Notice bibliographique
Résumé
ABSTRACT Calibrating the 4D signal at the well with information obtained from production data is essential for it to be used quantitatively. We have developed a model-based inversion method to estimate the changes of elastic parameters in the reservoir due to production at the well. Our scheme is based on the observation that flow behavior is constrained by the dynamic properties of the layer (i.e., permeability), and, therefore, a layered model should be used to parameterize the inversion. The inversion scheme considers traveltime (inside and below the reservoir, but not in the overburden) and impedance effects implied by the change of elastic parameters (inside the reservoir). Therefore, even at zero offset, we can separate changes in density from changes in P-velocity. When using multiple offset data, we can use an exact formulation for the reflectivity if the base logs (density, P-velocity, and S-velocity) are available, otherwise, an approximation to the exact form can be used. Theoretical and practical analyses have shown that P-velocity is the best resolved parameter followed by density and, finally, S-velocity. Compared to classical data-driven inversion, our procedure introduces fewer artifacts and is less sensitive to tuning because the layered model parameterization introduces the missing low and high frequencies (although the seismic bandwidth plays an essential role in the resolution). This 4D inversion at the well is part of a larger scheme that uses the results obtained by this scheme to extend the inversion to the whole data set.
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) | 0,001 | 0,003 |
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 ».