Reservoir history matching using constrained ensemble Kalman filtering
Notice bibliographique
Résumé
The high heterogeneity of petroleum reservoirs, represented by their spatially varying rock properties (porosity and permeability), greatly dictates the quantity of recoverable oil. In this work, the estimation of the spatial permeability distribution, which is crucial for predicting the future performance of a reservoir, is carried out through a history matching technique based on constrained ensemble Kalman filtering (EnKF). The main contribution in this work is the novel implementation of hard and soft constraints in the recursive EnKF estimation methodology for petroleum reservoirs. Hard data is obtained from the actual values of the reservoir parameters at discrete locations obtained by core sampling and well logging, while the soft data considered is obtained from correlograms, which characterize the spatial correlation of the rock properties in a reservoir. In each time update, the parameter estimates obtained from the unconstrained EnKF are modified by one of two novel algorithms. In the first, the correlation matrix obtained after the unconstrained EnKF update is transformed to honour the true correlation structure from the correlogram by applying a projection‐based method. The second algorithm involves the use of a technique for soft constrained covariance localization. We observe that the soft data constrained localization method results in the best estimates of the permeability and also reduces the computational time significantly. We quantify the improvement in estimation performance of each of the constrained methods over unconstrained estimation. The method, while developed for estimation in petroleum reservoirs, is also generally applicable to systems with spatial heterogeneity and underlying spatial correlations.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».