SAGD and Fiber-Optic Distributed Acoustic and Temperature Sensing
Notice bibliographique
Résumé
This article, written by JPT Technology Editor Chris Carpenter, contains highlights of paper SPE 180726, “SAGD Production Observations With Fiber-Optic Distributed Acoustic and Temperature Sensing,” by Warren MacPhail and James Kirkpatrick, Devon, and Ben Banack, Bryan Rapati, and Alex Ali Asfouri, Halliburton, prepared for the 2016 SPE Canada Heavy Oil Technical Conference, Calgary, 7–9 June. The paper has not been peer reviewed. Distributed temperature sensing (DTS) is the most common fiberoptic measurement used for steam-assisted- gravity-drainage (SAGD) reservoir monitoring. In 2013, Devon Canada installed DTS in the trial production well at its Jackfish 2 asset. DTS was installed parallel to existing standard instrumentation. In early 2015, a distributed-acoustic-sensing (DAS) fiber-optic line was added in parallel along with multimode optic fiber, allowing simultaneous logging of DTS and DAS. DAS helped to improve confidence in and extend the definition of wellbore effects observed with DTS. Background DTS with a fiber-optic cable has been established as a reliable and tested method for monitoring thermal wellbores in heavy-oil production. For its part, DAS has been established as a valuable diagnostic tool in unconventional reservoirs as a completion, stimulation, and production-monitoring tool. DAS interrogators turn a fiber-optic line into an array of thousands of virtual microphones, picking up acoustic signatures across a broad range of frequencies. In SAGD production, DAS has generated significant interest throughout the industry as a potential new reservoir- monitoring tool.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».