MétaCan
Menu
Retour à la cohorte
Enregistrement W2886238938 · doi:10.1115/1.4041089

A Proxy Model for Predicting SAGD Production From Reservoirs Containing Shale Barriers

2018· article· en· W2886238938 sur OpenAlexafffund
Jingwen Zheng, Juliana Y. Leung, R. P. Sawatzky, José M. Alvarez

Notice bibliographique

RevueJournal of Energy Resources Technology · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensUniversity of Alberta
Organismes subventionnairesInnotech AlbertaAlberta Innovates - Technology FuturesSuncor Energy Incorporated
Mots-clésOil shalePetroleum engineeringSteam-assisted gravity drainagePetrophysicsReservoir simulationGeologyTight oilShale oilOil sandsGeotechnical engineeringAsphaltPorosityMaterials science

Résumé

récupéré en direct d'OpenAlex

Artificial intelligence (AI) tools are used to explore the influence of shale barriers on steam-assisted gravity drainage (SAGD) production. The data are derived from synthetic SAGD reservoir simulations based on petrophysical properties and operational constraints gathered from the Suncor's Firebag project, which is representative of Athabasca oil sands reservoirs. The underlying reservoir simulation model is homogeneous and two-dimensional. Reservoir heterogeneities are modeled by superimposing sets of idealized shale barrier configurations on this homogeneous reservoir model. The individual shale barriers are categorized by their location relative to the SAGD well pair and by their geometry. SAGD production for a training set of shale barrier configurations was simulated. A network model based on AI tools was constructed to match the output of the reservoir simulation for this training set of shale barrier configurations, with a focus on the production rate and the steam-oil ratio (SOR). Then the trained AI proxy model was used to predict SAGD production profiles for arbitrary configurations of shale barriers. The predicted results were consistent with the results of the SAGD simulation model with the same shale barrier configurations. The results of this work demonstrate the capability and flexibility of the AI-based network model, and of the parametrization technique for representing the characteristics of the shale barriers, in capturing the effects of complex heterogeneities on SAGD production. It offers the significant potential of providing an indirect method for inferring the presence and distribution of heterogeneous reservoir features from SAGD field production data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,255
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Energy Resources TechnologyMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207