Intensive Use of 4D Seismic in Reservoir Monitoring, Modelling and Management: The Dalia Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle