A hybrid deep learning network for tight and shale reservoir characterization using pressure and rate transient data
Notice bibliographique
Résumé
ABSTRACT Pressure and rate transient analyses have been widely used to determine the properties of a reservoir, such as boundary types, permeability, and formation pressure. Typically, one analytical model must be selected first to interpret the transient data; however, it is very difficult to determine which model suits the reservoir conditions. In this study, a hybrid deep learning (DL) model is developed to offer an alternative approach to characterize the reservoir (i.e., reservoir shape, flow boundary type, and porosity system) using pressure and rate transient data interpretation in unconventional tight and shale reservoirs. A multivariate synthetic data set of pressure and rate transients is first generated from the analytical solutions. Five DL architectures of recurrent, convolutional, and hybrid recurrent-convolutional types are trained on a multivariate time series of five features: pressure, pressure derivative, normalized rate, normalized cumulative production, and normalized integral derivative cumulative production. The performances of these architectures are compared, and the hybrid convolutional neural networks–long short-term memory leads to the highest performance with an accuracy of 0.98 on validation data. The performance of the optimum architecture is examined on transient data generated from reservoir simulations, and results demonstrate that the developed architecture can correctly characterize the reservoir with a accuracy of 98%. The applicability of the hybrid architecture on different length and resolution time series is also tested. It is found that the short-time flow regimes of wellbore storage and initial transition do not affect the machine learning architecture’s classification performance, and the boundary-dominated flow is the main regime for classification of these types of resources.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».