Practical Automated Detection of Remaining Oil in Mature Fields Using Production and Geology Data
Notice bibliographique
Résumé
Abstract In all development phases of brownfields, identifying sweet spots and the potential remaining oil in place to be recovered is a cornerstone of reservoir management studies and field development operations. This becomes even more imperative for mature waterfloods, where the increasing water cut hinders the ongoing oil production. The current algorithms in waterflood network-based models are capable of building and matching a reservoir model by employing reduced physics data-driven approaches. These schemes estimate the saturation in the entire field; however, the next step in those approaches is adding a fully-integrated and closed loop automated workflow to model the remaining hydrocarbon volumes. The new data analytics approach presented is a systematic bottom-up approach in which the field data, including injection and production, well perforations, pressure history, geological and fluid properties and original oil in place, are integrated. The remaining hydrocarbon thickness and saturation calculated from this methodology are key to target future reactivation and recompletion candidates, therefore potentially reducing CAPEX and OPEX. This automated methodology is robust to handle not only the waterflood but all the development phases. Moreover, it is much faster than the ubiquitous history-matching processes, which require several months on average to be completed. To this end, we have validated the results by a blind test approach to increase the confidence in using the methodology. This proposed workflow greatly improves the assessment capabilities to locate the remaining hydrocarbon resources, and therefore is pragmatic for the prediction of the most prolific future production targets.
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 | 0,000 |
| 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 ».