MétaCan
Menu
Retour à la cohorte
Enregistrement W1993799937 · doi:10.2118/77671-ms

A Case Study: Using Modern Reservoir Characterization to Optimize Future Development of a Mature Asset

2002· article· en· W1993799937 sur OpenAlexaff
John D. Campanella, Mark D. Sonnenfeld, Laura C. Zahm, James R. Gilman, L. M. Conrad, Craig Siemens, Brian A. Zaitlin

Notice bibliographique

RevueSPE Annual Technical Conference and Exhibition · 2002
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceReservoir modelingAsset (computer security)Quality (philosophy)Process (computing)Field (mathematics)Data qualityFrame (networking)Systems engineeringSoftwareRisk analysis (engineering)Reservoir engineeringIndustrial engineeringData scienceEngineeringPetroleum engineeringOperations managementGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Enhancements in software, hardware, expertise, data collection and interpretation have continued to improve the industry's ability to build detailed 3D geologic and dynamic flow models of the subsurface. These models in turn have improved our ability to make optimum reservoir engineering decisions for reservoir development. While such characterization has proved its worth for large assets over and over again, there continues to be much skepticism about the ability to use this process for mature or marginal assets. This paper describes a field example showing how a truly integrated approach can shorten the time frame and reduce the cost of the characterization process. This ensures that all the available data is being used in an efficient manner to optimize future recovery. Application of modern 3D reservoir characterization on mature fields is very problematic because of data quality issues, such as poor log quality, missing production data or lost cores. However, this lower quality data often provides bounds that are important in understanding the field performance and therefore should not be discarded. These data quality issues are addressed in this paper. Additionally this paper shows how a truly integrated approach shortens the time frame for development of detailed 3D geologic and dynamic models. For example early conceptual flow modeling and engineering analysis provides valuable input for constraining the static geologic model. Modern software tools and analysis techniques are greatly improving the ability to combine many scales of data. This provides a better understanding of the reservoirs and improved decision-making. The value of these tools is often a direct result of efficient analysis and visualization of the data and interpretations. These powerful capabilities should not be limited to large assets, as they can be cost effectively applied to mature properties also.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,439
Score d'incertitude au seuil0,591

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,298
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE Annual Technical Conference and ExhibitionMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207