Smart Learning from Past Data Yields 50% Incremental Oil Production
Notice bibliographique
Résumé
Abstract This paper presents a novel methodology for re-developing mature fields and increasing their production and reserves. It has been successfully applied to Butte Voluntary Unit, Canada, where it yielded a 50% production increase. Such upside results from a rational and massive search for the best re-development plan. The method uses a reliable production forecast tool specifically developed and calibrated for the given field. This is based on a smart learning process from historical production data, constrained by reservoir and well physics. The tool is not only reliable, it is also very fast: any given production forecast can be played within seconds. A powerful search engine is used to generate, select, adjust, and compare 100,000s potential field development plans ("scenarios"). Those are ranked for best Net Present Value, within different sets of financial and technical constraints ("strategies"). The full process was successfully applied to Butte Voluntary Unit, a water flooded mature field in Western Canada. A comprehensive range of strategies was explored, enabling robust decisions with respect to future oil price assumption, and ranking investment priorities. After playing 600,000 different possible production scenarios, a financially optimized re-development plan was identified involving four conversions out of 69 candidates, and the drilling of four new infill wells out of 20 possible sweet spots, as well as an upgrade of the field injection capacity. This re-development plan was actually implemented on the field and became operational during the summer of 2011. Since then, oil production has soared as planned and incremental 5 year-reserves about 50% above the baseline are being demonstrated. This project illustrates that historical production data of mature fields have plenty to tell, and demonstrates how they can be smartly used to engineer the right re-development path and unlock considerable upside with controlled investment and low risk. Mature fields are gaining increasing importance within most oil & gas companies’ portfolios. Relying on several field proven successes, the technology presented in this paper is becoming a reference tool for re-developing mature fields.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 0,001 |
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 ».