Curvature attributes with the 3D seismic Kalman filter for fault opening description — An application to a shale oil reservoir in the Jimsar sag, Junggar Basin, Xinjiang
Notice bibliographique
Résumé
ABSTRACT The large-scale shale-oil production in the Jimsar sag of the Junggar Basin is being aggressively developed. To improve unconventional production and make precise suggestions for horizontal well developments, fault interpretations using seismic data play an important role. The target reservoir in the Jimsar sag of the Junggar Basin has a comprehensive network of faults, according to the drilled wells and fault identification from the broadband azimuth and high-density 3D seismic data. Several reasons such as the integration between source and reservoir, the substantial abundance of organic matter, and the major reservoir plasticity result in different fault types, which then create different impacts on horizontal wells. We have developed a fault-type identification tool using the curvature attributes via the 3D seismic Kalman filter to provide a more accurate description of fault types. In contrast with previous studies, we derive the Kalman-curvature formulation in terms of space and time, by using a dynamically iterative optimization model. Our strategy reveals that various fault types (open faults, semiopen faults, and sealed faults) represent their characteristics associated with the 3D Kalman-curvature attributes. The resultant fault divisions are valid by combining the drilled information of lost circulation and fracturing crosstalk of the horizontal wells. High-quality field results validate the robustness of our algorithms.
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 ».