Appraising Unconventional Play from Mini-Frac Test Analysis, Actual Field Case
Notice bibliographique
Résumé
Abstract Unconventional reservoirs are an increasingly important worldwide resource. These reservoirs, generally defined by permeability values lower than 0.1 millidarcy, present today's engineer with unique challenges. To date, there are no available methods for evaluation of unconventional wells with respect to estimated ultimate recoveries (EURs). As a result, the conventional approach has been used resulting in initial well reserve and performance predictions containing large amounts of uncertainty. Ultimately, capital efficiency will suffer through these misinterpretations. A better understanding of completion efficiencies and of a well's performance in these new unconventional frontiers is needed. This paper will present an optimized EUR prediction procedure for the ultra-low permeability unconventional reservoir. The data from a standard mini-frac test will be analyzed and interpreted to produce the desired results. Illustrated within is the integration of geological data, Mini-Frac test (DFIT) analysis, and logging data to predict EUR's and future performance profiles. The DFIT analysis shows itself to be the most influential in this predictive workflow. One should note that the critical step in the process is proper identification of the reservoirs parameters: initial reservoir pressure, permeability, fracture half-length, and reservoir boundary A reservoir model was built using the results of the proposed workflow. Through multiple simulations, the model produced well-performance curves and EUR values that were in agreement. This procedure generates more accurate and reliable curves than the conventional decline curve analysis approach and properly applied, will improve individual well performance predictions with additional benefits including optimization of future completion metrics and spacing decisions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».