Do metal infrastructure effects cancel out in time-lapse electromagnetic measurements?
Notice bibliographique
Résumé
ABSTRACT Controlled-source electromagnetic methods have the potential to be used in reservoir monitoring problems due to their sensitivity to subsurface resistivity distribution. For example, time-lapse electromagnetic (EM) measurements can help to determine reservoir changes during enhanced oil recovery processes, such as water/steam injection or CO2 sequestration. Although metal infrastructure, such as pipelines and casings, can strongly influence EM data and mask the underlying geologic response, these effects have not previously been quantified for time-lapse surveys. We have analyzed the effects of well casings on time-lapse surface-to-surface EM measurements using 1D and 3D modeling. First, using a synthetic example of an onshore 1D hydrocarbon reservoir, we quantified the effect of single and multiple casings at several source and receiver locations. We found that time-lapse responses are significantly distorted when a source or receiver is located near a casing. Next, we approximated a hydrocarbon reservoir as a thin bounded resistive sheet. We developed a method of moments algorithm to calculate the respective secondary currents and charges on a well casing and resistive sheet combination and validated the electric fields these secondary sources generate against finite-element modeling. Finally, we calculated and explicitly demonstrated time-lapse amplitude changes in the well casing-thin-sheet interaction matrix, secondary currents, charges, and surface electric fields. Our 3D modeling results indicated that the conductive casing reduces the ability of the resistive sheet to impede current flow and distorts time-lapse responses. Therefore, one cannot fully eliminate casing effects by subtraction of time-lapse data and must fully incorporate such infrastructure into forward models for time-lapse EM inversion.
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) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».