MétaCan
Menu
Retour à la cohorte
Enregistrement W2007594740 · doi:10.2118/2005-217

Field Results: Effect of Proppant Selection on Well Productivity-Cardium Formation

2005· article· en· W2007594740 sur OpenAlexaboutno aff
T.T. Leshchyshyn, M. C. Vincent, Claude M. Rightmire

Notice bibliographique

RevueCanadian International Petroleum Conference · 2005
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCitationProductivityDownloadLibrary scienceSelection (genetic algorithm)Computer scienceOperations researchArchaeologyEngineeringGeologyWorld Wide WebGeographyArtificial intelligenceEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Effects of proppant selection on well productivity are demonstrated in a large case study covering 6,000 square kilometers (2,300 square miles) in Alberta, Canada. In 9 of 11 cases studied, wells fractured with ceramic proppant provided significantly higher gas production rates compared to wells propped with sand or other materials. The most frequently stimulated formation in the Western Canadian Sedimentary Basin is the Cardium formation of the Late Cretaceous period. Records indicate that across the basin the Cardium formation has received over 12,500 fracture stimulations during the last 50 years. This study includes a review of 1,600 wells currently operated by 96 companies. On average, 156 new wells have been drilled annually since 2000. Record numbers of new wells were completed in 2004, and the number of Cardium wells completed in the last four years exceeds the total from the preceding two decades. A detailed database containing available fracture treatment and production data was compiled from government records and service industry sources. This paper summarizes a study of over 750 well stimulations. Various stimulation strategies have been employed in the Cardium development. This paper examines productivity of hydraulic fractures propped with various materials and placed with a variety of fluid systems. Wells in this study were stimulated with as low as one tonne (2,200 lbm) to nearly 185 tonnes (407,000 lbm) of proppant per well in one to five stages. Analyses suggest that significantly greater economic return can be achieved when fracture designs are optimized. In this study, the most common design was 60 tonnes (132,000 lbm) of proppant placed with a hydrocarbon-based fluid. For this treatment design, the average first year production for wells receiving 60 tonnes of sandwas 8.5(106) m3 (302 MMscf) of gas. Wells stimulated with 60 tonnes of ceramic proppant averaged 11.9(106) m3 (420 MMscf) production during the first year. Benefits vary with job size, fluid type, and other factors. The incremental cost of ceramic proppant is usually recovered within 30 days, generating a significant increase in profitability. At current gas prices, average return on investment achieved by optimizing proppant selection greatly exceeds 100%. Additional information is provided to assist fracture optimization strategy in the Cardium development. Introduction Hydraulic fracturing is required to achieve economic production rates from most Cardium gas wells; in fact, records indicate over 12,500 stimulation treatments have been performed within this formation throughout the Western Canadian Sedimentary Basin (WCSB). Despite this extensive experience, no clear consensus has emerged from the various operators on fracture design optimization. The purpose of this paper is to evaluate the productivity achieved with various treatments. A detailed database was compiled from government and service industry records. Stimulation treatments are classified by fracturing fluid type, proppant type, and proppant quantity placed. Description of Well Population The study area includes 1,600 wells located between 52– 18W5 and 56–23W5. This area encompasses portions of the Ansell, Cecelia, Dalehurst, Edson, Lambert, Medicine Lodge, Nosehill, Obed, Oldman, Peppers, Pine Creek, Sundance and Wild River fields.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,410
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,006
Tête enseignante GPT0,209
Écart entre enseignants0,202 · 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 tête enseignante, 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
GenreEmpirique

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

En bref

Citations1
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian International Petroleum ConferenceMême sujetHydraulic Fracturing and Reservoir AnalysisTravaux en français237 207