Computational Methodology to Study Heterogeneities in Petroleum Reservoirs
Notice bibliographique
Résumé
Abstract Characterization of hydrocarbon reservoirs is strategically important to define the productivity of oil and/or gas fields. It involves many challenges such as appropriate identification, classification and interpretation of diagenetic processes that directly affect the quality of the reservoirs. Proper studies demand integration and analysis of very large amounts of data, usually presenting high-dimensional feature spaces. Current methods have many manual steps leading to a limited exploration of the data. These challenges are being intensified due to the need of knowledge and time dedication from experts. We developed a novel methodology that combines established techniques, such as Principle Component Analysis (PCA), clustering methods, parallel coordinates and scatter plots, with features such as dynamic (magic) lenses – filter and shadow lenses –, axes reordering and color maps, to automatically perform reservoir characterization in order to assist the identification, validation and interpretation of petrofacies. Petrofacies is a set of petrographic characteristics of microscopic order which allow the analyst to understand the diagenetic processes, aiding in the evaluation of the potential for hydrocarbon storage in the reservoir. We have applied our methodology on several databases from different sedimentary basins – Espirito Santo and Parana basins (Brazil), Talara Basin (Peru) and Niger Delta Basin (Nigeria). We conclude that our method allows the analyst to gain insights about the entire database in a manner that is faster than the analysis using a manual method. It also allows validation of the results because it is a powerful tool that can qualitatively and quantitatively support the analyst in the identification, interpretation and validation of petrofacies. This new methodology can optimize data analysis of similar databases, accelerating the analysis and reducing the committed work by the experts.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».