Thickness, porosity, and permeability prediction: comparative studies and application of the geostatistical modeling in an Oil field
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
In this study, we applied the geostatistical modeling to analyze an oil field. The reservoir properties, thickness, porosity and permeability, were studied. Data analysis tools, such as histogram, scatter plot, variogram and cross variogram modeling, were employed to capture the interpretable spatial structure and provide the desired input parameters for further estimation. SK (simple kriging), OK (ordinary kriging), Sgism (Sequential Gaussian Simulation), SC (simple cokriging), OC (ordinary cokriging) and MM2 (Markov model 2) methods were applied to estimate reservoir properties. Estimation difference maps were generated to compare the results of each method, providing more straightforward realizations in a visual way. For thickness, results indicated that anisotropic variogram could provide better interpretations for the spatial relationships than isotropic variogram. Both SK and OK could provide better estimates. In comparison to the conventional estimation techniques, the simulation method could well reflect the reservoir’s intrinsical characteristics in terms of the associated extreme values. OOIP (Original Oil In Place) was calculated later with the parameters attained before, including thickness and porosity. Estimation difference maps showed that there was no obvious difference in SK vs. OK and SC vs. OC for the study of permeability. However, OC was slightly different from OK, and there were significant discrepancies between the estimates of OC and MM2 at the unsampled locations. In addition, OC estimates were closest to the sample data of permeability with the minimum variance. Geostatistical modeling is an effective way for thickness, porosity, and permeability prediction.
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 | 0,001 | 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 | 0,001 |
| 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