A Review of Permeability-Prediction Methods for Carbonate Reservoirs Using Well-Log Data
Notice bibliographique
Résumé
Summary The prediction of permeability in heterogeneous carbonates from well-log data represents a difficult and complex problem. Generally, a simple correlation between permeability and porosity cannot be developed, and other well-log parameters need to be embedded into the correlation. The first part of this paper covers an extensive review of the existing correlations in the literature. The use of porosity and other petrophysical properties of rock in permeability prediction is discussed for carbonaceous rocks. This discussion also covers the usefulness of a wide variety of correlations developed using pore-scale (Kozeny-Carman, percolation, and fractal models) to field-scale models (well logs). In the second part of the paper, a case study is presented. The data are obtained from a complex carbonate field in Oman. Conventional and nonconventional (mainly nuclear magnetic resonance, or NMR) well-log data are evaluated to seek the parameters reflecting a good correlation with permeability. After testing each independent variable against core permeability, the variables yielding the highest correlation coefficient (CC) are included in multiple regression analysis. Data collected from seven wells are used to obtain the permeability correlations for the whole field and for four geological units separately. The test of the correlations is achieved through the comparison of the estimated permeability values to core permeability. Finally, the correlations are compared with the core permeability of the eighth well (data from this well are not included in the development of the correlation) for validation. The correlations are obtained for the four geological units. Two of these units responded well to conventional well-log data; the other two units yielded reasonable correlations only with NMR log data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».