Pressure Normalized Decline Curve Analysis for Rate-Controlled Wells
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 Decline curve analysis based on rate-time data is the standard method of evaluating on-shore North American oil and gas reserves. Aside from the classical hyperbolic curve fitting methodology originally proposed by Arps (1945), there have been several new empirical techniques developed for unconventional shale and tight gas reservoirs such as the stretched exponential method (Valko et al., 2010) and Duong method (Duong, 2011). The successful application of methods based only on rate data, however, is usually limited to wells with constant (or close to constant) flowing pressure. High deliverability unconventional plays such as the Haynesville and Eagle Ford are characterized by rate-controlled flow for extended periods of time. Interpretation of these flow periods using rate-time techniques can be misleading, as the bulk of the reservoir response is contained in the flowing pressure data. In this paper, we propose a straightforward methodology for forecasting the production of high pressure unconventional wells under controlled drawdown. The methodology involves the use of a pressure normalized decline curve, and therefore requires measurement of wellhead flowing pressures. As we will show, the results are consistent with those of more complex analytical and numerical models, but the method does not require any knowledge about, nor does it make any assumptions about the physics of fluid flow in the reservoir. The approach is systematic and repeatable, making it an ideal reserves evaluation tool. The method is validated using synthetic and field data.
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 | 0,003 | 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 découle