A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs
Notice bibliographique
Résumé
Accurately characterizing fractures is complex. Several studies have proposed reducing uncertainty by incorporating fracture characterization into simulations, using a probabilistic approach, to maintain the geological consistency, of a range of models instead of a single matched model. We propose a new methodology, based on one of the steps of a general history-matching workflow, to reduce uncertainty of reservoir attributes in naturally fractured reservoirs. This methodology maintains geological consistency and can treat many reservoir attributes. To guarantee geological consistency, the geostatistical attributes (e.g., fracture aperture, length, and orientation) are used as parameters in the history matching. This allows us to control Discrete Fracture Network attributes, and systematically modify fractures. The iterative sensitivity analysis allows the inclusion of many (30 or more) uncertain attributes that might occur in a practical case. At each uncertainty reduction step, we use a sensitivity analysis to identify the most influential attributes to treat in each step. Working from the general history-matching workflow of Avansi et al. (2016), we adapted steps for use with our methodology, integrating the history matching with geostatistical modeling of fractures and other properties in a big loop approach. We applied our methodology to a synthetic case study of a naturally fractured reservoir, based on a real semi-synthetic carbonate field, offshore Brazil, to demonstrate the applicability in practical and complex cases. From the initial 18 uncertain attributes, we worked with only 5 and reduced the overall variability of the Objective Functions. Although the focus is on naturally fractured reservoirs, the proposed methodology can be applied to any type of reservoir.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».