A Case Study: Using Modern Reservoir Characterization to Optimize Future Development of a Mature Asset
Notice bibliographique
Résumé
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 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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».