Flow-Path Tracking Strategy in a Data-Driven Interwell Numerical Simulation Model for Waterflooding History Matching and Performance Prediction with Infill Wells
Notice bibliographique
Résumé
Summary Recently, we have developed two computationally efficient data-driven models—interwell numerical simulation model (INSIM) and INSIM with front tracking (INSIM-FT)—for history matching, prediction, characterization, and optimization of waterflooding reservoirs. Then, stemming from the INSIM family, we derived a new data-driven model referred to as INSIM with flow-path tracking (FPT), for more-accurate interwell connectivity calculations, dynamic flow-path tracking, and waterflooding predictions. The model is a connection-based simulation model that is developed on the basis of a two-phase-flow material-balance equation. With the new model, we can characterize a reservoir by history matching the historical well flow-rate data without the detailed petrophysical properties of the reservoir. In INSIM-FPT, we provide an automatic and systematic workflow that incorporates Delaunay triangulation and imaginary wells to construct the model connection map. We apply a modified depth-first searching method to track all influential flow paths between an injector/producer pair for more-accurate calculations of dynamic allocation factors and control pore volumes (PVs). In addition, we provide a method to visualize a saturation field for a history-matched INSIM-FPT model. On the basis of the saturation map, we design a workflow to evaluate possible drilling locations and future performance of infill wells. For application, we create a synthetic reservoir with two different scenarios to demonstrate the reliability of INSIM-FPT. The results show that the dynamic allocation factors and control PVs between injector/producer pairs in the history-matched INSIM-FPT models are consistent with those obtained from the true streamline simulation model. Furthermore, the oil-saturation field generated with INSIM-FPT reasonably matches that obtained with the true model. It shows that the future predictions of infill wells on the basis of history-matched INSIM-FPT models are reasonably accurate but can be improved if more observed data are collected from near the planned infill wells. We also test a large-scale field problem with 65 wells, which shows INSIM-FPT can reasonably match and predict the field data.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».