MétaCan
Menu
Retour à la cohorte
Enregistrement W2004232056 · doi:10.2118/171580-ms

A New Methodology to Forecast Solution Gas Production in Tight Oil Reservoirs

2014· article· en· W2004232056 sur OpenAlexaffabout
Shaoyong Yu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensConocoPhillips (Canada)
Organismes subventionnairesnon disponible
Mots-clésProduction (economics)Petroleum engineeringFossil fuelRepresentation (politics)Computer scienceDrillingTight gasNatural gasEnvironmental scienceEngineeringEconomicsWaste managementHydraulic fracturingMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Due to favorable economics, more and more oil companies are now drilling multi-stage fractured horizontal wells to develop tight oil reservoirs. While oil production forecasting in these wells has historically been the primary focus of most operators, gas (solution gas) production forecasting has been largely neglected. There are two distinct reasons for this oversight: First, when compared to oil production, solution gas rates typically have a much lower impact on overall economics. Second, solution gas production is often very difficult to forecast due to abnormal GOR's which are typically caused by incorrect gas rate measurements. This paper presents a simple methodology to predict solution gas production based on forecasted oil production. This methodology introduces a new specialized plot which can be used to determine various parameters necessary to forecast solution gas production without any costly PVT and pressure history data. Additionally, this paper presents a step-by-step procedure used to analyze the available history to obtain an accurate representation of GOR performance. This data in turn can be used to predict solution gas production. Missing data and/or incorrect gas measurements are common issues that can directly affect a well's GOR history. The methodology presented in this paper will outline the steps required to repair this kind of bad data and ultimately generate a reasonable GOR forecast that is representative of a well's true performance. This methodology was initially validated using synthetic data (generated by a commercial simulator) and has been subsequently tested on over one thousand oil wells that are producing from tight formations such as the Bakken, Niobrara and Wolfcamp in the USA and the Cardium in Canada. Each test was carried out by hindcasting – using the early part of production data to history-match the later part of history. This methodology has consistently resulted in good agreement between the forecast and the real field data. A number of practical examples from different reservoirs have been presented in this paper to illustrate/validate this new 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,031
Tête enseignante GPT0,260
Écart entre enseignants0,229 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetHydraulic Fracturing and Reservoir AnalysisTravaux en français237 207