MétaCan
Menu
Retour à la cohorte
Enregistrement W2092328525 · doi:10.2118/2004-108

Reservoir Quality Evaluation for Stimulation Design in Low Permeability Gas Development

2004· article· en· W2092328525 sur OpenAlexaboutno aff
J Shaw, M. M. Reynolds

Notice bibliographique

RevueCanadian International Petroleum Conference · 2004
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPermeability (electromagnetism)Petroleum engineeringStimulationQuality (philosophy)Computer scienceGeologyChemistryNeurosciencePhysics

Résumé

récupéré en direct d'OpenAlex

Abstract The exploration of Western Canadian and US Rocky Mountain deep, low permeability gas has seen a recent surge as a result of robust gas prices and supply issues. Most of these tight gas formations require stimulation to produce at commercial rates. However, the unique tight gas reservoir characteristics often result in completion and stimulation practices that are either unsuccessful or unrepeatable. One of the most challenging tasks is to estimate reservoir quality prior to stimulation design, and since most of these wells do not have core, operators often rely solely on well logs to select the pay intervals and to estimate permeability. We have developed a comprehensive reservoir quality evaluation methodology that integrates detailed petrographic and petrophysical core and cutting analyses to greatly improve our understanding of the reservoir rock characteristics, and has resulted in dramatic increases in well stimulation success. The knowledge has been used to:improve the completion design by selecting the appropriate perforation intervals;optimize hydraulic fracturing or acid stimulation design;select proper completion and stimulation fluids to minimize formation damage; andassist in benchmarking well performance in adjacent producing areas. Integrated geologic and engineering approach is also important in developing unconventional tight gas reserves. In one field example the wells exhibit similar log characteristics; however, the productivity was proven to be vastly different due to various degrees of pyrobitumen occlusion that was discernible from thin section analysis of cuttings. In another example, phase trapping of fracturing fluid near the fracture face was prevented by realizing the presence of micro-fractures in the low permeability rock. Judicious selection of frac fluids is paramount in situations where micro-porosity and microfractures are abundant and the rock is undersaturated. The understanding of pore geometry provides estimation to formation permeability, which is essential to optimize hydraulic fracture size, fluid rheology, proppant concentration and size, and pump rate, to ensure maximum economic return on what are typically expensive completions. Introduction The Rocky Mountain region in US contains large accumulations of gas in non-marine unconventional (lowpermeability) reservoir rocks of Tertiary and Cretaceous age. Most of the gas occurs in the pores of fine-grained sandstone and siltstone. In the Canadian foothills, gas is being produced from low permeability formations in the deep basin of NW Alberta and NE British Columbia (1). Although the estimated gas resources in these rocks is very large, individual sandstone gas pools have limited lateral and vertical extent. Variation in the geometry of these reservoir rocks is due to relatively impermeable shale and carbonate beds inter-bedded with the sandstones, abundant cross-cutting channel-formed sandstones, and a complex diagenesis. Most of these tight gas formations require stimulation to produce at commercial rates. Due to the costs of coring deep, multiple pay zones, operators often choose to rely solely on well logs to select pay intervals and to estimate key reservoir properties. However, frequently the highly variable nature of these formations is not reflected by conventional well logs and errors are made.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,051
Tête enseignante GPT0,296
Écart entre enseignants0,245 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian International Petroleum ConferenceMême sujetHydraulic Fracturing and Reservoir AnalysisTravaux en français237 207