ROCK TYPE DETERMINATION OF A CARBONATE RESERVOIR USING VARIOUS APPROACHES: A CASE STUDY
Notice bibliographique
Résumé
Reservoir rock type determination is one of the main parameters for simulation and prediction of the hydrocarbon reservoir behavior. Hence it is of great importance to use a method that is capable of determining the rock type accurately. In this study, some of the most useful methods, such as capillary pressure, Leverett dimensionless J-function, Winland R35 method, flow zone indicator (FZI), and discrete rock type (DRT), were applied to samples from a carbonate reservoir to determine the various reservoir rock types. The sample set consisted of 265 routine core data and 18 data sets of capillary pressure versus initial water saturation; all were analyzed using the aforementioned determination methods. Results of this study showed that both capillary pressure and Winland R35 were not accurate enough to determine rock types for this carbonate reservoir, mainly because of the high heterogeneity in the reservoir rock properties. For the same reason, the Leverett J-function method was found to be problematic in normalizing all the capillary data into one unique curve. However, FZI and DRT methods successfully classified all data into four discrete rock types, while satisfying the relationships between permeability and porosity for each of them. The calculated permeability data for each rock type classified by FZI and DRT methods were in good agreement with core permeability data.
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 | 0,001 | 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 ».