Prestack Bayesian lithofacies classification technology and application in oil-sand reservoir prediction
Notice bibliographique
Résumé
Abstract The oil-sand reservoirs in the Athabasca region of Canada are estuarine deposits affected by tides. The strata are inclined, and the interlayers are well-developed. Accurate spatial characterization of reservoirs and interlayers is the key for efficient oil-sand development. In this paper, we have used prestack Bayesian lithofacies classification technology to predict the spatial distribution characteristics of reservoirs and interlayers of oil-sand reservoirs. We first use log lithofacies data as a label, select lithofacies sensitive elastic parameters to make a lithofacies classification probability distribution crossplot, and then project the lithofacies-sensitive elastic parameter volumes into the lithofacies classification probability distribution crossplot. Finally, we predict the spatial probability distribution of different lithofacies. Probabilistic characterization can enhance the recognition of transitional lithology and thin layers in the inversion results, reduce the uncertainty in the prediction of reservoirs and interlayers, and significantly improve the prediction accuracy of reservoirs and interlayers. The field application results in the Kinosis study area indicate that the probability volume predicted by this technology can distinguish interlayers greater than 1 m thick and identify interlayers greater than 2 m thick, which meets the technical requirements of oil-sand steam-assisted gravity drainage development.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».