Developing a novel permeability prediction method for tight carbonate reservoirs using borehole electrical image logging
Notice bibliographique
Résumé
ABSTRACT Predicting permeability accurately is crucial for effective hydrocarbon extraction, but the intricate pore structures of tight carbonates resulting from sedimentation, diagenesis, and tectonic activity present significant challenges. Based on borehole electrical image logging and fractal theory, we develop a method to calculate the fractal dimension of the porosity spectrum to characterize the complexity of the pore structure of the reservoir. Fractal features of the porosity spectra are studied, and fractal parameters are calculated, such as the left (Df_left), middle (Df_middle), and right fractal dimensions (Df_right). A permeability prediction model is developed based on fractal parameters by investigating the linear relationship between fractal parameters and core permeability. The results indicate that Df_left and permeability have a coefficient of determination (R2) of 0.78, whereas R2 between porosity and permeability is only 0.03. The Df_middle and Df_right have little correlation with core permeability. The prediction results of the Df_left-based permeability model are in good agreement with the experimental data with Pearson product-moment correlation coefficient of 0.93 in the field applications. Our findings suggest that large pores primarily contribute to the permeability of tight carbonates because Df_left corresponds to the macroporous part of the porosity spectrum. This study enhances our understanding of the factors that influence permeability and provides a useful tool for predicting permeability in tight carbonate reservoirs.
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 ».