Performance Prediction of Waterflooding in Western Canadian Heavy Oil Reservoirs Using Artificial Neural Network
Notice bibliographique
Résumé
This study presents a successful application of multivariate partial least-squares (PLS), response surface methodology (RSM), and artificial neural network (ANN) to develop a new diagnostic tool for performance prediction of waterflooding in heavy oil reservoirs. The data used in this study consist of 120 operational and reservoir parameters for 177 waterfloods in heavy and medium oil reservoirs in western Canada (i.e., Alberta and Saskatchewan). This study also used 15 numerically devised indices for performance evaluation of water injection, based on collected injection and production histories of studied waterfloods. To reduce the number and complexity of input parameters of ANN models, a comprehensive PLS analysis was conducted. In addition to parameter selection, the PLS model provided a more in-depth understanding of differences between heavy and medium oil waterfloods. Next, RSM was used to improve the quality of the database for a selected combination of 38 reservoir and operational parameters by predicting some of the missing data. Finally, ANN models were developed using the feed-forward backpropagation algorithm with momentum for error minimization. The developed models show the superior ability of the ANN for creation of an efficient reservoir engineering tool for fast performance prediction of waterfloods using easily obtainable operational and reservoir parameters. The developed models in this study can be incorporated into reservoir engineering, risk assessment, and production optimization software programs to improve the quality of predictions based on more than 50 years of waterflooding experience in western Canada.
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 | 0,000 | 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 ».