Application of the Multiwell Productivity Index-Based Method to Evaluate Interwell Connectivity
Notice bibliographique
Résumé
Abstract Numerous studies have concluded that connectivity is one of the most important factors controlling success of improved oil recovery processes. Interwell connectivity evaluation can help identify flow barriers and conduits and provide tools for reservoir management and production optimization. The multiwell productivity index (MPI)-based method provides the connectivity indices between well pairs based on injection/production data. By decoupling the effects of well locations, skin factors, injection rates, and the producers’ bottomhole pressures from the calculated connectivity, the heterogeneity matrix obtained by this method solely represents the heterogeneity and possible anisotropy of the formation. Previously, the MPI method was developed for bounded reservoirs with limited numbers of wells. In this paper, we extend the MPI method to deal with cases of large numbers of wells and open reservoirs. To handle open reservoirs, we applied some modifications to the MPI method by adding a virtual well to the system and by modifying the pore volume. We applied the modifications in two nonvolumetric systems where there was either a leaking zone or an isolated zone, and found the approaches using the virtual well could predict the reservoir performance accurately. In cases with large numbers of wells, the required computational time to calculate the heterogeneity matrix may make the problem intractable. Therefore, we applied a model reduction strategy based on the location of the wells, called windowing. This technique ignores the parameters that have smaller effects on reservoir performance. We applied windowing to two cases with large numbers of wells (16 and 41 wells). We observed that, by selecting the proper window size, we can predict the reservoir performance accurately (R2 values greater than 99%) and decrease the CPU time up to a factor of 20 for the studied cases. The approaches described enabled us to provide realistic interpretations of interwell connectivity for complex cases where the simple MPI method would be difficult to apply. Integration of these approaches with the MPI method can quickly and efficiently model field data to optimize well patterns and flood 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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».