Begrijpen van de Stakes in Ultra-Deepwater Exploration

De druk op ultra-diepwater grenzen gedefinieerd als waterdieptes van meer dan 1.500 meter... vertegenwoordigt zowel de industrie grootste kans en de meest veeleisende technische uitdaging. Globale energievraag, die volgens het Internationaal Energieagentschap met 14% zal groeien in 2040, blijft druk uitoefenen op exploitanten om reserves te ontgrendelen die ooit als onbereikbaar werden beschouwd. Toch is de enorme schaal van investeringen die nodig is voor een enkele verkennende put, vaak meer dan $100 miljoen, betekent dat het verkeerd beoordelen van reservepotentieel rampzalige financiële gevolgen heeft. In de Golf van Mexico alleen al, is de gemiddelde deepwater ontdekkingskosten per vat gestegen met 30% in het afgelopen decennium, gedreven door complexe geologie en hogere boorkosten. Reserves schatting, dus, is niet gewoon een regelgevende oefening; het is de basis waarop alle ontwikkelingsbeslissingen rusten. In deze context, zelfs een kleine verbetering in schatting nauwkeurigheid kan vertalen in miljarden dollars in waardebehoud in een portfolio van een bedrijf.

Traditionele reserve evaluatie methoden, opgehoond in de loop van decennia in de plank en onshore omgevingen, worstelen om om te gaan met de geologische en fysieke extremen van diepwater instellingen. Sedimentaire bekkens zoals de Golf van Mexico . Lagere Tertiaire trend , Brazilië . pre-salt Santos Basin , en de West-Afrikaanse transformatie marge huidige reservoir architecturen die diep verschillen van hun ondiep water tegenhangers . Dikke zout canopies , steil dompelen structuren , en complexe druk regimes vereisen een herinbeelding van de gehele schatting workflow . Dit artikel onderzoekt de meest veelbelovende innovatieve technieken hervorming hoe de industrie benaderingen reserves schatting in ultra-diepwater velden , putten op vooruitgang in seismische beeld , machine leren , geïntegreerde modellering , en complementaire ondoordringsmethoden .

Waarom conventionele methoden vallen kort

Conventionele reserve schatting is sterk gebaseerd op petrofysische analyse van put logs, kerngegevens en eenvoudige volumetrische berekeningen. Hoewel geschikt voor relatief homogene, goed ingezette reservoirs, deze methoden wankelen waar putten zijn schaars en geologische onzekerheid is hoog. In ultra-diepwater omgevingen, operatoren vaak boren slechts een handvol van de beoordeling putten voordat zich te verbinden tot miljarden-dollar ontwikkelingsplannen. De resulterende gegevensschaarste vergroot elke interpretatie fout. Bijvoorbeeld, een 5% fout in porositeit schatting in een 500-miljoen-vat veld kan wijzigen herstel reserves door 25 miljoen vaten een schommel die kan maken of breken projecteconomie.

Several factors compound the difficulty. First, the high-pressure, high-temperature (HPHT) conditions routinely encountered alter rock properties and fluid behavior in ways that standard laboratory measurements fail to capture. At pressures exceeding 20,000 psi and temperatures above 300°F, rock compressibility and fluid phase envelope shift unpredictably, requiring specialized experimental setups that many service companies lack. Second, thick mobile salt layers absorb seismic energy, creating illumination gaps that obscure subsalt structures. In Brazil's pre-salt, the salt can exceed 2,000 meters in thickness, effectively acting as an acoustic lens that distorts images. Third, compaction and diagenesis at extreme burial depths produce heterogeneous porosity-permeability distributions that defy simple extrapolation, especially in deepwater turbidites where diagenetic overprints can destroy primary pore systems. Finally, the very scale of the structures—often massive, laterally extensive sheet sands or carbonate build-ups—means that subtle changes in stratigraphic correlation can swing volumetric estimates by ten percent or more.

De industrieorganisaties zoals de Society of Petroleum Engineers (SPE) hebben lang gepleit voor probabilistische benaderingen die onzekerheid kwantificeren. Maar zelfs Monte Carlo simulaties vereisen inputdistributies die gebaseerd zijn op betrouwbare gegevens. De echte grens is dus niet de statistische machines maar de productie van input van hogere betrouwbaarheid via nieuwe detectie- en interpretatietechnologieën. Het SPE Petroleum Resources Management System (PRMS)[] biedt een kader voor categoriserende reserves, maar erkent uitdrukkelijk dat absolute en probabilistische methoden zowel afhankelijk zijn van datakwaliteit als van diepwater, de gegevenskwaliteit is de zwakste schakel.

Geavanceerde Seismische beeldvorming: Door het Zout zien

Seismische gegevens zijn de ruggengraat van offshore exploratie, en recente innovaties hebben ons vermogen om reservoirs onder complexe overlast te beeldbeelden. De verschuiving van smal-azimut gesleept-streamer overname naar breed-azimut (WAZ) en multi-azimut onderzoeken, en meer recent naar oceaan-bodem knooppunt (OBN) systemen, heeft gezorgd voor de verlichting diversiteit nodig om zoutlichamen penetreren. OBN onderzoeken, in het bijzonder, bieden full-azimut dekking en lange offsets, waardoor betere snelheidsanalyse en beeldvorming van steil dippen zout flanken. In de Golf van Mexico, een 2022 enquête door TGS toonde dat OBN gegevens verminderde de blinde zone onder allochtone canopies met maximaal 40% in vergelijking met smalle-azimuth gegevens. Deze acquisitie geometries nemen het golfveld meer volledig, waardoor geavanceerde snelheid modelbouw en migratie algoritmes te convergeneren op een scherper beeld.

Volledige Waveform-inversie (FWI)

Een van de meest impactvolle vooruitgangen is de volledige golfvorminversie, een data-fitting techniek die iteratief een snelheidsmodel bijwerkt door de waargenomen en synthetische seismogram te vergelijken.In tegenstelling tot conventionele tomografie, gebruikt FWI zowel de amplitude als de fase van het seismische golfveld, waardoor fijne snelheidsvariaties worden opgelost die ooit onzichtbaar waren. In de Golf van Mexico hebben benchmarkstudies van bedrijven als SLB[] en CGG[[]] aangetoond dat FWI subzoutvallen die volledig zijn gemist door oudere migratiealgoritmen kunnen afbaken. Bijvoorbeeld, in de recente ontdekking van het diepe water in het Ankerveld, beeldde FWI een hoge frequentie FWI een 150-meter-thick trubidiiet-sectie die eerder als homogene schalie werd geïnterpreteerd, wat extra netto-uitdrukkingen onthult.

Minst-square migratie en beeldverbetering

Conventionele Kirchhoff en reverse-time migratie (RTM) produceren beelden met niet-uniforme verlichtingsartefacten, vooral in schaduwzones onder zout.Migratie van de kleinste kwadraten (LSM) richt zich hierop door om te keren naar een reflectiviteitsmodel dat, wanneer gedemigreerd en opnieuw gemigreerd, overeenkomt met de geregistreerde gegevens. Het resultaat is een seismisch beeld met evenwichtige amplitudes en verminderd migratiegeluid. Voor reservoirkarakterisering levert LSM meer betrouwbare amplitude-versus-offset (AVO) attributen, die essentieel zijn voor het voorspellen van het type vloeistof en verzadiging. In Brazilië zijn pre-realt toneelstukken, plurifydity is premitant omdat de stuwing rotsen crêpeatura en gebroken coquinas crêbit subtiele impedantie contrasten die gemakkelijk kunnen worden geïnterpreteerd in luide beelden. Een recente casestudy van de Santos Basin toonde dat het toepassen van 3D LSM op een legacy OBN surveillation verbeterde de resolutie van dunne carbonaat stringsnaren met 30%, wat leidde tot een revisie van 12% op netto loonschattingen.

Machine learning en data-driven voorspelling

De proliferatie van digitale seismische records, goed logs, core images en productiegegevens heeft een omgeving gecreëerd rijp voor machine learning (ML) applicaties. In tegenstelling tot natuurkunde gebaseerde modellen, ML algoritmes blinken uit in het vinden van patronen in gegevens zonder expliciete programmering van elke causale relatie. Voor reserve schatting, deze mogelijkheid wordt ingezet over meerdere domeinen, van initiële facie classificatie tot uiteindelijke onzekerheid kwantificering.

Facies Classificatie en Property Prediction

Deep neurale netwerken getraind op gelabelde put data kunnen nu classificeren seismische facies en voorspellen rotseigenschappen zoals porositeit, permeabiliteit en waterverzadiging van seismische attributen. Een toonaangevende provider, DELFI cognitieve E&P omgeving[], biedt cloud-gebaseerde workflows waar geowetenschappers kunnen trainen en implementeren ML-modellen op wastafelschaal. Het voordeel in diepwater is het vermogen om de kwaliteit van rotsen te extrapoleren weg van schaarse putcontrole met meer vertrouwen. Bijvoorbeeld, een studie in het Mississippi Canyon gebied toonde aan dat een convolutionair neuraal netwerk verminderde porositeit voorspellingen fouten met 40% vergeleken met conventionele geostatistische interpolatie, snijdend volumeonzekerheid in de helft. Meer recent, generatieve adversariale netwerken (GANs) zijn gebruikt om realistische pseudo-well gegevens te genereren op niet-geïnstalleerde locaties, effectief het verhogen van de training set en verbeteren van model robuustheid. Deze techniek is bijzonder waardevol in grensverdiepe waterbekkens waar minder dan vijf bronnen zijn ge

Onzekerheid Kwantificatie en samenspelmethoden

Een andere krachtige toepassing is het gebruik van ensemble-gebaseerde ML-technieken om onzekerheid in volumetrische parameters direct te kwantificeren uit seismische gegevens. In plaats van het genereren van een enkel model van best-guess reservoirs, kunnen algoritmes zoals willekeurige bossen of gradiënt-geboste bomen waarschijnlijkheidsdichtheid functies produceren voor belangrijke variabelen. Deze distributies voeden zich in Monte Carlo simulaties die P10, P50 en P90 reserve schattingen opleveren die beter het ware scala van uitkomsten weerspiegelen. Bedrijven zoals TotalEnergys[] hebben deze workflows geïntegreerd in hun gestandaardiseerde diepwater evaluatieproces, waarbij een meetbare vermindering van de kloof tussen pre-drill schattingen en werkelijke productieresultaten wordt gerapporteerd. Door het koppelen van ML-onzekerheidsmodellen met economische modellen kunnen operators ook waarde-van-informatieanalyses uitvoeren, waarbij wordt bepaald of het verkrijgen van aanvullende gegevens (bijv., een vormingstest) gerechtvaardigd is door zijn potentieel om reserveonzekerheid te verminderen.

Natuurlijke taalverwerking voor kenniswinning

Een minder voor de hand liggende maar waardevolle niche is de toepassing van natuurlijke taalverwerking (NLP) op historische rapporten, goed complete samenvattingen en zelfs technische publicaties. Door duizenden documenten te scannen kunnen NLP-tools analoge reservoirparameters en lessen uit analoge velden wereldwijd extraheren. Deze collectieve intelligentie scherpt de eerdere distributies die gebruikt worden in Bayesiaanse schattingskaders, waarbij schattingen in empirische werkelijkheid worden verankerd in plaats van theoretische aannames alleen. Zo heeft een NLP-systeem dat bij een grote exploitant wordt ingezet automatisch kernpermeabiliteitsgegevens uit 15.000 putbestanden in drie bekkens verzameld, wat een statistisch robuuste analoge dataset oplevert die de initiële onzekerheidsrange voor een nieuwe diepwaterbeoordeling met 20% heeft verminderd.

Geïntegreerde reservoirmodellering: Een verenigd uitzicht

Terwijl individuele technieken specifieke stukjes van de puzzel verbeteren, komen de grootste winsten uit integratie. Een geïntegreerd reservoirmodel koppelt de statische geologische beschrijving met dynamische vloeistofstroom gedrag, beperkt door alle beschikbare gegevens. Het proces begint meestal met een structureel kader afgeleid van hoge-trouw seismische, bevolkt met rots eigenschappen van petrofysische analyse, en vervolgens bevolkt met vloeistof contacten en drukgegevens.

Gezamenlijke inversie en geostatistische samenvoeging

Moderne workflows combineren seismische inversieresultaten, put logs en geologische conceptmodellen binnen een geostatistisch kader. Geostatistische co-simulatie zorgt ervoor dat de uiteindelijke eigendomsmodellen zowel de seismische trend als de harde putcontrole respecteren, terwijl ze ook variogrammen respecteren die de ruimtelijke continuïteit vastleggen die verwacht wordt voor depositieomgevingen zoals diepwaterkanaal-leefsystemen of wastafelvloerventilatoren. De output is een suite van equi-probable realisaties een driedimensionaal beeld van onzekerheid in het volume van de rots, netto-tot-gross, en porositeit. Vooruitgangen in Bayesiaanse geostatistieken laten nu toe om deze modellen te integreren in voorafgaande kennis van waskom-schaal-analogen, zoals typische kanaalbreedte-tot-dikteverhoudingen, die de onzekerheids groter maken. Het resultaat is een robuuste input voor dynamische simulatie en uiteindelijk voor reserves die gerapporteerd worden onder SEC- of PrMS-richtlijnen.

Dynamische simulatie en geschiedenis die overeenkomen met

Zodra een statisch model bestaat, test dynamische simulatie hoe vloeistoffen zouden stromen onder voorgestelde ontwikkelingsscenario's. Bij ultradiepwaterprojecten is simulatie onmisbaar omdat goed afstand kan zijn (vaak meer dan 2 km tussen producenten), en de interactie tussen productie- en injectieputten over decennia moet worden geoptimaliseerd vanaf dag één. Geassisteerde geschiedenis matching, vaak aangedreven door ML surrogate modellen, versnelt de kalibratie van reservoirmodellen naar vroege productiegegevens. Zoals uitgelegd door OnePetro[, een uitgebreide technische bibliotheek, deze methoden kunnen operatoren de reserves schattingen voortdurend bijwerken, gaande van statische volumeschattingen naar een robuustere categorie van technische reserves gebaseerd op aangetoonde stroomprestaties. In het Jubarte veld (Brazil), bijgestaan geschiedenis matching met behulp van een diep-learning-proxy gereduceerde kalibratietijd van drie maanden tot twee weken, terwijl de matchkwaliteit wordt verbeterd, waardoor een meer zelfverzekerde opwaartse herziening van de herstelreserves mogelijk is.

Elektromagnetische en zwaartekrachtmethoden: Aanvullende Insights

Seismische gegevens, hoewel krachtig, kunnen niet onderscheiden olie-verzadigd van pekel-verzadigde rots in vele instellingen omdat de impedantie contrast is minimaal. Gecontroleerde bron elektromagnetische (CSEM) enquête zintuigen weerstand, die sterk wordt beïnvloed door koolwaterstofsaturatie. In diepe waterinstellingen, CSEM heeft gerijpt van een exploratie-instrument tot een reserves-aid, helpen om de risico vloeistof contacten en compartimentalisatie. Recente gezamenlijke industrie projecten, zoals die samengevat door de Societeit van Exploratie Geofysicis (SEG)[, hebben aangetoond dat integratie van CSEM-afgeleide verzadiging volumes met seismische structuur levert een meer beperkte koolwaterstoffen porie volume. Bijvoorbeeld, in het West-Afrikaanse diepe water, een CSEM-onderzoek over een gestapelde turbidite reservoir met succes geïdentificeerde onzichtbare waterpoten die niet op seismische alleen was, voorkomen een overschatting van de winbare reserves door 30%. Ook hoge-resolutie mariene gradiometrie, verworven gelijktijdig met seismische, kan deline zou geometroïde, deline zoute trogrammen en sedimentaire bases

Toepassingen van zaken en vaststelling van de industrie

De toepassing van deze innovatieve technieken beperkt zich niet langer tot onderzoeksconsortia. Verschillende belangrijke ontwikkelingen in de diepzee hebben deze in hun standaard evaluatie-speelboeken opgenomen.

In de Golf van Mexico . Paleogene spel , exploitanten verwerven routinematig node-gebaseerde OBN onderzoeken gecombineerd met FWI om complexe allochtone zout secties beeld . Een belangrijke operator gemeld dat een post-FWI herinterpretatie toegevoegd 15% aan de geschatte bron basis van een Wilcox vorming subzout ontdekking , een herziening die de economie van het project veranderde . In Brazilië . pre-zout , de combinatie van de minst-kwadraten RTM en machine-learning-gebaseerde facie classificatie heeft Petrobras om beter af te bakenen de onregelmatige top van het microbiële reservoir , het verminderen van het aantal droge of marginale beoordeling putten . De kostenbesparingen van het vermijden van slechts twee onnodige putten in een pre-zout project kan meer dan $ 300 miljoen .

In West-Afrika hebben CSEM-gegevens die werden verzameld over een volwassen deep-water turbidite spel geholpen om commerciële en niet-commerciële accumulaties te discrimineren in een reeks stratigrafische vallen, waardoor de exploitant werd gered van een dure boorcampagne. Offshore Guyana, een combinatie van breedazimut seismische en Bayesiaanse geïntegreerde modellering was van cruciaal belang om de P99 tot P10-bereik voor het Liza-veld met 40% te verminderen, waardoor snelle definitieve investeringsbeslissingen mogelijk werden. Deze successen versterken de boodschap dat een geïntegreerde, multitechnische aanpak geen academische luxe is maar een praktische noodzaak voor ultra-diepwatereconomie.

Uitdagingen en praktische overwegingen bij de uitvoering

Het toepassen van deze technieken vereist vooraf investeringen en organisatorische inzet. High-end seismische onderzoeken met OBN of WAZ geometries kosten aanzienlijk meer dan conventionele overname, hoewel de kosten per kwaliteitsverbetering vat gunstig kan zijn. Een typische OBN enquête in diep water kan lopen $ 30.050 miljoen, maar wanneer dat onderzoek maakt een 10% uplift in herstelbare reserves van een miljard-schuit veld, het rendement is aanzienlijk. Computational eisen zijn ook steil; een enkele FWI lopen op een grote OBN enquête kan een supercomputer voor weken. Cloud computing heeft gedemocratiseerd toegang, met on-demand HPC middelen beschikbaar van aanbieders zoals Amazon Web Services Energy[], maar gespecialiseerde expertise blijft schaars.

Machine learning modellen zijn slechts zo goed als de training gegevens, en in diepwater, gelabelde gegevens is beperkt. Transfer learning .Waar een model dat is opgeleid op een data-rijke bekken is fijn afgestemd op een nieuw gebied .biedingen belofte , maar geowetenschappers moeten waakzaam blijven over overfitting . Daarnaast , regelgevingskaders voor reserves rapportage (bijv . , de SPE PRMS) nog steeds vertrouwen op menselijk oordeel en deterministische analoge . Als gevolg , veel bedrijven lopen parallel deterministische en probabilistische workflows , met behulp van de innovatieve technieken om de definitieve reserves indiening te informeren en te kalibreren in plaats van volledig vervangen . Organisatiecultuur speelt ook een rol: asset teams die gewend zijn aan legaturele workflows kunnen weerstaan het aannemen van nieuwe tools zonder duidelijke kampioenenen en trainingsprogramma's . De industrie is gericht op dit door middel van cross-disciplinary centra van uitmuntendheid die geofysica, data wetenschap, en reservoir engineering combineren .

De rol van digitale tweelingen en real-time updaten

Een vooruitziend concept is de digitale tweeling die leeft, ademt virtuele replica van het reservoir dat updates als nieuwe gegevens arriveert. Reeds ingezet in een paar diepwater ontwikkelingen, digitale tweelingen integreren seismische, goed, en productiegegevens in een voortdurend bijgewerkt ensemble van modellen. Als een productie-loging tool (PLT) onthult een andere inflow profiel dan voorspeld, de tweeling automatisch past de stroom simulatie. Deze dynamische feedback loop betekent dat reserves schattingen zijn niet langer een punt-in-time verslag, maar een eeuwiggroene asset die de laatste inzichten weerspiegelt. Bijvoorbeeld, op het Johan Sverdrup veld in Noorwegen, een digitale tweeling benadering heeft operatoren in staat gesteld om het statische model maandelijks te updaten, met nieuwe drukgegevens en seismische herhaalde onderzoeken, wat leidt tot een verbetering van 5% in ultieme herstel projecties. Als randcomputering en 5G-connectiviteit uitbreiden offshore, de visie van real-time reserves monitoring inch dichter bij de werkelijkheid.

Voordelen voorbij getallen

De voordelen van het gebruik van deze innovatieve schattingstechnieken reiken veel verder dan de reservelijn op een balans. Betere nauwkeurigheid in volumebeoordeling informeert de faciliteit sizing, onderzeese architectuur en gasherinneringsstrategie.De beslissingen die eenmaal zijn gemaakt, zijn onbetaalbaar duur om terug te draaien. Beter risicobeheer stelt bedrijven in staat om landbouwonderhandelingen aan te gaan met meer vertrouwen, veilige gunstige fiscale voorwaarden en optimaliseer hun portefeuilletoewijzing. Door de kans op reservedowngrades te verminderen, behouden exploitanten ook de geloofwaardigheid bij investeerders en regelgevers, een factor die bijzonder gevoelig is geworden in het huidige klimaat van strengere milieu-, sociale en governance (ESG) controle. Een reserveherziening van 20% of meer kan leiden tot een scherpe daling van de voorraad en verhoogde opnamekosten, zodat de investering in betere schatting is effectief een verzekeringspolis tegen reputatieschade.

Bovendien leidt een beter begrip van het gedrag van het reservoir tot hogere ultieme herstelfactoren. Wanneer operators kunnen omzeilen compartimenten of subtiele olie-water contacten te identificeren, ontgrendelen ze middelen die anders zou blijven stranden. In sommige volwassen diepe waterbekkens, de extra volumes toe te schrijven aan betere karakterisering zijn gelijk aan een nieuwe ontdekking, alles voor de kosten van de gegevensverwerking en herinterpretatie. Bijvoorbeeld, in het Marlim veld (Campos Basin, Brazilië), her-imagineren met FWI en geostatistische modellering toegevoegd een geschatte 150 miljoen vaten van herstelbare reserves zonder een enkele nieuwe put.

Toekomstgrenzen: Autonome interpretatie en kwantitatieve berekening

Het traject van innovatie toont geen teken van afvlakking. Autonome seismische interpretatie, aangedreven door diep leren, begint te omgaan met routine horizon picking en fout detectie, waardoor menselijke experts zich te concentreren op de meest dubbelzinnige gebieden. In het komende decennium, kunnen we zien end-to-end autonome workflows die ruwe seismische gegevens nemen en produceren een volledig bevolkte geocellulaire model zonder handmatige interventie . Hoewel validatie door ervaren geowetenschappers zal essentieel blijven. Onderzoek naar natuurkunde-geïnformeerde neurale netwerken (PINNs) streeft ernaar om de wetten van vloeibare mechanica direct in ML-architecturen, die modellen die behoud principes respecteren, zelfs wanneer gegevens schaars zijn. Deze netwerken kunnen de voor-en inverse problemen tegelijk oplossen, mogelijk maken seismisch-tot-simulatie in een enkele pas.

Als we verder vooruit kijken, kan kwantumcomputing de oplossing van de seismische inversie en reservoirs simulatievergelijkingen transformeren die reserveschatting ondersteunen. Huidige klassieke algoritmen worstelen met de exponentiële complexiteit van full-wavefield inversie en grootschalige compositorische simulatie. Kwantum annealers en variatie quantum algoritmen, hoewel nog in hun kinderschoenen, kan op een dag de rekensnelheid bieden die nodig is om volledig probabilistische, multi-scenario reserve assessments routine te maken. De industrie, door middel van partnerschappen met organisaties als IBM[ en Shell, is al bezig met het verkennen van deze mogelijkheden, met initiële benchmarks waaruit blijkt dat quantumalgoritmes de vergelijking van Poissons kunnen oplossen, een sleutelcomponent van seismische golfveld-aanplanting met polynomiale snelheidsverhoging over klassieke methoden. Terwijl praktisch kwantumvoordeel voor reservoir-schaalproblemen jaren wegblijft, wordt het grondwerk gelegd.

Het allemaal samenbrengen: een routekaart voor adoptie

Voor een vermogensteam dat deze technieken overweegt, begint de weg voorwaarts met een duidelijke audit van bestaande datalaces en onzekerheidsdrivers. In veel gevallen kan een bescheiden investering in het opwerken van legacy seismische met FWI of het toepassen van ML-gebaseerde vastgoedvoorspelling aanzienlijke verbeteringen opleveren voordat een nieuwe overname wordt toegezegd. Een gefaseerde aanpak die start met eenvoudige statistische modellen en afstuderen naar volledig geïntegreerde werkinstromen organisatorische capaciteit en vertrouwen. Belangrijke mijlpalen zijn: (1) het uitvoeren van een basisonzekerheidskwantificatie met behulp van bestaande deterministische methoden; (2) het toepassen van een of twee geavanceerde technieken (bijvoorbeeld FWI-reakling, ML facies classificatie) op een proefgebied; (3) het vergelijken van de bijgewerkte onzekerheidsklassen met werkelijke goed resultaat; en (4) het opzetten van een cross-functionele toetsingsproces dat probabilistische outputs in de uiteindelijke reserve-beschikking opneemt. Uiteindelijk is het doel niet om onzekerheid te elimineren, wat onmogelijk is in grensverdiep water, maar om het meer strak en transparant te binden.