为了在当今动荡的石油和天然气行业取得成功，石油和天然气公司需要通过油藏模拟和优化来降低风险。油藏储层特征和提高采收率方法变得越来越复杂，而传统的油藏工程方法只做了一些假设，过于简单，这些假设与地层实际情况可能不相符。基于这种情况，油藏数值模拟提供了另外一个技术，可用于模拟各种复杂的地质模型，在矿场实施之前确定开发方案及井生产制度。
在油藏方案优化中，地质模型的不确定性对生产影响较大。因此，基于某一个地质模型进行的常规优化得出的优化方案可能导致不准确的结果。CMOST AI开发了一种新的优化方法-鲁棒优化，它可以耦合CMG的三大油藏模拟器 - IMEX、GEM及STARS，在开发方案优化中考虑地质不确定性的影响。鲁棒优化是一种非常实用的工作流程，利用一系列具有代表性的地质模型减少运算成本，并且能够解释整个油藏的地质不确定性。
鲁棒优化定义
鲁棒优化考虑了地质模型的不确定性，通过考察100多个地质模型与其他优化参数，努力找到适用于各种情况下的风险加权解决方案。鲁棒优化考虑了最好与最坏的地质模型，找出了最优的开发方案，以避免现场实施时出现的问题。
本研究中，将鲁棒优化工作流程应用于油湿油藏，目标是利用低矿化度水驱（LSW）提高原油采收率。LSW通过将油藏储层的润湿性由油湿变为水湿，润湿性的改变是由于粘土表面上的钠和钙离子交换引起的，粘土表面的离子交换是LSW非常重要的机理，粘土和沉积相分布将影响原油采收率。在CMOST AI中，鲁棒优化和普通优化方法应用于油湿油藏，优化井位置并计算可能的最大采出程度（RF）。
步骤1：生成100+ 个地质模型
采用鲁棒优化工作流程作，创建多个地质模型。本研究中考虑的最大的不确定性因素是油藏中粘土的分布，根据其分布情况，创建了 100+ 个地质模型。
步骤2：地质模型分类
100+ 个地质模型设置了相同的井及操作条件，组成了100+ 个数模模型。将所有模型运算后的结果-采出程度（RF）绘制在同一张图中，查看RF分布情况，基于RF出现概率，选出五个具有代表性的地质模型–P5、P25、P50、P75 及 P95。这五个具有代表性的地质模型考虑了较高和较低的采出程度。这一步的主要目的是解释属性不确定性对结果的影响。
步骤3：鲁棒优化函数
CMOST AI 考虑了五个地质模型，然后创建鲁棒优化目标函数来优化生产或者采出程度。对油湿油藏，使用下面的鲁棒目标函数：
接下来，应用目标函数来优化五个地质模型之间的平均采出程度。CMOST AI应用内部算法，根据鲁棒优化函数生成不同井位。CMOST算法是鲁棒优化工作流程的一个重要方面，因为它消除了由于用户输入的错误或数据的不确定性导致的问题。与常规优化方法的关键差异就在这一步，因为鲁棒优化是对五个地质模型的平均采出程度进行优化，而不像常规优化方法只针对某一个地质模型进行优化。这种优化方法之间的固有差异是鲁棒优化获取更高成功率的重要原因。
步骤4： 最优方案
在步骤3，根据五个地质模型的平均采出程度最大值得出最优井位，将其应用于所有地质模型（100+）进行运算，然后将运算结果绘制在同一张图中，分析不同方案采出程度的分布情况， 与常规优化方案的结果相比，鲁棒优化的结果比较集中，分布范围较小，这表明其风险较低，成功的可能性较高。
对常规优化和鲁棒优化进行对比，图1展示了它们之间的差异。常规优化显示只有30% 的方案，其采出程度能够达到35%或更高。然而，鲁棒优化中50%以上的方案采出程度高于 35%。
累积概率曲线图（图2）对比了两种优化方法之间的成功率，该成功率是由采出程度大于32%的累积概率进行确定。鲁棒优化确定的方案成功率为91%，而使用常规优化方法的成功率为61%。另外，鲁棒优化的累积概率曲线比较陡峭，说明其采出程度分布比较集中，风险较低，在该区块实施低矿化度水驱成功率较高。采用严格模拟分析（例如，鲁棒优化）的公司将获得更大的成功概率并降低风险。
图2：累计概率曲线图
该案例研究基于SPE 173194 “Modeling and Optimization of Low Salinity Waterflood”。