PRESSURE-RATE DECONVOLUTION USING NONORTHOGONAL EXPONENTIAL FUNCTIONS DICTIONARY
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The deconvolution method, which has received considerable attention recently, is rapidly becoming one of the major tools for well test and production data analysis in the oil and gas industry. The clear justification for this approach is the fact that in well-test and production data analysis we are interested in the transient response which, for a stable linear system, is a linear combination of exponential functions. In this paper, we present a new deconvolution approach, which is potentially an important contribution to the existing body of knowledge in this field. We show that the solution of the deconvolution problem can be successfully represented as a linear combination of non-orthogonal exponential functions. In addition, we present three deconvolution algorithms. The first two algorithms are based on regularization concepts borrowed from the wellknown Tikhonov and Krylov methods. The third algorithm is based on the stochastic Monte Carlo method. Our analysis results show that the Tikhonov regularization method is stable, and feasible for a modest number of data points. Based on the results, the Krylov conjugate gradient method requires minimal storage and achieves fast convergence. This method is recommended for small to large data sets. The Monte Carlo method achieved the best results. It was able to handle large amounts of data, had minimal storage requirements, was robust to noise and avoided local minima. However, the Monte Carlo method was noticeably slower than the others. The computational results show that the exponential basis functions decomposition method provides a robust, solution in the presence of moderate levels of noise.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle