Initial Sampling of Ensemble for Steam-Assisted-Gravity-Drainage-Reservoir History Matching
Notice bibliographique
Résumé
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».