An Evaluation of the Application of Low Field NMR in the Characterization of Carbonate Reservoirs
Notice bibliographique
Résumé
Abstract Conventional reservoir analysis has always been an extensive process. In order to properly characterize a reservoir, cores and/or logs have to be obtained. Both core and log analysis is expensive and time consuming. NMR is an attractive alternative to these tools due to the fact that in theory, only one measurement is required. However, the conventional methods of interpreting NMR data only seem to work for simple sandstones. A new method of interpreting NMR data is required for complex porous structure such as carbonates. It was found that NMR can predict porosity that is similar to the values obtained by gas expansion. By using the NMR data at fully saturated and irreducible water saturation (Swi), a T2cutoff value was obtained for each sample that separates the bound and movable fluid signals. It was found that T2cutoff for carbonates is not 100 ms as is widely believed by many people who have analyze NMR in carbonates. A correlation for T2cutoff was found as a function of the size of the last peak and its geometric mean. A correlation was also found for Swi, which was a function of the size of the first and last peak. The Free Fluid and the mean T2 permeability models were evaluated. It was seen that the predictions from these models were not adequate. Another permeability model was developed, which is expressed in terms of the size of the first and last peak of the NMR spectrum obtained from the fully saturated sample. It was found that the correlation did a better job of predicting the permeability values. The new model has its own limitations, a method is currently being investigated to overcome these limitations. Despite these limitations, however, the new NMR permeability model provides better estimates of carbonate permeability than any other established methods.
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 | 0,000 |
| 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 ».