Predicting Waterflooding Performance in Low-Permeability Reservoirs With Linear Dynamical Systems
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.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».