Generating 3D Permeability Map of Fracture Networks Using Well, Outcrop, and Pressure-Transient Data
Notice bibliographique
Résumé
Summary Well-log and core information, seismic surveys, outcrop studies, and pressure-transient tests are usually insufficient to generate representative 3D fracture-network maps individually. Any combination of these sources of data could potentially be used for accurate preparation of static models. Our previous attempts showed that there exists a strong correlation between the statistical and fractal parameters of 2D fracture networks and their permeability (Jafari and Babadagli 2009). We extend this work to fracture-network permeability estimation using the statistical and fractal properties data conditioned to well-test information. For this purpose, 3D fracture models of 19 natural-fracture patterns with all known fracture-network parameters were generated initially. It is assumed that 2D fracture traces on the top of these models and 1D data from imaginary wells that penetrated the whole thickness of the cubic models were available, as well as pressure-transient tests of different kinds. The 1D and 2D data include statistical parameters and fractal characteristics of different features of the fracture system. Next, the permeability of each 3D fracture-network model was measured and then converted to a grid-based permeability map for drawdown well-test simulations using commercial software packages. Finally, an extensive multivariable-regression analysis (MRA) using the statistical and fractal properties and well-test permeability as independent variables was performed to obtain a correlation for equivalent fracture-network permeability. The equations were derived using different natural-fracture-network patterns. The cases requiring well (logs and cores) and reservoir (pressure-transient tests) data were identified. It was found that an equation honoring all types of data [i.e., outcrop (2D), wellbore data (1D), and welltest analysis (3D)] can accurately predict the actual permeability of the fracture system. For certain fracture-network types, reliable correlations can be obtained without 2D data, which are relatively difficult to obtain. These types of patterns were identified.
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 | 0,002 | 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 ».