A machine‐learning framework to estimate saturation changes from 4D seismic data using reservoir models
Notice bibliographique
Résumé
Abstract Time‐lapse seismic (four‐dimensional seismic) data play a preeminent role in closed‐loop reservoir management by providing a full‐field image of dynamic reservoir behaviour during production. Nonetheless, the multidisciplinary nature of four‐dimensional closed‐loop approaches demands more quantitative and fast methods to integrate rock physics models, reservoir flow simulation models and four‐dimensional seismic analysis. In this work, we tackle this time‐consuming and expensive process and develop a data‐driven quantitative approach to leverage the inherent physics between four‐dimensional seismic and reservoir property changes. We propose an inversion flow method using machine learning strategies to estimate changes in reservoir properties directly from a fast‐derived four‐dimensional seismic attribute. This study was carried out in a Brazilian deep‐water field where production started in 2013 with 3 years of production and injection history. For this reservoir, the estimation of fluid saturation maps is a critical objective to assist engineers with data assimilation procedures. We also generated millions of training data samples using 200 simulation models from the field mentioned above (before history matching) to highlight the benefits of restricting training samples to proper fluid flow consistent combinations. Results demonstrate high prediction accuracy for the targeted reservoir property changes. Additionally, it provides insights for the detection of sweet spots and positioning of infill wells. We significantly simplify the four‐dimensional seismic integration process, allowing initial engagements of reservoir engineers with decision‐making processes and data assimilation applications.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».