Artificial Intelligence Aided Proxy Model for Water Front Tracking in Fractured Carbonate Reservoirs
Notice bibliographique
Résumé
Abstract Saturation mapping in fractured carbonate reservoirs is a major challenge for oil and gas companies. The fracture channels within the reservoir are the primary water conductors that shape water front patterns and cause uneven sweep efficiency. Flow simulation for fractured reservoirs is typically time-consuming due to the inherent high nonlinearity. A data-driven approach to capture the main flow patterns is quintessential for efficient optimization of reservoir performance and uncertainty quantification. We employ an artificial intelligence (AI) aided proxy modeling framework for waterfront tracking in complex fractured carbonate reservoirs. The framework utilizes deep neural networks and reduced-order modeling to achieve an efficient representation of the reservoir dynamics to track and determine the fluid flow patterns within the fracture network. The AI-proxy model is examined on a synthetic two-dimensional (2D) fractured carbonate reservoir model. Training dataset including saturation and pressure maps at a series of time steps is generated using a dual-porosity dual-permeability (DPDP) model. Experimental results indicate a robust performance of the AI-aided proxy model, which successfully reproduce the key flow patterns within the reservoir and achieve orders of shorter running time than the full-order reservoir simulation. This suggests the great potential of utilizing the AI-aided proxy model for heavy-simulation-based reservoir applications such as history matching, production optimization, and uncertainty assessment.
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 | 0,000 |
| 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 ».