Reducing Simulation Time in a Huff-And-Puff Gas Injection Project in Complex Shale Reservoirs: Sequence-Based Proxy Multi-Porosity Reservoir Simulator
Notice bibliographique
Résumé
Abstract The objective of this project is to explore cutting-edge sequence-based machine learning models commonly used in language processing to reproduce a multi-porosity reservoir simulator. The proposed method integrates advanced techniques to significantly reduce the numerical simulation time and improve the decision-making process for Huff and Puff (H-n-P) gas injection optimization in shale reservoirs. The proposed approach follows three crucial steps to predict an output sequence given an input sequence: 1) the simulation results should be validated against actual data, 2) train and validate a machine learning model using simulation results from either commercial or in-house numerical simulators, 3) exhaustive exploration of hyperparameter tuning and selection of machine learning techniques, such as sequence-to-sequence (Seq2Seq), Luong attention and ConvLSTM. The proxy model considers as input variables well control parameters such as injection and production periods, number of cycles and gas injection rates to estimate the proxy model results. The multi-porosity proxy reservoir simulation model is a complementary tool that integrates numerical simulation and data-driven techniques. Although tuning the model typically demands significant time, it can speed up the simulation time up to 20,000X allowing for generating hundreds or even thousands of scenarios at the expense of accepting a reduction in the accuracy of the results in a matter of minutes. One of the most notable findings is that considering a small training dataset, the proxy model can reproduce the capabilities for predicting oil production in complex low and ultra-low permeability reservoirs with significantly reduced error, relative to the multi-porosity reservoir simulator. Finally, the possibility of reproducing a considerable number of scenarios in minutes opens the door to exploring different well control configurations such as injection and production periods, number of cycles and gas injection rates. The novelty of the proxy multi-porosity reservoir simulator is to notably accelerate the numerical simulation time by using techniques capable of solving sequence learning problems in which the output is dependent on previous outputs.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».