Data Driven Modeling Improves the Understanding of Hydraulic Fracture Stimulated Horizontal Eagle Ford Completions
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
Abstract The subject of this paper is the results from a data driven modeling effort to derive best practices for the completion of hydraulically fractured horizontal Eagle Ford wells. The well, reservoir and production information used in this evaluation were provided by an operator, and are from a five county area in Texas consisting of Karnes, Gonzales, Atascosa, Dewitt and Live Oak. Hydraulically fractured horizontal completions pose significant modeling and evaluation challenges. This is primarily due to two issues; 1) lack of well specific data about the reservoir/rock properties and 2) unrealistic assumptions used in the modeling process. As shown in this paper, a data driven approach to modeling these completions provides a much needed pragmatic perspective, identifies high impact parameters and provides direction about how to improve the effectiveness of these complex completions. Sensitivities performed on the predictive model developed from Eagle Ford data indicate that well to well variation in reservoir quality and geology has a dominant effect on Eagle Ford production. In addition, issues such as fracture spacing, frac volume, perforation distribution, proppant selection and wellbore length also effect well production and economics. A ranking of controllable (Completion and Frac) and non-controllable (Reservoir and Geology) parameters that affect Eagle Ford production is included in this paper. This information can be used to derive best practices and is useful in explaining well to well variation in Eagle Ford production by quantifying the effect of reservoir quality, completion and frac methodology on results.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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