Updating Reservoir Simulation Models with Well Test Information for Reduction of Uncertainties in Early Field Development
Notice bibliographique
Résumé
Abstract The high level of uncertainties during early phases of oilfield projects makes economic decisions challenging. One effective way to reduce uncertainties is gathering reservoir information from dynamic sources, such as well tests and production logging. This data must be incorporated into reservoir characterization integrated studies to generate probabilistic simulation models (scenarios). The objective of this work is to develop a procedure to update reservoir simulation models during reservoir characterization including well test and production logs, aiming better production forecasts. The proposed methodology consists in generating phi vs. log(k) equations derived from well test and production logging interpretation to update the permeability distribution in probabilistic scenarios without losing geological consistency. We also establish criteria for selecting wells to be tested based on openhole log data. We evaluate the result of the well this data incorporation in a synthetic field based on data from a real reservoir located in Campos Offshore Basin, Brazil. Then, we compared the results with the same reservoir model using classical phi-log(k) equations from laboratory experiments. Results showed that well test and production logging incorporation can improve the performance of the field measured by the risk curve of the net present value compared to the case without tests. We also showed how the history matching of the pressure derivatives can reduce variability of the prediction of the reservoir future behavior. The main contribution of this work is to evaluate how new information derived from well test and production logging improves the consistency of geomodels in early development of petroleum fields. Besides this improvement, the results also indicate that this methodology is an efficient way of reducing variability in the production forecast when integrated to other techniques such as history matching. The use of a benchmark case allowed us to show the influence of the quality of the simulation model in the process.
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 | 0,001 |
| 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 ».