Ranking Fractured Reservoir Models Using Flow Diagnostics
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
Abstract This paper describes the application and testing of innovative dual porosity flow diagnostics to quantitatively rank large ensembles of fractured reservoir models. Flow diagnostics can approximate the dynamic response of multi-million cell models in seconds on standard hardware. The need for new faster screening methods stems from the challenge of making robust forecasts for naturally fractured carbonate reservoirs. First order uncertainties including the distribution and properties of natural fractures, matrix heterogeneity and wettability can all negatively impact on recovery. A robust multi-realisation approach to production forecasting is often rendered impractical due to the time cost for simulating many models. We have extended existing flow diagnostics techniques to dual porosity systems by accounting for the matrix-fracture exchange. New metrics combine the transfer rate with the advective time of flight in the fractures identifying risk factors for early water breakthrough and providing quantitative measures of dynamic heterogeneity. We have compared ranking a large ensemble of synthetic fractured reservoir models using dual porosity flow diagnostics and using full-physics simulation. The synthetic ensemble explores a number of different geological concepts around the fracture distributions, wettability and matrix heterogeneity which can. Not only does the flow diagnostic ranking agree well with the cumulative oil ranking the run time for the flow diagnostics is <0.25% of the total simulation time. This significant reduction in the time to compare models allows more time to spend running full physics simulation on the important and geologically diverse cases that offer the most insight.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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