Evaluating a Complex Low-Resistivity Pay Carbonate Reservoir Onshore Abu Dhabi: From Model to Implementation
Notice bibliographique
Résumé
Abstract Early identification of low resistivity pay (LRP) reservoir is vital in assessing its prospect and capability. Productive reservoirs may exhibit low resistivity and consequently, their potential is simply overlooked. Remapping these intervals can have significant production and reserve implications. Traditionally, resistivity logs are used to identify pay intervals due to the resistivity contrast between oil and formation water. However, when pay intervals exhibit low resistivity, such logs return low confidence in defining hydrocarbon potential. Due to the complexity of low resistivity pay (LRP), its cause and proper mitigation should be determined prior to applying a solution. Researchers have identified several reasons responsible for this occurrence; among which are the presence of heterogeneous pore structures specifically micro-porosity, fractures, paramagnetic minerals, and deep conductive mud invasion. Almost all preceding publications assume a technique will work but not the other. However, this is the first time, to our knowledge; an integrated approach is used to develop LRP assessment workflow. We have integrated the information coming from geology (e.g., thin-section, XRD), formation pressure and well tests, NMR, MICP, and dean stark data. The integration successfully identified and remapped the carbonate low resistivity reservoir. This model was validated in an appraisal well on Abu Dhabi mainland, for that an extended data was acquired. Thereafter, the integrated LRP model was compared with the computed water saturation from conventional resistivity tools. The validation was successful in terms of confirming the prognosis. Interpreting the results from the multidisciplinary integrated model confirms a deeper Free Water Level (FWL), hence oil pool extension. Further analysis showed that the causes of LRP in this considered formation was limited to presence of micro-porosity and high saline mud invasion.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».