Improving Reservoir Characterization and Simulation With Near-Wellbore Modeling
Notice bibliographique
Résumé
Summary New reservoir characterization methods are needed to integrate multiscale exploration and development data, particularly at the interface between well and field models. In this paper, we illustrate a novel workflow involving high-resolution near-wellbore modeling (NWM), which allows us to accurately include seismic, wireline data, image logs, and well core logs from highly heterogeneous reservoirs in field-scale reservoir simulations. We demonstrate that an NWM-enhanced geoengineering workflow has the potential to improve reservoir characterization by applying it to a realistic clastic reservoir with high variance at small scale. We have performed a number of sensitivities comparing conventional local grid refinement (LGR) in the near-wellbore region with that involving NWM, and we obtained a significant increase in the accuracy of reservoir characterization and the calibration of dynamic models. Centimeter-scale models, containing several million cells, representing the fine geological details of the near-wellbore region, were constructed with available data from core and openhole well-log suits. The resulting well models were upscaled into regular grids with the highest resolution possible through the NWM software and incorporated into a field-scale simulation model to evaluate the dynamic behavior of the reservoir with a static-model transient test. Our results show that the use of NWM tools for reservoir modeling yields more precise flow calculations and improves our fundamental understanding of the interactions between the reservoir and the wellbore.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».