Training-Image Assisted History Matching of Complex Multiple-Point Statistical Facies Models: A Pattern-Based Approach
Notice bibliographique
Résumé
Abstract Traditional geostatistical methods that rely on two-point statistics (i.e., variogram models) to describe the spatial variability in rock properties are not appropriate for representing the spatial continuity patterns associated with complex geologic objects (e.g., curvilinear fluvial patterns and turbidite systems). Modern geostatistical techniques are developed to simulate multiple-point statistical (MPS) patterns from a training image (TI), as a conceptual model of geologic continuity, to generate model realizations with complex geologic connectivity. A major difficulty in using MPS methods is related to conditioning the simulation results on nonlinear dynamic production data. We develop a pattern-based model calibration approach for conditioning MPS-based facies models on nonlinear flow data. The formulation begins with defining a minimization problem in which the mismatch between predicted and observed production data is minimized. Since facies distributions are discrete variables, we use a parameterization method to transform them into a small number of continuous parameters that can be updated using gradient-based minimization. For this purpose, k-SVD sparse dictionary learning is adopted to approximate the connectivity patterns in the distribution of facies models. Because of the approximation involved in the k-SVD parameterization, an additional step is introduced, after each iteration, to map the resulting continuous models to the TI. To implement the mapping, a local search template is used to scan the TI to find local discrete patterns with smallest distances from the corresponding local patterns in the continuous solution. This process is repeated for all the grid cells in the continuous solution and the resulting local patterns are stored. To estimate the facies type in each grid cell, the collected patterns that intersect with any given cell are used to find the facies type with the highest frequency and assign it to that cell. Once the discrete solution is identified, it is passed to the continuous minimization problem to serve as a regularization term, for the next update iteration. The process is repeated until the discrete solution provides an acceptable match to the data. Numerical experiments are presented to evaluate the performance of the proposed approach for facies calibration in complex fluvial systems. The results suggest that the developed method presents a promising pattern-based approach for integration of production data into MPS-based facies models.
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 ».