A Workflow from Seismic to Forecast for Tight-Oil Reservoir Development Using a Semianalytical Well-Testing Model with Boundary Element Method
Notice bibliographique
Résumé
Abstract Treatments of stimulated reservoir volume (SRV) have been the most effective techniques to enhance well productivity in unconventional plays, like tight-oil reservoirs. Unlike conventional reservoirs, the work in unconventional plays needs to focus on the SRV scale rather than field scale, which requires an integration of many techniques to properly evaluate the SRV properties. Unfortunately, there still lacks of a comprehensive integration of seismic, models, and data for SRV, although much work has been done for fracturing estimations and performance predictions of wells with SRV. To narrow the gap, this paper presents a comprehensive seismic-forecast workflow for tight-oil reservoir development on the SRV scale. The workflow is an integration of microseismic data, well testing interpretation, rate normalized pressure (RNP) interpretation, and numerical production history match. Its contents are described as the following steps: (1) introducing the technique of microseismic monitoring (MSM) and proposing a corresponding simplified SRV model, (2) developing and verifying its well-testing model with boundary element method (BEM), integral method, and superposition principle, (3) discussing the rate normalized pressure (RNP) model of SRV, (4) building a numerical SRV model, and (5) demonstrating the workflow by a field case from Junggar Basin. This paper paves a good way to evaluate well performance and improve future completions in tight-oil reservoirs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».