Using Production Data to Generate P10, P50, and P90 Type-Curves for Shale Gas Prospect
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 As a result of improved technology and declining conventional gas reserves, shale gas (SG) and other tight-rock reservoirs have emerged as significant sources of oil and natural gas. Since late-2008 natural gas prices have been depressed in North America as a result of oversupply with unmatched demand. Suppressed commodity pricing has made unconventional gas production uneconomic or marginally economic in many areas, which places a greater emphasis on prospect analysis and careful selection of areas of investigation and drilling locations. This paper discusses a new tool that was developed specifically for generating probabilistic (P10, P50 and P90)1 type curves for shale plays, based on a series of input production wells, which can be used in the early stages of the stochastic analysis of shale gas prospects. This technique will be discussed in detail and a sample case will be given to demonstrate the methodology for a simulated prospect. This methodology combines the use of a cumulative probability distribution (cumulative distribution function – CDF) for a key distribution parameter (i.e. one year cumulative gas produced) with flowing material balance (FMB) to estimate original gas-in-place (OGIP) and drainage area and the square root of time plot analysis to estimate linear flow potential (kmAcm). The results of these analysis techniques are then combined with estimates of other key PVT and reservoir parameters to generate a type curve for each of the probability levels of interest. These type curves can then be used in the stochastic analysis of SG plays using a methodology such as that presented by Williams-Kovacs and Clarkson (2011) for unconventional prospect screening.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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