Geomodeling of Giant Carbonate Oilfields with a New Multipoint Statistics Workflow
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Geomodeling is the integrating activity when developing a reservoir description. The static and dynamic models derived during geomodeling are vital in improving recovery, understanding the various uncertainties associated with it, and, ultimately, maximizing the profitability of any oilfield. A case study of a giant heterogeneous carbonate brownfield is presented, in which the conceptual geological model built from detailed core analysis is used to drive the facies population during the geomodeling stage. Reservoir heterogeneity mapping is captured at different scales, from rock-types identified on core and advanced log analysis to joint stochastic inversion of reservoir properties derived from seismic prestack data. A novel geomodeling workflow is presented to merge and optimize this set of multiscale data within a geological conceptual model using several geostatistical facies modeling schemes. Two of these are based on new technologies, namely truncated Gaussian simulation with 3D trend and multipoint geostatistics, which was developed to model complex geometries. The multipoint technique allows for more flexible integration of soft and hard data compared to traditional pixel- or object-based modeling approach. The paper compares the two approaches and shows their respective advantages. It is the first time that the two new algorithms have been implemented in a giant carbonate oilfield. The outcome of the study shows that the new multipoint geostatistics facies simulation implementation performed a smooth integration of all available data. This included log data from several hundreds of wells, high-resolution seismic properties, and the conceptual geological model.
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.
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) | 0,002 | 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 découle