A Proxy Model for Predicting SAGD Production From Reservoirs Containing Shale Barriers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,001 | 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 découle