Production Analysis of Tight Gas and Shale Gas Reservoirs Using the Dynamic-Slippage Concept
Notice bibliographique
Résumé
Abstract Shales and some tight gas reservoirs have complex, multi-model pore size distributions, including pore sizes in the nanopore range, causing gas to be transported via multiple flow mechanisms through the pore structure. In 1986, Ertekin et al. developed a method to account for dual mechanism (pressure- and concentration-driven) flow for tight formations that incorporated an apparent Klinkenberg gas-slippage factor that is not a constant, which is commonly assumed for tight gas reservoirs. In this work, we extend the dynamic-slippage concept to shale gas reservoirs, for which it is postulated that multi-mechanism flow can occur. Inspired by recent studies that have demonstrated the complex pore structure of shale gas reservoirs, which may include nanoporosity in kerogen, we first develop a numerical model that accounts for multi-mechanism flow in the inorganic and organic matter framework using the dynamic-slippage concept. In this formulation, unsteady-state desorption of gas from the kerogen is accounted for. We then generate a series of production forecasts using the numerical model to demonstrate the consequences of not rigorously accounting for multi-mechanistic flow in tight formations. Finally, we modify modern rate-transient methods by altering pseudovariables to include dynamic-slippage and desorption effects and demonstrate the utility of this approach with simulated and field cases. The primary contribution of this work is therefore the demonstration of the use of modern rate transient methods for reservoirs exhibiting multi-mechanistic (non-Darcy) flow. The approach is considered to be useful for analysis of production data from shale gas and tight gas formations as it captures the physics of flow in such formations realistically.
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) | 0,000 | 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 ».