Evaluation and Prediction of Hydraulic Fractured Well Performance in Montney Formations Using a Data-Driven Approach
Notice bibliographique
Résumé
Abstract The Montney tight formation, located in Western Canadian Sedimentary Basin (WCSB), is becoming an important component of hydrocarbon sources in Canada. Horizontal drilling and multistage stimulation techniques have been successfully applied to exploit Montney formations. Selecting appropriate completion and stimulation designs are crucial to maximize the well productivity and/or oil recovery in Montney. However, it is still challenging to predict after stimulation productivity of a target well based on different stimulation parameters. Data-driven approaches, such as neural network, can be applied to evaluate hidden correlations between stimulation designs and well productions. In this study, a comprehensive data mining technique, which integrates the cluster analysis, kernel PCA and DE-based ANN technique, is successfully developed to evaluate and predict the hydraulic fractured well performance in Montney formation. Fracturing operational data and well after stimulation productions of 1521 horizontal wells in Montney tight formations are first collected and classified into different groups using three clustering algorithms. Data-driven neural network models optimized by differential evolution (DE) algorithm are then trained using the stimulation parameters and cumulative productions. More specifically, fracturing operational parameters collected include operational time per stage, well completion strategy, types of fracturing base fluid and energizer, average proppant placed per stage, average fluid pumped per stage, number of stages, and average factures spacing. First 6-months cumulative productions are utilized to characterize the after-stimulation performance of fractured horizontal wells. Results show that optimal clustering should be chosen by making a tradeoff between the Silhouette coefficient and the size of the clustered data sets. The optimal 2D and 3D clustering are 6 and 4 clusters obtained by AP and k-means algorithm, respectively. The dimensionality of input variable space can be greatly reduced by using the kernel PCA. The optimal number of principal components for ANN modeling is 7. The prediction ability of single layer neural network can be significantly improved by integrating DE algorithm into the ANN model. The determination coefficients (R-square) of validation and testing sets are increased by 31.0% and 23.8% for the optimal neural network. The developed data-driven technique provides a potential method to predict well after-stimulation performance. It is not only useful for evaluating the effects of stimulation parameters on well performance, but can also provide a reliable approach to predict well response towards different stimulation strategies in Montney tight formations.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 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 ».