MétaCan
Menu
Retour à la cohorte
Enregistrement W2520587253 · doi:10.15781/t2xd0qz38

Characterization of the Cana-Woodford Shale using fractal-based, stochastic inversion, Canadian County, Oklahoma

2016· dissertation· en· W2520587253 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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueTexas ScholarWorks (Texas Digital Library) · 2016
Typedissertation
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFractalOil shaleGeologyInversion (geology)CartographyMining engineeringGeographyGeomorphologyMathematicsPaleontology

Résumé

récupéré en direct d'OpenAlex

The past decade has seen a surge in unconventional hydrocarbon exploration and production, driven by advances in horizontal drilling and hydraulic fracturing. Even with such advances, reliable models of the subsurface are crucial in all phases of exploitation. This study focuses on the methods used for estimation of the elastic properties (density, velocity, and impedance), which play a key role in targeting reservoir zones ideal for hydraulic fracturing. Well-log data provides high-resolution vertical measurements of elastic properties, but a relatively shallow depth of investigation imposes spatial limitations. Seismic data provides broader horizontal coverage at lower cost, but sacrifices vertical resolution. Thin beds present in many unconventional reservoirs fall below seismic resolution. In addition, the band-limited nature of seismic data results in the absence of low-frequency content of the Earth model, as well as the high-frequency content present in well logs. Seismic inversion is a process that provides estimates of elastic properties given input seismic and well data. Stochastic inversion is a method that uses well-log data as a priori information, with an added aspect of randomness. The method generates many realizations using the same input model and takes an average of those realizations. We implement two separate stochastic inversion algorithms to estimate P-impedance in the Cana-Woodford Shale in west-central Oklahoma. First, we use a fractal-based, very fast simulated annealing algorithm that exploits the fractal characteristics found in well-log data to build a prior model. The method of very fast simulated annealing optimizes our elastic model by searching for the minimum misfit between observed and synthetic seismic traces. Next, we use a principal component analysis (PCA) based stochastic inversion algorithm to invert for impedance at all traces simultaneously. Comparison of the results with traditional deterministic inversion results shows improved vertical resolution while honoring the low-frequency content of the Earth model. The PCA-based inversion results also show improved lateral continuity of the elastic profile along our 2D line. The impedance profile from the PCA-based approach provides a better representation of the vertical and horizontal variability of the reservoir, allowing for improved targeting of frackable zones.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,325
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,006
Tête enseignante GPT0,186
Écart entre enseignants0,180 · 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