Estimating Fracture Permeability and Shape Factor by Use of Image Log Data in Welltest Analysis
Notice bibliographique
Résumé
Abstract The identification of fractures is essential during exploration, drilling and well completion of naturally fractured reservoirs since they have a significant impact on flow contribution. There are different methods to characterize these systems based on formation properties and fluid flow behaviour such as logging and testing. Pressure-transient testing has long been recognized as a reservoir characterization tool. Although welltest analysis is a recommended technique for fracture evaluation, but its use is still not well understood. Analysis of pressure transient data provides dynamic reservoir properties such as average permeability, fracture storativity and fracture conductivity. An infusion of geological knowledge helps reducing uncertainty associated with any well-test interpretation. The static properties of naturally fractured reservoirs such as fracture distribution, fracture aperture, matrix block size and fracture porosity can be obtained from processing of Image Log data. Simulation of naturally fractured reservoirs needs defining fracture permeability, shape factor and fracture porosity in the fracture model. However, in most simulation studies, due to high uncertainties in estimating fracture permeability and shape factor values, these parameters are initially assumed in the model and they are usually tuned during history matching which can be time consuming and also affect other history match parameters. Reservoir simulation results and predictions might be inaccurate if the values of fracture properties in the model are not reliable. This paper shows using image log data associated with welltest analysis in order to determine dynamic fracture parameters such as fracture permeability and shape factor for reservoir simulation. In this study, sensitivity analysis has also been performed on fracture permeability, fracture porosity and matrix block size in real simulation models in order to show importance of accurate determination of fracture parameters.
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 ».