Investigating the efficiency of gas re‐injection process of an oil field using combined integrated field simulation and intelligent proxy model application
Notice bibliographique
Résumé
Abstract Integrated asset modelling is a novel method to overcome the limitations associated with using individual models. This method integrates all the individual models of a field into a single model that relates all the sub‐models using proper boundary conditions. Reservoir, wells, surface, and economic models of an oil reservoir, under gas re‐injection, are integrated. The main goal of this study is to propose a novel approach in integrated asset modelling. An integrated model of a field is used to study how gas must be distributed among injection wells. Another aim of this study is to understand the effects of 4 input parameters on the Net Present Value (NPV) of the field. The input variables are: oil production rate, gas injection rate, and the distribution of gas between injection wells. A comprehensive model of a field was built. Using the experimental design results, a neuro‐fuzzy logic network was developed. The proxy model predicted the simulation outputs with a reasonable accuracy. The effects of input variables were studied. Oil production has an optimum value of 6050 STBD per well. The optimum fractions of injected gas for injection wells 1 and 2 are 0.4 and 0.6 of total injected gas, respectively. This means that 40 % of the total injection gas must be injected to well 1 to have the maximum NPV. The greater the gas injection rate, the higher NPV is.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».