An Integrated Approach for History Matching of Complex Fracture Distributions for Shale Oil Reservoirs Based on Improved Adaptive Particle Filter
Notice bibliographique
Résumé
Summary The application of horizontal well drilling technology and volume fracturing technique makes the economic development of shale oil reservoirs feasible. The unknown fracture networks lead to severe nonlinearity and high uncertainty during fracture characterization. Moreover, the reservoir parameters usually exhibit a highly non-Gaussianity. Therefore, the key challenges for history matching in fractured shale oil reservoirs are effectively representing the fracture network and coping with the non-Gaussian distribution of reservoir-model parameters. In this work, a new characterization method for complex fracture networks is established, in which the distribution of connected fractures of the reservoir domain is represented by some statistical parameters such as fracture dip angle, fracture azimuth, and fracture half-length and some deterministic parameters such as the coordinates of fracture center points. In the uncertainty quantification and history-matching process, an integrated approach that combines the particle filter and an improved kernel density estimation (KDE) based on its Shannon entropy (SE) for estimating fracture distributions and physical parameters is presented. An adaptive mechanism based on Kullback-Leibler divergence (KLD) is introduced in the proposed history matching workflow, which automatically adjusts the number of particles to reduce the computational burden. Two examples of 3D shale oil production were constructed to validate the efficiency and accuracy of the proposed method. Results showed that the method was capable of capturing the main features of the fracture distributions in the reference cases. The proposed method has the potential to be applied in more complex cases such as multiple wells and multiphase flow.
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 | 0,000 |
| 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 ».