

• tar i bruk stadig mer avansert AI for reservoaranalyse
• kombinerer prediktivt vedlikehold, sikkerhetsoptimalisering og bærekraftig produksjon
• utvikler CO₂‑lagring og nye energiløsninger basert på samme teknologigrunnlag

…står Evensens prinsipp fortsatt støtt: La data kontinuerlig forbedre modellene, og la modellene styre bedre beslutninger.

For selskaper som vil ligge i front, er spørsmålet nå:

• Hvordan tar dere steget fra enkeltprosjekter til en helhetlig, datadrevet IOR‑strategi?
• Hvordan sørger dere for at AI‑satsingen bygger videre på – og ikke bryter med – den solide fysikk‑ og reservoarforståelsen norske miljøer allerede har?

Svaret vil i stor grad avgjøre hvem som leder an i neste kapittel av AI i norsk olje og gass – der mer utvinning, lavere utslipp og bedre beslutninger må gå hånd i hånd.