Lithology Classification and Porosity Estimation of Tight Gas Reservoirs With Well Logs Based on an Equivalent Multi-Component Model
Notice bibliographique
Résumé
Tight gas makes up a significant portion of the natural gas resources. There are tight gas reservoirs with great reserve and economic potential in the west Sichuan Basin, China. Due to the complex mineral component and heterogeneity of the thick tight sand formations, the reservoir parameters are challenging to evaluate from well logs using conventional methods, even the fundamental porosity. The mineral components must be considered. In this study, based on the analysis of different logging responses of varying lithologies, we introduced the complex reservoir analysis (CRA) method. CRA is always used in the carbonate reservoirs to calculate the different rock component volume fractions and can be used to classify the lithology and calculate the porosity simultaneously. By analyzing the component, a new equivalent component method (CRAE) is proposed based on the CRA method in this paper. In this method, the AC-CNL equation-calculated porosity is calibrated according to the core porosity data to set the rock components’ physical parameters. After calibration, the rock component fractions and porosity can be calculated accurately. Also, according to the relationship between the grain size and natural gamma-ray, a granularity median model was established. Six lithology types, including coarse-grained quartz sandstone and coarse-grained lithic sandstone, are distinguished, and the porosity is estimated in the study area. The identification results are compared with the mud logging data and other methods. It shows that this method is very well adequate in the tight sandstone gas reservoirs in the study area.
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 | 0,001 | 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 ».