Advanced Meandering Fluvial Reservoir Characterisation for Static Model Improvement
Notice bibliographique
Résumé
Abstract Modelling of meandering fluvial reservoirs with point bars and crevasse splays is very challenging. The conventional modelling approaches, especially for meandering fluvial reservoirs, are mainly controlled by wells, which have contributed to uncertainties in lateral variations between and away from well control. Integration of the improved sedimentology, geophysics and 3D reservoir geomodelling techniques of fluvial reservoir system are proposed in the study. In stratigraphic and structural framework building, the improved methodologies included 3D seismic geobody extraction, stratal slicing and high order architectural elements interpretation. 3D geobody extraction and stratal slicing technique enhanced interpreter ability to visualize fluvial features at specific time-equivalent stratigraphic surface. In lithofacies modelling, more refined high-order architectural elements were modelled using methodologies included 3D facies seismic probability, local varying azimuth and dip angle to capture lateral accretion of point bars inside the channels for better facies distributions following point bar architectures. In property modelling, porosity was populated using Gaussian Random Function Simulation constraint to lithofacies trend to control the distribution of porosity away from wells. This methodology resulted in the porosity distributions being well controlled following the lithofacies trend. The proposed workflows and methodologies enable geomodeller to produce a more geological realistic meandering fluvial reservoir model with internal lithofacies and property distribution honouring well data and input distribution.
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 | 0,000 | 0,000 |
| 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 ».