Improving Reservoir Characterisation and Simulation with Near Wellbore Modeling
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
Abstract New reservoir characterisation methods are needed to integrate multi-scale exploration and development data, particularly at the interface between well and field models. In this paper we illustrate a novel workflow involving high resolution Near Wellbore Modeling (NWM), which allows us to accurately include seismic, wire-line data, FMI, and well core logs from multi-porosity reservoirs in field-scale reservoir simulations. We demonstrate that NWM improves reservoir characterization and production management. The workflow was applied to a realistic clastic reservoir with high variance at small scale and can also be extended for carbonate reservoirs. We have performed a number of sensitivities comparing conventional local grid refinement in the near wellbore region with that involving NWM and obtained a significant increase in the accuracy of reservoir characterization and the calibration of dynamic models. Centimetre-scale models, containing several million cells, representing the fine geological details of the near-wellbore region were constructed using available data from seismic, core, open-hole and production well-log suits. Sensitivities were performed using these high-resolution models to obtain regular grids with the best possible up-scaling. The resulting well models were imported into a field-scale simulation model to evaluate the dynamic behavior of the reservoir employing numerical well testing. Our results show that using NWM tools for reservoir modeling yields more precise flow calculations and improves our fundamental understanding of the interactions between the reservoir and the wellbore.
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 | 0,002 |
| 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