Reservoir Engineering for Unconventional Gas Reservoirs: What Do We Have to Consider?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The reservoir engineer involved in the development of unconventional gas reservoirs (UGRs) is required to integrate a vast amount of data from disparate sources, and to be familiar with the data collection and assessment. There has been a rapid evolution of technology used to characterize UGR reservoir and hydraulic fracture properties, and there currently are few standardized procedures to be used as guidance. Therefore, more than ever, the reservoir engineer is required to question data sources and have an intimate knowledge of evaluation procedures. We propose a workflow for the optimization of UGR field development to guide discussion of the reservoir engineer's role in the process. Critical issues related to reservoir sample and log analysis, rate-transient and production data analysis, hydraulic and reservoir modeling and economic analysis are raised. Further, we have provided illustrations of each step of the workflow using tight gas examples. Our intent is to provide some guidance for best practices. In addition to reviewing existing methods for reservoir characterization, we introduce new methods for measuring pore size distribution (small-angle neutron scattering), evaluating core-scale heterogeneity, log-core calibration, evaluating core/log data trends to assist with scale-up of core data, and modeling flow-back of reservoir fluids immediately after well stimulation. Our focus in this manuscript is on tight and shale gas reservoirs; reservoir characterization methods for coalbed methane reservoirs have recently been discussed.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle