A new approach with multiple realizations for image perturbation using co-simulation and probability perturbation method
Notice bibliographique
Résumé
History matching is an inverse problem with multiple possible answers. The petrophysical properties of a reservoir are highly uncertain because data points are scarce and widely scattered. Some methods reduce uncertainty in petrophysical characterization; however, they commonly use a single matched model as a reference, which may excessively reduce uncertainty. Choosing a single image may cause the model to converge to a local minimum, yielding less reliable history matching. This work improves on the history matching presented by Oliveira et al . ((2017a) J. Petrol. Sci. Eng . 153, 111–122) using a benchmark model (UNISIM-I-H based on the Namorado field in Brazil). We use a new approach for a Probability Perturbation Method and image perturbation using Co-Simulation. Instead of using a single image as the reference, a set of best images is used to increase variability in the properties of the reservoir model while matching production data with history data. This approach mitigates the risk of the potentially excessive reduction of uncertainties that can happen when using a single model. Our methodology also introduces a new objective function for water breakthrough, improving model quality because of the importance of matching the water breakthrough in the process. Our proposed methodology for image perturbation uses the UNISIM-I-H, which comprises 25 wells and has 11 years of history data. Our methodology made the process of calibration more effective than the history matching by Oliveira et al . ((2017a) J. Petrol. Sci. Eng . 153, 111–122). Cross-influence was minimized, making the history matching more objective and efficient, and consequently, the production forecasts more reliable.
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 | 0,001 |
| 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 ».