Complete Decision-Tree Analysis Using Simulation Methods: Illustrated With an Example of Bitumen Production in Alberta Using Steam Injection
Notice bibliographique
Résumé
Abstract In September 2003, the SPE held a workshop on the future of asset valuation in corporate asset design and selection process. One suggestion that came out of the workshop was that methods should be developed that will allow the use of decision tree analysis not only in the exploration and appraisal phases of the asset life cycle, but throughout the cycle, and in such a way that the decisions to be analysed are made not only in response to the resolution of geological uncertainty but also in response to the resolution of price and other commercial uncertainty. This will require a significant expansion of the computational technology available to deal in decision tree analysis with complex policy spaces in the face of complex structures of underlying uncertainties. Work has been gong for several years in financial markets to deal similar issues using different subtle combinations of simulation and optimisation methods. Two of these combinations the Longstaff Schwartz method and the stochastic programming method have been applied recently to valuations in the mining industry in situations that are analogous to those faced by the upstream petroleum industry. In this paper, we show how the Longstaff-Schwartz method, as adapted for use in a mining context, may be applied to the analysis of decision-making and value in the development of a bitumen deposit in Alberta using steam injection, where the underlying uncertainties are price movements in the bitumen produced and the natural gas used to produce the steam, and technological and geological uncertainties in the production and cost profiles. The analysis is complicated by the fiscal regime that brings to bear at each time the past price history through a particular form of ring-fenced resource rent royalty.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».