Assimilation of Time-Lapse Temperature Observations and 4D-Seismic Data With the EnKF in SAGD Petroleum Reservoirs
Notice bibliographique
Résumé
Summary This paper presents the applications of the ensemble-Kalmanfilter (EnKF) inverse-modelling technique to petroleum-reservoir characterization of thermally operated oil fields in northern Alberta, Canada. The EnKF is applied to 2D- and 3D-case studies based on the steam-assisted-gravity-drainage heavy-oil-extraction method. The modelling technique integrates effectively both static and dynamic data (petrophysical core data from wellbores, continuous temperature data measured by thermocouples, and 4D-seismic attributes) into a petroleum-reservoir model. Assimilated secondary information provides better insight into geologic properties of a reservoir and improves production forecasting. The method performs well for linear or slightly nonlinear systems that follow a Gaussian distribution, but shows worse performance for nonlinear or non-Gaussian systems. Integration of a large amount of data with a small number of realizations leads to ensemble collapse because of insufficient degrees of freedom. Increasing the ensemble size is a solution, but by increasing forecasting time. To overcome these issues and reduce computational time, matrix localization techniques and a shortcut based on replacement of the model realizations with their mean in forecasting are suggested. Even though the EnKF has been proved to be simple in implementation and effective for modelling of continuous linear systems, special care should be taken for modelling nonlinear systems, including categorical variables (e.g., geologic facies).
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».