Boosting Reservoir Prediction Accuracy: A Hybrid Methodology Combining Traditional Reservoir Simulation and Modern Machine Learning Approaches
Notice bibliographique
Résumé
This study presents a comprehensive investigation into the application of reservoir simulation and machine learning techniques to improve the understanding and prediction of reservoir behavior, focusing on the Sarir C-Main field. The research uses various data sources to develop robust reservoir static and dynamic models, including seismic cubes, well logs, base maps, check shot data, and production history. The methodology involves data quality control, log interpretation, seismic interpretation, horizon and surface interpretation, fault interpretation, gridding, domain conversion, property and petrophysical modeling, well completion, fluid model definition, and rock physics functions. History matching and prediction are performed using simulation cases, and machine learning techniques such as data gathering, cleaning, dynamic time warping (DTW), long short-term memory (LSTM), and transfer learning are applied. The results obtained through the Petrel simulation demonstrate the effectiveness of depletion strategy, history matching, and completion in capturing reservoir behavior. Furthermore, the machine learning techniques, specifically DTW and LSTM, exhibit promising results in predicting oil production. The study concludes that machine learning approaches, such as the LSTM model, offer distinct advantages. They require significantly less time and can yield reliable predictions. By leveraging the power of transfer learning, accurate predictions can be achieved efficiently when limited data are available, offering a more streamlined and practical alternative to traditional reservoir simulation methods.
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 | 0,001 | 0,001 |
| 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 ».