Well Completions and Profitability: A Horn River Shale Case Study
Notice bibliographique
Résumé
Abstract The profitability of a well in an unconventional play is significantly influenced by its completion. It is widely understood that tighter rock needs more stimulation to economically recover hydrocarbons. However, how does one know if a well is being over-stimulated (fracture area created does not justify cost incurred) or under-stimulated (lost potential/profitability in productivity from a well's limited contact to the formation)? The objective of this paper is to develop and demonstrate an efficient workflow that will help stakeholders make better decisions in the area of completion planning. The workflow utilizes information from fracture modeling, production data analysis, and project economics to quantify the relationship between the key input parameters of the well completion (e.g. pumping rate, proppant and fluid pumped) and expected profitability expressed in net present value (NPV) terms. As a secondary objective, the case study demonstrates that a probabilistic approach (Monte Carlo Simulation) can be used to efficiently arrive at a consistent conclusion to the primary workflow. The output of the probabilistic model includes P90/P50/P10 production and net cash-flow forecasts, from which distributions of NPV can be obtained. This workflow is intended to help engineers compare profitability among different completion options. A shale gas field example is presented to illustrate the methodology.
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 | 0,000 |
| 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 ».