Physics-Constrained Production Forecasting with Direct Fracture Characterization by Field Data
Notice bibliographique
Résumé
Abstract Fractured reservoir simulations often rely on abstract fracture parameters—such as length, height, and width—that are difficult to validate with direct measurements, introducing biases in production forecasting. This research presents Assimilation Neural Network (AssimNet), a hybrid data-driven and simulation-proxy framework that completes the history-matching process during training. By directly integrating real-world measurements (e.g., wellhead, completion, logging data) into simulation inputs, AssimNet ensures direct characterization from field data and provides physics-constrained production forecasting. AssimNet leverages a simulation proxy to capture the underlying physics of numerical models. It encodes simulation inputs and the field measurements into the shared latent space, and a shared decoder reconstructs simulation inputs from the field-derived latent representation, ensuring physically consistent and interpretable outputs. Evaluated on 1,488 wells from the Montney Shale, AssimNet consistently outperforms traditional data-driven models in data-sparse environments. AssimNet is the first hybrid model that directly translates field measurements into physics- consistent simulation parameters optimized for the given simulator. It offers a more transparent, efficient, and interpretable approach to reservoir characterization and production forecasting, enabling faster, data-driven decisions in subsurface engineering. Unlike traditional physics-informed neural networks or neural operators, AssimNet tightly couples production data with numerical simulation, minimizing reliance on abstract assumptions and iterative tuning. By embedding simulation within a data-driven architecture, it enhances generalization, improves accuracy in data-sparse regions, and reduces uncertainty in fractured reservoir forecasting.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 ».