A Pattern-Based Approach to Waterflood Performance Prediction Using Knowledge Management Tools and Classical Reservoir Engineering Forecasting Methods
Notice bibliographique
Résumé
Abstract Estimating future performance of waterflooded reservoirs is a challenging reservoir engineering problem in complex reservoirs that are poorly defined. Flow simulation models characterized by limited spatial data of a key heterogeneity do not always represent the reservoir dynamics for water movement. In this paper, an efficient and rapid workflow is presented to estimate the recovery performance of an existing vertical-well, pattern-based waterflood recovery design using knowledge management and reservoir engineering in a collaborative manner. The knowledge management tool is used to gather production data and calculate pattern-based recoveries and injection volumes by defining pattern boundaries and allocating annual well injection/production volumes in a systematic manner. Classical reservoir engineering forecasting methods, namely, a combination of oil cut versus cumulative recovery performance curves, and decline curve analyses are applied to forecast the performance of the waterflood pattern of interest. The methodology is first applied to a synthetic reservoir model, and then to data from a real field developed by an inverted 9-spot recovery design. Extrapolating established trends of oil cut vs. recovery for each pattern for both the synthetic and real cases quantified future performance assessments. Time can also be attached to the performance by introducing liquid rate constraints. Forecasts based on real data highlighted the optimistic nature of the dated full-field simulation history match and provided a more realistic forecast for business planning. Forecasting using both constant and declining liquid rates differentiated the impact of deteriorating reservoir pressure and oil-cut trends on individual pattern oil rate forecasts thus defining current efficiency of each pattern. The methodology as a result turned into a simple yet powerful forecasting workflow that can be used by any asset team. This study is a very good example of how knowledge management tools can be used to increase the capabilities of classical forecasting methods in reservoir engineering.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».