Formation Fluid Sampling Simulation: The Key to Successful Job Design and Post-Job Performance Evaluation
Notice bibliographique
Résumé
Abstract Acquisition of fluid samples using wireline formation testers (WFTs) is an integral part of reservoir evaluation and fluid characterization. The increasing complexity of fluid sampling operations, especially in remote or offshore fields, requires a careful planning process involving systematic de-risking of the sampling objectives through quantitative evaluation of sampling hardware performance under uncertain downhole conditions and reservoir properties. During job execution, the cleanup of mud filtrate is monitored using downhole fluid analysis (DFA) sensor measurements. In addition to quantifying produced contamination and providing guidance for real-time decisions, these measurements hold valuable information about formation and fluid properties that can be extracted through advanced interpretation workflows. In this paper, we demonstrate how a quantitative, model-based workflow was applied to both planning and interpretation for a series of sampling jobs in a remote and harsh environment. At its core, the workflow consists of high-resolution numerical flow models for the filtrate cleanup process that cover both conventional and focused sampling tools. To enable real-time, interactive, and probabilistic workflows, we use machine learning techniques to construct fast, high-fidelity proxy models, which, after thorough validation, replace numerical simulation in the workflow. Finally, the workflow employs methods for uncertainty quantification, global sensitivity analysis, and model inversion. During the pre-job planning phase, the model-based workflow was used to select and mobilize the optimal sampling hardware, estimate sampling time uncertainty, and pinpoint the dominant sources of this uncertainty through global sensitivity analysis. After successful sample acquisition, the DFA measurements were reconciled with the cleanup model and the petrophysical evaluation to extract additional value from the measurements. Using measurements of water-cut and pressure, and conditioned to the petrophysical evaluation, the cleanup model was inverted for two-phase relative permeabilities. This recently developed methodology complements laboratory measurements of relative permeability on core samples. Building on previous work in this area, this paper demonstrates the practical application of advanced planning and interpretation workflows for downhole fluid sampling. The methodology presented couples traditional, full-physics flow modeling with modern machine learning techniques to achieve highly agile workflows, enabling operators to more efficiently plan sampling jobs and extract value from the measurements.
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 | 0,010 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».