Field Application of an Interpretation Method of Downhole Temperature and Pressure Data for Detecting Water Entry in Inclined Gas Wells
Notice bibliographique
Résumé
Abstract Accurate and reliable downhole data acquisition has been made possible by advanced permanent monitoring systems such as downhole pressure and temperature gauges and fiber optic sensors. These downhole measurement instruments are increasingly incorporated as part of the intelligent completion in complex (highly slanted, horizontal, and multilateral) wells where they provide bottomhole temperature, pressure and sometimes volumetric flow rate along the wellbore. To fully realize the value of these intelligent completions, there is a need for a systematic data analysis process to improve our understanding of reservoir and production conditions using the acquired data and to make decisions for well performance optimization. We have successfully developed a model to predict well flowing pressure and temperature (i.e. the forward model), and applied inversion method to detect water and gas entry into wellbore using the synthetic data generated by the forward model (i.e. the inversion model) in the previous study. It is concluded that temperature profiles could provide sufficient information to identify fluid entries, especially in gas wells. However, both the mathematical complexity and advanced well structure lead to challenges in model validation and application. In this study, we applied the wellbore-reservoir flow coupled thermal simulation model to high-rate gas wells with field data. The main objectives are to evaluate applicability of the model to field problems, to study the sensitivity of parameters such as permeability and reservoir pressure on accuracy of interpretation, and to generate practical guidelines on how to initialize the inversion process. The model is applied to highly-slanted gas wells with water produced from a bottom aquifer. The interpretation result was compared against production logging data. The sensitivity of interpretation error to input reservoir properties are examined and the results showed that temperature and pressure anomalies caused by water production and flow rate changes can be detected theoretically and also practically. Judgments should be used based on the understanding of temperature and pressure behavior when initializing the forward model and this can increase efficiency of model application. The study results and guidelines developed in this study will help us to design permanent monitoring systems and set realistic expectation for predictive capability of intelligent well systems.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».