MétaCan
Menu
Retour à la cohorte
Enregistrement W1968677365 · doi:10.2118/145437-ms

Failure to Produce: An Investigation of Deficiencies in Production Attainment

2011· article· en· W1968677365 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSPE Annual Technical Conference and Exhibition · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensImmunoPrecise (Canada)
Organismes subventionnairesnon disponible
Mots-clésProduction (economics)AccountabilityRoot cause analysisBusinessFossil fuelPoint (geometry)Operations managementComputer scienceRisk analysis (engineering)EconomicsEngineeringForensic engineeringMicroeconomicsPolitical scienceMathematicsWaste management

Résumé

récupéré en direct d'OpenAlex

Abstract The economic importance of delivering on planned production volumes is undeniable. Over the last 15 years, however, the oil and gas industry's production attainment performance has degraded. Today, the average oil and gas project delivers only 75 barrels for every 100 barrels promised at sanction. This paper reports on a root-cause analysis conducted on over 145 oil and gas projects for which the authors have access to planned production volumes (at sanction), and 12 months to 60 months of actual production data. The authors use a detailed global database of oil and gas projects to conduct a rigorous statistical analysis of production attainment. The analytical strategy is to statistically connect "inputs" (i.e., information and practices used prior to sanction) to "outputs." The results show that poor production attainment is due to unreliable forecasts based on optimistic subsurface assumptions, failure of assurance processes, and lack of accountability for production volumes. Our analysis shows that project teams are overly optimistic about basic subsurface characteristics, especially in the absence of actual data. Assurance and decision analysis processes, such as peer reviews and risks modeling, are not successful in identifying optimistic forecasts. Every project with a significant production shortfall used these tools, yet these tools failed to flag the risks. Most companies lack a single point of accountability for delivering production. In most cases, no one is accountable if the production falls short of promise. These problems persist because companies do a poor job of conducting root-cause analysis to understand production shortfalls; only 30 percent of projects in this database conducted such an analysis. The analysis provides strong evidence that the industry has a problem in predicting production volumes. But the authors go beyond this observation and provide the reader with valuable take-aways, including specific causes of the problem and recommendations to eliminate, or reduce, this problem.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,364
Score d'incertitude au seuil0,342

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,045
Tête enseignante GPT0,272
Écart entre enseignants0,227 · 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