Simulation Based Dimensionless Type Curves for Predicting Waterflood Recovery
Notice bibliographique
Résumé
Abstract Predicting waterflood recovery with simulation based dimensionless performance curves has advantages over the more traditional approaches in certain applications. This paper discusses the advantages of the type curve approach, how the curves are created, and how they can be applied to predict pattern and full-field performance. This technique is suitable for screening/ranking projects, and is particularly helpful when sensitivity and uncertainty analyses are necessary to improve reservoir management decisions. The dimensionless type curve methodology can be applied to many types of fields. A case study of a large, waterflooded field is presented to show how the curves are created and how they can be applied. In this field, a study of the geology and stratigraphy indicated that reservoir continuity, permeability variance, and effects of faulting were the most important drivers of recovery efficiency. Simulations were performed on 45 datasets to describe waterflood performance over the range of variation. A spreadsheet program was created to predict recovery of any description, based on interpolations of the simulation results. The dimensionless curves can be used to compare actual well performance to predicted performance, to predict full-field performance by summing well curves, and/or as the basis of an integrated evaluation tool. Using correlations to predict recoveries allows for ease of sensitivity analyses, and ease of application by casual users in an organization. This paper should benefit anyone who struggles with the task of applying simulation-based knowledge to everyday decisions when optimizing waterflood recovery.
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 ».