Implementation of Tikhonov Regularization in Oil Well Liquid Level Reading Data
Notice bibliographique
Résumé
In the petroleum industry, it is common practice to do survey well liquid level for monitoring well in the purpose of evaluation well production capacity, for setting performance of downhole pump. Here we proposed liquid level survey using acoustic well sounder (echosounder) equipment. The reading of liquid level in the oil well is contained noises due to some physical and mechanical condition. An idea to handle large scattered field data contains noises is smoothness method by Tikhonov regularization.Liquid level survey is set up under shunt in well condition, to clearly monitoring liquid level rises in the well column. So, we have acquired field data reading. Beside the field data reading using echosounder tool, we also need to calculate expected liquid level, because that noises factor in the field data. The equation is generated to define calculation of liquid level increases in the well column as a function of time. The initial condition of started liquid column height h0 and well production rate Q0 at t=0 is definite. We build the Volterra integral equation of the 1st kind for this calculation purpose.The ill-posed problem performs in the data, needs the solution for smoothness. Tikhonov regularization (Least Squared problem) has handling this problem. Some value of regularization parameter were employed to the calculation.This paper is an innovative idea to maximum utilization of fluid level data monitoring in the well, while the acquired data is scattered or contains error. After smoothness of the data, qualified model solution curve is fully advantage for well interpretation.
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 | 0,000 |
| 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 ».