SGS Versus Collocated Cokriging Petrophysical Modeling: A Comparative Study in a Heterogeneous Gas Condensate Carbonate Reservoir
Notice bibliographique
Résumé
Abstract Building an accurate static model for entire field was the primary objective in the reservoir characterization and simulation. The goal was to develop a model with sufficient detail to represent reservoir discontinuity and petrophysical properties in field scale. There are different geostatistical methods for petrophysical modeling. Sequential Gaussian simulation (SGS) is a kriging based algorithm which simulates nodes after each other sequentially, subsequently using simulated values as a conditioning data. It is necessary to use standard Gaussian values in SGS method. Collocated Cokriging (C.C) is a reduced form of Cokriging, which requires knowledge of only the hard data covariance model, the correlation coefficient between the hard and soft (auxiliary) data, and the variances of the two attributes. In this study, porosity and permeability of a heterogeneous gas condensate carbonate reservoir are modeled first by SGS method. Than seismic attributes with high distribution density but low resolution are used as an auxiliary variable for porosity modeling from well logs data (limited distribution but high resolution).Determining which seismic attributes are meaningful to assist in the modeling and estimation process requires statistical analysis. In second step the modeled porosity by C.C is used as an auxiliary variable for permeability modeling. So in this method, seismic attributes have an indirect role in permeability modeling as well. A common practice usually involves the use of a cross validation scheme, where each well is removed sequentially, and its property is predicted using information from the remaining wells.
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 ».