MétaCan
Menu
← Retour à la cohorte
Enregistrement W3091819640 · doi:10.3997/2214-4609.202035075

Huff-n-Puff (HNP) Pilot Design in Shale Reservoirs Using Dual-Porosity, Dual-Permeability Compositional Simulations

2020· article· en· W3091819640 sur OpenAlexaff
Hamidreza Hamdi, Christopher R. Clarkson, Ali Esmail, Mário Costa Sousa

Notice bibliographique

RevueECMOR XVII · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensEncana (Canada)University of Calgary
Organismes subventionnairesnon disponible
Mots-clésPorosityMonte Carlo methodParametric statisticsOil shaleProbabilistic logicPetroleum engineeringPermeability (electromagnetism)Markov chain Monte CarloComputer scienceKrigingEnvironmental scienceMathematical optimizationGeologyMathematicsGeotechnical engineeringStatisticsChemistry

Résumé

récupéré en direct d'OpenAlex

Summary Before implementing an HNP pilot in the field, reservoir studies are usually conducted, and compositional numerical simulations performed, to assess the impact of uncertainty on HNP design parameters. In the previous work conducted by the authors, the impact of parametric uncertainty on designing a single-well HNP was demonstrated using single-porosity models. However, recent studies show that a limited region of shattered rock is likely to be created during the hydraulic fracturing process. This region is closely represented by regional dual-porosity dual-permeability (DP-DK) models. In this study, we expand on the early work and address the impact of model uncertainty on designing an optimal HNP for a Duvernay shale example. In addition, a multi-well HNP design is exemplified to assess the impact of fracture communication during the cyclic gas injection scenarios. A unified framework is required to conduct Bayesian history matching and perform HNP optimizations using the Markov chain Monte Carlo process. This task is achieved by implementing new adaptive sampling designs and employing some surrogate modelling techniques (random forests and Gaussian processes) to obtain the distributions for probabilistic HNP forecasts. The results show that for an equivalent calibrated DP-DK model, the efficiency of HNP, for both lean and rich gas injection scenarios, can be substantially higher than that predicted with the caliberated single-porosity model. In particular, lean gas injection, predicted to have a low efficiency using single porosity models, is predicted to result in substantial incremental recovery in DP-DK models. The history matching and optimization results show that DK-DP models yield the highest recoveries during early cycles and a reduced efficiency for later cycles, whereas with single porosity models, the efficiency is fairly constant across cycles. The high efficiency of the DK-DP models is related to an enhanced swelling and mixing process due to pervasive communication (contact area) between the fracture network and the matrix. Moreover, the compositional simulations demonstrate that for multi-well HNP scenarios, communication through hydraulic fractures is far more important than the communication through the enhanced fracture region (EFR). This communication is shown to substantially reduce HNP performance, which is inferred by comparing the probabilistic forecast simulations. This study provides a novel workflow to accurately assess the impact of model uncertainty on the HNP designs for unconventional shale and tight light oil reservoirs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,268
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECMOR XVII→Même sujetHydraulic Fracturing and Reservoir Analysis→Travaux en français237 207→