Improved Identification of Pay Zones through Integration of Geochemical and Log Data: A Case Study from Upper Assam Basin, India
Notice bibliographique
Résumé
Abstract The upper Paleocene-lower Eocene clastic reservoirs constitute one of the most important hydrocarbon-producing horizons in the Upper Assam basin of northeast India. These reservoirs are characterized by the presence of (1) normal gravity oil (23-31° API), (2) low to intermediate gravity oil (13-23° API), and (3) gas and light oil/condensate (> 31° API). The sandstone reservoirs show complex wire-line log signatures, which are commonly misleading. The main impediments to understanding the nature of reservoir fluid include (1) distinguishing low gravity, intermediate gravity, and normal gravity oil-bearing zones and (2) resolving the problem of density (RHOB)-neutron porosity (NPHI) crossover for gas-bearing, as well as oil-bearing, reservoirs. Geochemical analyses of sidewall core extracts by thin layer chromatography with flame ionization detection (TLC-FID) and gas chromatography (GC) provide valuable, cost-effective input for reservoir fluid characterization. The important parameters needed to identify the nature and composition of the reservoir fluid include (1) the bulk composition of the sidewall core extract (i.e., % saturated hydrocarbons, % aromatic hydrocarbons, and % resins + asphaltenes), (2) amount of extract in mg/g of rock, (3) GC fingerprint, and (4) the ratio of pristane to n-C17. These parameters, integrated with geological and geophysical (wire-line logs) evidence, yield more accurate and reliable formation evaluation criteria. The technique is simple and inexpensive and may find application as an additional formation evaluation tool in any geological setting.
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 | 0,000 | 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 ».