Notice bibliographique
Résumé
The enhanced-oil-recovery (EOR) literature produced in the past several months was dominated by reservoir modeling and characterization; flood enhancements; machine learning; and, more notably, relative permeability estimation. This last one needs to be under-stood further. Relative permeability characterizes flow in porous media, the understanding and manipulating of which is key to the success of EOR. Our fascination with the topic during the last 75 years, therefore, is understandable. Starting with a seminal paper from W.R. Purcell in 1949, we have more than 12,000 articles in the SPE collection alone on relative permeability estimation, of which more than 400 were published in the last year. Mechanics of motion is also important to mankind, but we do not have literature piling up on Newton’s laws of motion. Is it that we haven’t understood flow in porous media yet, or is it because the subject matter is so complex? The truth, perhaps, lies somewhere in between. Flow in pores that are randomly sized, randomly connected, and have variable chemical makeup is, by nature, complex and mathematically unmanageable. Relative permeability has been our attempt to lend its aggregate behavior some sense of manageability. This has always been done in a fit-for-purpose manner. What is fit for one context, however, may not be so for the others, and this uncertainty continues to churn out theses, antitheses, and syntheses. Expectedly, even more such activity arises with every improvement in computing capabilities, as is once again evident with advances in machine learning—new tools to handle old problems. That is where my first pick is for you, with some additional suggested readings in references that follow. Data analytics does much more than estimate relative permeability, and the second paper abridged here uses it to predict a flood performance. To allow a break from data science, the third paper chosen deals with the important topic of electromagnetics as applied to reservoir characterization and heating. I hope you find these to be useful and interesting reads.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,303 | 0,224 |
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 ».