Identifying Best Practices in Hydraulic Fracturing Using Virtual Intelligence Techniques
Notice bibliographique
Résumé
Abstract Hydraulic fracturing is an economic way of increasing gas well productivity. Hydraulic fracturing is routinely performed on many gas wells in fields that contain hundreds of wells. Companies have developed databases that include information such as methods and materials used during the fracturing process of their wells. These databases usually include general information such as date of the job, name of the service company performing the job, fluid type and fluid amount, proppant type and proppant amount, and pumped rate. Sometimes more detail information may be available such as breakers, amount of nitrogen, and ISIP, to name a few. These data usually is of little use if some of the complex 3-D hydraulic fracture simulators are used to analyze them. But valuable information can be deduced from such data using virtual intelligence tools. The process covered in this paper takes the available data and couples it with general information from each well (things like latitude, longitude and elevation), any information available from log analysis and production data and uses a data mining and knowledge discovery process to identify a set of best practices for the particular field. The technique is capable of patching the data in places that certain information is missing. Complex virtual intelligence routines are used to insure that the information content of the database is not compromised during the data patching process. The conclusion of analysis is a set of best practices that has been implemented in a particular field on a well or on a group of wells basis. Since the entire process is mostly data driven we let the data "speak for itself" and "tell us" what has "worked" and what "has not worked" in that particular field and how the process can be enhanced on a single well basis. In this paper the results of applying this process to Medina formation in New York State will be presented. This data set was furnished by Belden & Blake during a GRI / NYSERDA sponsored projects. This process provides an important step toward achieving a comprehensive set of tools and processes for data mining, knowledge discovery, and data-knowledge fusion from data sets in oil and gas industry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,016 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».