MétaCan
Menu
Retour à la cohorte
Enregistrement W2082818130 · doi:10.2118/138412-ms

Application of J-Functions to Prepare a Consistent Tight Gas Reservoir Simulation Model: Bossier Field

2010· article· en· W2082818130 sur OpenAlexaff
Allan Rojas

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensConocoPhillips (Canada)
Organismes subventionnairesnon disponible
Mots-clésGeologyReservoir simulationCapillary pressurePermeability (electromagnetism)Natural gas fieldInitializationRelative permeabilityReservoir modelingGeotechnical engineeringMechanicsPetroleum engineeringPorosityComputer sciencePorous mediumEngineeringNatural gas

Résumé

récupéré en direct d'OpenAlex

Abstract For a tight gas field with a pressure depletion drive mechanism like Bossier Field, it is critical to promptly develop an accurate reservoir simulation model that will help the reservoir engineer understand reservoir behavior, estimate well reserves and evaluate infill and acceleration opportunities. This paper describes a technique that calculates accurate fluid distributions honoring the physics of the rock such as capillary forces, rock texture, permeability and pore volume distributions. Saturations that make physical sense enable the reservoir simulation model to more accurately estimate reserve and production forecasts that yield a higher level of confidence in the economic evaluations and optimum well planning. The technique uses laboratory capillary pressure curves coupled with permeability-porosity measurements to generate J-Functions. A J-Function is an average data method proposed by Leverett for correlating capillary pressure data. (Leverett, 1941). The average correlation is based on the fact that geometrically similar rocks have capillary pressure with similar behaviors. The J-Function of geometrically similar rocks will overlay for samples that may differ in permeability by an order of magnitude. The Leverett J-Function is a powerful tool to average data from several samples and to look for outliers of different rock types. Once these J-Functions are identified, they are input into the reservoir simulation model for flow simulation and history matching. Using this technique the transition from model initialization to flow simulation proved very smooth. The historical production was easily matched increasing the confidence in the outlook. Some of the wells were not in boundary dominated flow; the initial forecasts were underestimated because some of the wells were not in boundary dominated. This technique indicated these reservoir volumes would be produced through existing wells. New infill and acceleration opportunities were developed. Down spacing was determined to be uneconomic.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,606
Score d'incertitude au seuil0,434

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,293
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReservoir Engineering and Simulation MethodsTravaux en français237 207