SAND
SAND
Statistisk Analyse av Naturressurs Data - SAND
SAND ble etablert i 1984, og er en betydelig internasjonal bidragsyter til forskning og tjenester innen reservoarbeskrivelse, stokastisk modellering og geostatistikk for oljeindustrien. Vårt primære mål er å bruke statistiske metoder for å redusere og kvantifisere risiko og usikkerhet. Hovedområdet er stokastisk modellering av geologi i petroleumsreservoarer inkludert oppskalering og historie matching. Vi har også en betydelig aktivitet på alle typer risikokvantifisering, primært innen energisektoren.
Ansatte har bakgrunn i statistikk, matematikk, fysikk, numerisk analyse og informatikk. For å sikre at vi jobber med interessante og relevante problemstillinger for petroleumsindustrien, har vi nært samarbeid med fagfolk innen geo-vitenskap når dette er relevant for prosjektet. De fleste prosjektene er finansiert av oljeselskaper, programvareleverandører innen oljeindustrien og forskningsprosjekter sponset av EU-kommisjonen og Norges forskningsråd.
Forskningsområder
Siste 5 vitenskapelige artikler
Almendral Vazquez, Ariel; Dahle, Pål; Abrahamsen, Petter; Sektnan, Audun. Consistent prediction of well paths and geological surfaces. Computational Geosciences (ISSN 1420-0597). doi: 10.1007/s10596-024-10310-0. 2024.
Ovanger, Oscar; Eidsvik, Jo; Skauvold, Jacob; Hauge, Ragnar; Aarnes, Ingrid. Addressing Configuration Uncertainty in Well Conditioning for a Rule-Based Model. Mathematical Geosciences (ISSN 1874-8961). doi: 10.1007/s11004-024-10144-7. 2024.
Lilleborge, Marie; Hauge, Ragnar; Fjellvoll, Bjørn; Abrahamsen, Petter. Using Pattern Counts to Quantify the Difference Between a Pair of Three-Dimensional Realizations. Mathematical Geosciences (ISSN 1874-8961). doi: 10.1007/s11004-024-10145-6. 2024.
Lee, Daesoo; Ovanger, Oscar; Eidsvik, Jo; Aune, Erlend; Skauvold, Jacob; Hauge, Ragnar. Latent Diffusion Model for Conditional Reservoir Facies Generation. arXiv 2023.
Sanchis, Charlotte Juliette Semin; Kolbjørnsen, Odd. Sampling-Free Bayesian Inference for Local Refinement in Linear Inversion Problems with a Latent Target Property. IEEE Transactions on Geoscience and Remote Sensing (ISSN 0196-2892). 61 doi: 10.1109/TGRS.2023.3301717. 2023. Institutional archive