3D Generalised Inversion (AVO, AI) as Direct Input to the Reservoir Model. Deepwater Exploration Offshore North West Borneo, Malaysia – A Case Study.
Notice bibliographique
Résumé
Abstract The need to rapidly produce a notional field development plan, to reduce costs and cycle-time has driven a fast-track reservoir characterization and reservoir model-building project for one of many fields offshore North West Borneo, Malaysia. The objectives of the study have been defined based on the deliverables stated by the reservoir engineers. Considering the list of data and limited time available, an efficient generalised inversion workflow was designed to process a large volume of deepwater 3D seismic data with a single exploration well to: Locate and map all sands (3D geobody identification) versus non-reservoir rocks.Sub-divide reservoir sands into 4 lithofacies (well log neural net based calibration).Propagate 4 lithofacies to entire reservoir volume (within two fluid types).Integrate the fault framework with the sand and fluid distribution to build a first pass reservoir model.Include multiple realizations to manage uncertainty.Check sand connectivity and compute volumes of reserves in place. An innovative combination of 3D geostatistical and neural network techniques was used both for the well log data and for 3D seismic attributes (AVO, Acoustic impedance and dipazimuth combinations) to map the spatial distribution of the sand and their lithofacies. The results of the calibrated and quantitative generalised inversion were used in four different modes to assess the best way to build a first pass reservoir model and compute independent reserves within a short time-frame. This case study illustrates how a purposefully designed 3D/3D reservoir characterisation workflow can reduce the time required to build a first pass static reservoir model and how a similar process can be applied to other complex deepwater hydrocarbon accumulations. It focuses specifically on the different ways a static reservoir model can be built from 3D seismically derived volumes (3D/3D, Hybrid and grid-based).
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) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».