Data-driven surrogates for rapid simulation and optimization of WAG injection in fractured carbonate reservoirs
Notice bibliographique
Résumé
Conventional simulation of fractured carbonate reservoirs is computationally expensive because of the multiscale heterogeneities and fracture–matrix transfer mechanisms that must be taken into account using numerical transfer functions and/or detailed models with a large number of simulation grid cells. The computational requirement increases significantly when multiple simulation runs are required for sensitivity analysis, uncertainty quantification and optimization. This can be prohibitive, especially for giant carbonate reservoirs. Yet, sensitivity analysis, uncertainty quantification and optimization are particularly important to analyse, determine and rank the impact of geological and engineering parameters on the economics and sustainability of different Enhanced Oil Recovery (EOR) techniques. We use experimental design to set up multiple simulations of a high-resolution model of a Jurassic carbonate ramp, which is an analogue for the highly prolific reservoirs of the Arab D Formation in Qatar. We consider CO 2 water-alternating-gas (WAG) injection, which is a successful EOR method for carbonate reservoirs. The simulations are employed as a basis for generating data-driven surrogate models using polynomial regression and polynomial chaos expansion. Furthermore, the surrogates are validated by comparing surrogate predictions with results from numerical simulation and estimating goodness-of-fit measures. In the current work, parameter uncertainties affecting WAG modelling in fractured carbonates are evaluated, including fracture network properties, wettability and fault transmissibility. The results enable us to adequately explore the parameter space, and to quantify and rank the interrelated effect of uncertain model parameters on CO 2 WAG efficiency. The results highlight the first-order impact of the fracture network properties and wettability on hydrocarbon recovery and CO 2 utilization during WAG injection. In addition, the surrogate models enable us to calculate quick estimates of probabilistic uncertainty and to rapidly optimize WAG injection, while achieving significant computational speed-up compared with the conventional simulation framework.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».