MétaCan
Menu
Retour à la cohorte
Enregistrement W7125675704 · doi:10.22564/19cisbgf2025.427

Carbonate dry rock modeling for time-lapse seismic integration with reservoir simulation models

2025· article· W7125675704 sur OpenAlexfundno aff
Joao Luis V. Oliveira, Masoud Maleki, Alessandra Davolio

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesShell BrasilUniversidade Estadual de CampinasConselho Nacional de Desenvolvimento Científico e TecnológicoEnergi Simulation
Mots-clésCarbonateReservoir simulationSimulation modelingSeismic to simulationReservoir modelingPetroleum reservoirSeismic inversionCalibrationNumerical modeling

Résumé

récupéré en direct d'OpenAlex

Integrating time-lapse data with reservoir simulation models is crucial for effective reservoir management and monitoring. 4D seismic aids model updates via history matching or data assimilation, while reservoir models enhance 4D seismic interpretation and feasibility studies. This integration often requires petro-elastic modeling. However, modeling dry rock properties (bulk and shear modulus) presents particular challenges in carbonate reservoirs due to their complex pore system. This study compares dry rock properties modeling approaches using a commonly used inclusion model versus a simplified data-driven proxy model. Both approaches yield satisfactory calibration with well-log data, and in this study, we demonstrate the impact of incorporating them into 3D/4D modeling using numerical reservoir models. The analysis is based on an ensemble of simulation models from the carbonate Tupi field focusing on Barra Velha Formation (BVE).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,802
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,291
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReservoir Engineering and Simulation MethodsTravaux en français237 207