Evaluating the Impact of Fracture Proppant Tonnage on Well Performances in Eagle Ford Play Using the Data of Last 3-4 Years
Notice bibliographique
Résumé
Abstract Since 2008, horizontal wells completed with multi-stage hydraulic fracturing have dramatically boosted Eagle Ford production. Due to high drilling and completion costs, operators have been trying to improve development economics by optimizing the stimulation treatments. This paper presents a look-back analysis on the stimulation treatments performed by different Eagle Ford operators from 2008-2012 using data mining methodologies, focusing on how proppant tonnage has impacted early-time production of their Eagle Ford wells. The Eagle Ford wells have been observed having high decline rates and the early time production performance evaluation will be critical in project economics evaluations and EUR forecasts. The results of this look-back analysis may be used for field development optimization, where to drill and how much proppant should be pumped in each of different areas of Eagle Ford play. The focus of this paper is to present how proppant tonnage could impact the early time production performance. However, there are many variables affecting the early time performance of Eagle Ford wells. In this paper, we present data using bubble maps, contour maps, grid maps and scatter plots to show how some major geological and reservoir engineering variables could affect the early time performance of the Eagle Ford wells. The wells with similarities are grouped in order to minimize the variation of geological variables and other engineering variables and to derive consistent correlations between proppant tonnage and early time performances in different well groups. We present data in different well groups to show the correlations between proppant tonnage and early time well performance. For this study, the authors built a database of 3000+ Eagle Ford wells (including 2300+ horizontals). The authors found that it was very challenging to clean the public data and reformat it to a presentable manner.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».