A Management Decision Tool for Ranking Oil Sands Resource Development Opportunities
Notice bibliographique
Résumé
Abstract A management decision-making and planning tool has been developed to provide a quick, high-level resource quality assessment of oil sands assets to enable economics-based ranking of investment opportunities. It is systematic and transparent, largely avoiding the subjectivity and human bias often associated with ranking assets for capital allocation. The model utilizes the available reservoir characterization information (API gravity and petrophysical analysis including oil saturation, effective porosity, V shale, pay thickness), expected operating conditions (steam injection pressure, horizontal well lengths), and a reservoir risk assessment to predict the key performance metrics for an in situ oil sands project using SAGD (steam assisted gravity drainage) including oil rates, steam-oil ratio and recovery factors. The reservoir risk factor is a quantification of the production impact (lower expectations and/or increased uncertainty) from reservoir impairments based on expert opinions and reservoir simulation. These performance metrics can then be used to estimate expected overall economic potential (IRR) for a given asset. The ranking can be done at various levels: land sections, defined prospects, wellpad drainage areas, or at the individual (delineation) well level. Predictive analytics techniques, in this case multi-variable linear regression, were used to construct the model. It was initially based on thermal recovery theoretical models for the SAGD process for predicting oil rates and a simple energy balance for predicting steam-oil ratio (SOR). Subsequently it has been updated via industry production data "fitting", or applying the actual performance data of various mature, operating wellpads to improve the confidence level of the model. The result is a hybrid model; science-based but influenced by real operating and production experience. It has served as a primary tool used for strategic planning, in the setting of high-level performance targets (and probabilistic distributions thereof) for each of the assets. This tool has enabled a resource driven development strategy, allowing the company to focus technical resources on the assets that possess the greatest economic potential. Resulting business decisions include capital allocation (for additional delineation data) and more rigorous technical efforts (reservoir modeling and simulation) on the highest ranking 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 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 | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».