Using Stochastic Simulation To Quantify Risk and Uncertainty in Shale Gas Prospecting and Development
Notice bibliographique
Résumé
Abstract Ultra-low permeability shale gas reservoirs have emerged as a significant source of natural gas in North America. Improved drilling, completion and stimulation techniques combined with declining conventional gas reserves have made shale gas a desirable commodity with significant long-term production potential. Despite extensive development and production (particularly in North America), minimal work has been done to develop tools and methodologies for shale gas prospect analysis. Due to the complexity and large extent of unconventional natural gas resources, it is crucial to be able to investigate potential prospects in a methodical manner to determine whether a given prospect has commercial potential and to compare it to other potential prospects. Experience has shown that conventional exploration techniques using deterministic solutions are not suitable for unconventional prospects due to the unique nature of each prospect and the complexity of each reservoir. The most common method for exploiting shale gas reservoirs is through the use of multi-fractured horizontal wells; the resulting well performance, influenced by both the stimulation treatment and complex reservoir attributes, precludes the use of traditional techniques for production data analysis and forecasting. Several new techniques have been developed to improve the quality and efficiency of analysis while accounting for properties that are unique to shale gas (i.e. adsorbed gas in self-sourced reservoirs and nanodarcy level permeability). Also, due to the complexity of shale gas reservoirs, many authors have suggested that deterministic analysis is unsuitable and that probabilistic analysis should be used to quantify the risk and uncertainty associated with shale gas prospects and the associated data. This paper discusses a new tool that was developed specifically for shale gas prospect screening. This tool combines the latest production data analysis and forecasting techniques with a simple, yet rigorous method for stochastically comparing shale gas prospects. The paper discusses the production analysis and rate forecasting techniques used in the tool, as well as the tool development and application. A sample case using simulated data is presented for proof of concept and a discussion is given for extension of the tool for comparison of several potential prospects.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».