Proxy models for evaluation of permeability, three-phase relative permeability, and capillary pressure curves from rate-transient data
Notice bibliographique
Résumé
This study developed a data-driven forecasting tool that predicts petrophysical properties from rate-transient data. Traditional estimations of petrophysical properties, such as relative permeability (RP) and capillary pressure (CP), strongly rely on coring and laboratory measurements. Coring and laboratory measurements are typically conducted only in a small fraction of wells. To contend with this constraint, in this study, we develop artificial neural network (ANN)-based tools that predict the three-phase RP relationship, CP relationship, and formation permeability in the horizontal and vertical directions using the production rate and pressure data for black-oil reservoirs. Petrophysical properties are related to rate-transient data as they govern the fluid flow in oil/gas reservoirs. An ANN has been proven capable of mimicking any functional relationship with a finite number of discontinuities. To generate an ANN representing the functional relationship between rate-transient data and petrophysical properties, an ANN structure pool is first generated and trained. Cases covering a wide spectrum of properties are then generated and put into training. Training of ANNs in the pool and comparisons among their performance yield the desired ANN structure that performs the most effectively among the ANNs in the pool. The developed tool is validated with blind tests and a synthetic field case. Reasonable predictions for the field cases are obtained. Within a fraction of second, the developed ANNs infer accurate characteristics of RP and CP for three phases as well as residual saturation, critical gas saturation, connate water saturation, and horizontal permeability with a small margin of error. The predicted RP and CP relationship can be generated and applied in history matching and reservoir modeling. Moreover, this tool can spare coring expenses and prolonged experiments in most of the field analysis. The developed ANNs predict the characteristics of three-phase RP and CP data, connate water saturation, residual oil saturation, and critical gas saturation using rate-transient data. For cases fulfilling the requirement of the tool, the proposed technique improves reservoir description while reducing expenses and time associated with coring and laboratory experiments at the same time.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».