A Novel Failure Mangement Framework for SAGD Well Integrity
Notice bibliographique
Résumé
Abstract Bow-tie approach was originally implemented for safety management system. The theory behind the bow-tie approach can be found in the Swiss cheese model by British psychologist James T. Reason (1990). The bow-tie has become popular as a structured method to assess risk where a qualitative approach is not possible or desirable. Bow-tie method can accommodate multiple outcomes and simultaneous multiple failure events. Bow-tie method avoids repeating the barrier analysis which is the old version of bow-tie method for multiple scenarios. In another word bow-tie method assimilates an accident scenario to a sequence of events, and barriers are mitigating the event results. Although Bow-tie method has been used in many industries, it is an unknown technique in oil and gas. The features attributes to bow-tie diagram are mostly designed for failures which are not attributed to location as depth or timing as operation versus abandonment timing. Due to these down sides the failure management diagram (FMD) is suggested which handles these challenges with bow-tie diagram. In this method the incidents causing the well shut-in or regulatory actions is presented as incidents and failures which yield to these incidents such as buckled casing of micro-annulus in cement which is not treated as failure events and things which may cause these failure events are called hazards. In this study the framework of FMD is presented for different well elements (i.e., casing, cement, and liner) during different stage of its life. Also the risk assessment analysis using fuzzy sets theory and Dempster-Shafer theory (DST) is discussed and results are discussed for different well elements.
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 | 0,001 | 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 | 0,001 |
| 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 ».