Predicting Waterflooding Performance in Low-Permeability Reservoirs With Linear Dynamical Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary Several interwell connectivity models such as multiple linear regression (MLR) and the capacitance model (CM) have been proposed to model waterflooding performance in high-permeability reservoirs on the basis of observed production data. However, the existing methods are not effective at characterizing the behavior of transient flows that are prevalent in low-permeability reservoirs. This paper presents a novel dynamic waterflooding model that is based on linear dynamical systems (LDSs) to characterize the injection/production relationships in an oil field during both stationary and nonstationary production phases. We leverage a state-space model (SSM), in which the changing rates of control volumes between injector/producer pairs in the reservoir of interest serve as time-varying hidden states, depending on the reservoir condition. Thus, the model can better characterize the transient dynamics in low-permeability reservoirs. We propose a self-learning procedure for the model to train its parameters as well as the evolution of the hidden states only on the basis of past observations of injection and production rates. We tested the LDS method in comparison with the state-of-the-art CM method in a wide range of synthetic reservoir models including both high-permeability and low-permeability reservoirs, as well as various dynamic scenarios involving varying bottomhole pressure (BHP) of producers, injector shut-ins, and reservoirs of larger scales. We also tested LDS on the real production data collected from Changqing oil field containing low-permeability formations. Testing results demonstrate that an LDS significantly outperforms CM in terms of modeling and predicting waterflooding performance in low-permeability reservoirs and various dynamic scenarios.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle