Porosity estimation in the Fort Worth Basin constrained by 3D seismic attributes integrated in a sequential Bayesian simulation framework
Notice bibliographique
Résumé
The accurate inference of reservoir properties such as porosity and permeability is crucial in reservoir characterization for oil and gas exploration and production as well as for other geologic applications. In most cases, direct measurements of those properties are done in wells that provide high vertical resolution but limited lateral coverage. To fill this gap, geophysical methods can often offer data with dense 3D coverage that can serve as proxy for the variable of interest. All the information available can then be integrated using multivariate geostatistical methods to provide stochastic or deterministic estimate of the reservoir properties. Our objective is to generate multiple scenarios of porosity at different scales, considering four formations of the Fort Worth Basin altogether and then restricting the process to the Marble Falls limestones. Under the hypothesis that a statistical relation between 3D seismic attributes and porosity can be inferred from well logs, a Bayesian sequential simulation (BSS) framework proved to be an efficient approach to infer reservoir porosity from an acoustic impedance cube. However, previous BBS approaches only took two variables upscaled at the resolution of the seismic data, which is not suitable for thin-bed reservoirs. We have developed three modified BSS algorithms that better adapt the BSS approach for unconventional reservoir petrophysical properties estimation from deterministic prestack seismic inversion. A methodology that includes a stochastic downscaling procedure is built and one that integrates two secondary downscaled constraints to the porosity estimation process. Results suggest that when working at resolution higher than surface seismic, it is better to execute the workflow for each geologic formation separately.
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 ».