Production Data Analysis of Liquid Rich Shale Gas Condensate Reservoirs
Notice bibliographique
Résumé
Abstract With the current focus on liquids-rich shale plays (LRS) in North America and the importance of gas condensate reservoirs globally, there is an increased need to develop reservoir engineering methods to analyze such reservoirs. Commercialization of LRS plays is now possible due to new technology, such as multi-fractured horizontal wells (MFHW). Efficient production from such reservoirs necessitates understanding of flow mechanisms, reservoir properties and the controlling rock and fluid parameters. Production-decline analysis is a robust technique for analysis of production data and obtaining estimates of recoverable reserves. Nevertheless, these techniques, developed for conventional reservoirs, are not appropriate for ultra-low permeability reservoirs. There are substantial differences in reservoir performance characteristics between conventional and ultra-low permeability reservoirs. LRS reservoirs produce much leaner wellstreams compared to conventional reservoirs due to very low permeabilities that result in very large drawdowns. Methods for analysis of two-phase flow in conventional reservoirs, with underlying simplifying assumptions, are no longer applicable. This paper discusses production data analysis of constant flowing bottomhole pressure (FBHP) wells producing from LRS (gas condensate) reservoirs. A theoretical basis is developed for a gas condensate reservoir during the transient linear flow (drawdown) period. The governing flow equation is linearized using appropriately defined two-phase pseudopressure and pseudotime functions so that solutions valid for liquids can be applied. The derived backward model is employed to compute the linear flow parameter, xf√k. Simulation results show that the liquid yield will be approximately constant for LRS wells during the transient linear flow, from the early days of initial testing, if flowing BHP is almost constant. An analytical formulation is used to prove this finding for 1D transient linear flow of LRS wells. The proposed production data analysis (PDA) method is illustrated using simulated production data for different fluid models and relative permeability curves. Fine-grid compositional and black oil numerical models are used to this purpose.
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 | 0,001 |
| 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) | 0,002 | 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 ».