MétaCan
Menu
Retour à la cohorte
Enregistrement W2267990845 · doi:10.2118/178927-pa

Initial Sampling of Ensemble for Steam-Assisted-Gravity-Drainage-Reservoir History Matching

2015· article· en· W2267990845 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueJournal of Canadian Petroleum Technology · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésEnsemble Kalman filterReservoir simulationEnsemble learningSampling (signal processing)Computer scienceCluster analysisEnsemble forecastingNonlinear systemMatching (statistics)Robustness (evolution)MinificationAlgorithmData assimilationKernel (algebra)Mathematical optimizationKalman filterMathematicsStatisticsFilter (signal processing)Artificial intelligenceExtended Kalman filterPetroleum engineeringGeologyMeteorology

Résumé

récupéré en direct d'OpenAlex

Summary History matching of a steam-assisted-gravity-drainage (SAGD) reservoir requires a large ensemble size for proper uncertainty assessment, which ultimately results in high computational cost. Therefore, it is necessary to reduce the number of realizations for SAGD-reservoir simulation purposes. In this paper, a novel sampling method (based on the probability-distance-minimization method) to generate an initial ensemble of reduced size is discussed. This method considers multiple static measurements and geological properties and uses Kantorovich distance to quantify the probability distance between the original ensemble and the reduced ensemble, which is later optimized by use of the mixed-integer linear-optimization (MILP) technique. To show the effectiveness of the method, we have shown history matching of an SAGD reservoir using the smaller size initial ensemble derived from the proposed method and compared with the original ensemble. For history matching, the ensemble Kalman filter (EnKF) has been used because of its ability to assimilate data for large-scale nonlinear systems. Results are compared with several other methods, such as importance sampling, kernel K-means clustering, and sampling by use of orthogonal ensemble members. The robustness and usefulness of each method for generating an improved initial ensemble of reduced size are analyzed on the basis of two criteria: (1) Does the smaller ensemble retain the same statistical distribution characteristics as the original ensemble, and (2) does the smaller ensemble improve the performance of history matching? In general, we conclude that the improved, smaller initial ensemble created by use of the proposed method retains the best statistical characteristics of the original ensemble. Also, it provides better performance compared with other ranking methods in sampling and history matching using EnKF. Finally, the proposed method can reduce the computing cost significantly without compromising uncertainty in the forecast model, which allows for real-time updating at smaller time intervals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,894
Score d'incertitude au seuil0,714

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,290
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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