Analysis of Deformation Measurements for Reservoir Managemen
Notice bibliographique
Résumé
If reservoir deformation measurements can be analyzed to give consistent and coherent information on the volume changes and shear distortions taking place in the reservoir, data may be used for reservoir management and optimization of production and injection operations. Deformations may be measured at surface or at depth using a variety of technologies with different costs, ease of data collection, precision, areal coverage, and so on. The two most common techniques are the precision laser level survey, and the installation of geophysical tilt meters. Design of a suitable monitoring network for specific cases requires forward modeling using solutions that vary from spatial numerical integration of simple Green's functions to a full nonhomogeneous three-dimensional finite element model. Rigorous deformation analysis falls into two categories: direct inversion and optimization of a forward model through error minimization. Three approaches are discussed: a direct inversion based on a nucleus-of-strain formulation, a multiparameter optimization of a single source function for hydraulic fracture analysis, and a displacement discontinuity forward optimization technique using a limitedpopulation of elements. Interpretation cannot be done in isolation: other data sources, including the project history, must be integrated to maximize the utility of the deformation analyses. As a final step, the data are used to help refine mathematical stress-flow reservoir models, which in turn become better predictors of deformation as well as oil production.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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 ».