Integration of Data-Driven Models for Characterizing Shale Barrier Configuration in 3D Heterogeneous Reservoirs for SAGD Operations
Notice bibliographique
Résumé
Abstract Shale barriers may act as flow barriers with adverse impacts on the steam chamber development, as observed in numerous field-scale SAGD projects. Efficient parameterization and inference of such heterogeneities in 3D models from production data remain challenging. A novel workflow for SAGD heterogeneity inference by integrating data-driven modeling and production time-series data analysis is presented. Variation of shale barriers along the directions between the cross-well pair, as well as of the horizontal wellbore, is considered. Based on a dataset gathered from the public domain, a set of reservoir and operational parameters that represent the typical Athabasca oil sands conditions are extracted to build a 3D homogeneous (base) model. The heterogeneous models are constructed by superimposing shale barriers with varying volume, geometry and locations onto the base model. Production data is recorded by subjecting the generated models to numerical simulation. Input features are extracted from the production time-series data, while output parameters are formulated based on the distribution of shale barriers in the generated models. Data-driven models, such as artificial neural network (ANN), are applied to approximate the non-linear relationships between input and output variables, facilitating the inference of shale characteristics. The final outcome is an ensemble of 3D models of heterogeneity that honor the actual SAGD production histories. A decline in oil production is observed when the steam chamber encounters a shale barrier. The proposed workflow can capture the observed production patterns effectively. The proposed methodology is demonstrated to be useful for characterizing shale heterogeneities. A testing dataset is used to assess the consistency between model predictions and the target values. In addition, the production responses corresponding to the characterized heterogeneous models are in agreement with the actual responses. Previous data-driven modeling studies involving 3D heterogeneity inference and SAGD production analysis are limited. The issue of parameterizing a large number of possible heterogeneity descriptions is still challenging. This work presents a preliminary effort to explore this issue. It offers a significant potential to extend most widely-adopted data-driven modeling approaches for practical SAGD production data analysis. The outcomes serve to support the use of data-driven models as complementary and computationally-efficient tools for inference of shale barriers.
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 | 0,000 |
| 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 | 0,000 | 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 ».