Three-Dimensional Inversion of Borehole Gravity Measurements for Reservoir Fluid Monitoring
Notice bibliographique
Résumé
Abstract The fluids in the reservoir are redistributed in response to pressure gradients caused by hydrocarbon production, which is often coupled with injection of water or gas. It is known from density logging that the density of pore fluids is an important physical property useful in inferring oil, water, or gas saturation in a rock. Thanks to the density difference of the different phases, the borehole gravity measurement is a candidate for tracking the movement of fluids hundreds of feet away from wellbores. Such data are measured in time lapse to provide the three-dimensional distribution of density changes in time through an inversion procedure. Because gravity is a potential field, the inversion of borehole gravity data is inherently non-unique. The decrease of the sensitivity to the recorded data away from the measurement location is also a challenge for the inversion problem. The approach implemented in this work uses an iterative algorithm that minimizes a global objective function. The objective function includes the data misfit functional and a three-dimensional regularization that is needed to constrain the inversion to reasonable solutions. A weighting function based on the distance between each gravity source and the recording instrument is introduced to help mitigate the geometric decay of gravity kernels with distance from the sensor. Synthetic inversions are presented that indicate borehole gravity can be instrumental in detecting and monitoring a large water front. This study also points out the optimal conditions for using borehole gravity for fluid front monitoring, in terms of number of wells, relative well positions to the target, vertical sampling, and measurement accuracy.
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 ».