An Improved Probability Conditioning Method for Constraining Multiple-Point Statistical Facies Simulation on Nonlinear Flow Data
Notice bibliographique
Résumé
Abstract We evaluate the use of facies probability maps for conditioning discrete multiple-point statistical (MPS) facies simulation on dynamic production data. In MPS simulation, conditional probabilities are estimated from a training image (TI), a conceptual model of geologic connectivity, and used to draw samples of facies distributions that are statistically consistent with those encoded in the TI. Whereas conditioning MPS simulation on both static hard data (e.g., well logs) and soft data (e.g., seismic) is straightforward, calibration of facies against nonlinear flow data is nontrivial. The use of facies probability maps for conditioning MPS simulation on dynamic production data presents a promising approach for calibration of complex facies models. We present an overview of MPS-based conditional simulation with probability maps and discuss some of the important properties and implementation issues of this approach. The paper presents two important contributions: (1) improvement of the original probability conditioning method (PCM) by constructing the facies probability maps based on the first and second order statistical moments of the updated permeabilities at each cell; (2) generalization of the "tau" model to include pixel-based τ values that can assign different confidence levels to the facies probabilities at different grid blocks. Results from numerical examples demonstrate that the proposed approach outperforms the original PCM by incorporating additional information from the observed dynamic data into MPS-based facies simulation.
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 | 0,001 |
| 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 ».