Intensive Use of 4D Seismic in Reservoir Monitoring, Modelling and Management: The Dalia Case Study
Notice bibliographique
Résumé
Introduction Born nearly thirty years ago, time lapse (4D) seismic monitoring technology has been developed in some cases to monitor fluid movement and to distinguish between drained and un-drained portions of a reservoir. It allows quantitatively improving reservoir models, particularly their predictive capability. Indeed, the benefits of time-lapse seismic for reservoir characterization depend on the quality of 4D acquisition and processing, but they also greatly depend on the particular 4D inversion and interpretation methods used. Finally, a decisive aspect is certainly the capability of integrating results from different disciplines in an effective way. Timing is also crucial: results delivered in a few months can have a direct operational impact such as field monitoring or well location and design optimization. For the last ten years, Total has recognized the importance of time lapse seismic and has therefore conducted 4D seismic monitoring in different geological environments. Examples of 4D experiences range from monitoring of water injection and production for complex reservoir management and field development in the Gulf of Guinea (Angola and Nigeria); monitoring of geomechanical effects in HPHT fields (Elgin-Franklin, UK), in compacting reservoirs in Norway (Ekofisk and Valhall) and in the Gulf of Mexico (Matterhorn, US); monitoring of steam chamber in tar sands (Surmont, Canada) and monitoring of compaction and water rise in carbonates (South-East Asia). This paper focuses on the intense use of 4D seismic on the DALIA Field (Angola, Block 17).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».