Practical Application of Data-Driven Modeling Approach during Waterflooding Operations in Heterogeneous Reservoirs
Notice bibliographique
Résumé
Abstract Quantitative assessment of different operating areas and uncertainty appraisal due to reservoir heterogeneities are crucial elements in optimization of production and development strategies in oil sands operations. Evaluation of waterflooding performance that involves detailed simulations is usually deterministic, cumbersome, expensive (manpower and time consuming), and not quite suitable for practical decision making and forecasting, particularly when dealing with a high-dimensional data space consisting of a large number of operational and geological parameters. Data-driven modeling techniques, which integrate a comprehensive data analysis and machine learning methods, provide an attractive alternative especially for extremely nonlinear system forecast. In this paper, an exploratory data analysis is applied to construct a comprehensive training data set from waterflooding field data, which entails various attributes describing characteristics associated with reservoir heterogeneities and other relevant operating parameters. Artificial neural network (ANN) is employed as a data-driven modeling alternative to predict waterflooding production in heterogeneous reservoirs, an important application that is lacking in the existing literature. ANN utilizes a training data set to identify all significant patterns and relationships that exist between the input and output attributes. The data-driven model is subsequently tested using a verification data set involving cases that have not been used at the training stage. This paper highlights the great potential of data-driven modeling techniques for practical applications and to be used as a viable tool for analyzing a large amount of competitor data efficiently. In addition, the proposed approach can be integrated directly into most existing reservoir management routines. Given that robust forecasting and optimization of heavy oil recovery processes is a major challenge faced by the industry, the proposed research also has great potential to be applied in other recovery projects such as steam assisted gravity drainage (SAGD) and solvent-additive steam injection.
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 | 0,001 | 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 ».