Probabilistic Forecasting of Horizontal Well Performance in Unconventional Reservoirs Using Publicly-Available Completion Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this paper, we present a methodology to predict the performance of horizontal gas wells in unconventional reservoirs using publicly available completion data. Our process combines public domain data with statistical analysis and probabilistic simulation methods to forecast well performance without a detailed reservoir characterization. We have tested our methodology using a 425-well dataset from the unconventional Montney resource play in British Columbia, Canada. We believe this workflow can be applied to other resource plays with similar data. In our SPE Paper 167154 [1], we determined the sensitivity of production performance to completion parameters using multivariate regression analysis on the same 425-well dataset from the Montney formation. We found that the number of fracture stages and the number of perforation clusters per stage were the most influential predictors of well performance. In this paper, we discuss how we combined the regression analysis results with probabilistic methods to predict well performance. The model converts the deterministic regression coefficients into probabilistic distributions to account for parameters not considered in the original regression analysis, including reservoir properties. The results of our study show that by using this model, we can match the range of actual well performance outcomes with a 95% confidence. Considering the importance of shale gas resources to the North American energy supply and the difficulty of characterizing shale gas reservoirs, this methodology offers a distinct advantage by providing a predictive model for well performance without the need for a detailed reservoir characterization. This also could be a beneficial tool to use in scoping studies where high-level, rapid evaluation is required.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle