Data-Driven Modeling Approach for Recovery Performance Prediction in SAGD Operations
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 Quantitative ranking of different operating areas and assessment of uncertainty due to reservoir heterogeneities are crucial elements in optimization of production and development strategies in oil sands operations. Although detailed compositional simulators are available for recovery performance evaluation for SAGD, the simulation process is usually deterministic, cumbersome, expensive (manpower and time consuming), and not quite suitable for real-time decision making and forecasting. In this paper, Artificial Neural Network (ANN) is employed as a data-driven modeling alternative to predict SAGD recovery performance in heterogeneous reservoirs, an important application that is lacking in existing literature. In this study, numerical flow simulations are performed to construct a training data set consists of various attributes describing characteristics associated with reservoir heterogeneities and relevant production/injection parameters with the corresponding recovery factor as output. The network is trained using the data set to identify all significant patterns and relationships that exist between these attributes and the output parameters. The model is then tested using a verification data set (cases that have not been used at the training stage). Sensitivity studies on network configurations are also investigated. In addition, new modifications are proposed to identify and reduce extrapolations in predictions, which are often considered as major drawbacks in most data-driven modeling approaches. The approach described in this paper can be integrated directly into most existing reservoir management routines. In addition, the technique can be used as a viable tool for analyzing large amount of competitor data efficiently. Given that robust forecasting and optimization of heavy oil recovery processes is a major challenge faced by the industry, the proposed research has great potential to be applied in other recovery projects such as solvent-additive steam injection.
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 | 0,000 |
| 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 découle