Bayesian History-Matching and Probabilistic Forecasting for Tight and Shale Wells
Notice bibliographique
Résumé
Abstract The fracturing of horizontal wells is a recently developed tool to help enable tight and shale formations to produce economically. Production data analysis of the wells in such formations is frequently performed using analytical and semi-analytical methods. However, in the presence of nonlinearities such as multi-phase flow and geomechanical effects, the numerical simulations are necessary for interpretations and history-matching techniques as they are required for model calibration. Reservoir history-matching techniques are usually based on the frequentist approach and can provide a single solution that can maximize the Likelihood function. Production forecasts using a single calibrated model cannot honor the uncertainty in the model parameters. Therefore, a Bayesian approach is suggested where we can combine our prior knowledge about the model parameters together with the Likelihood to update our knowledge in light of the data. The Bayesian approach is enriched by applying a Markov chain Monte Carlo process to updated the prior knowledge and approximate the posterior distributions. In this paper, a one-year production data of a real gas condensate well in a Canadian tight formation (lower Montney Formation) is considered. This is a horizontal well with eight fracture stages. A representative 2D model is constructed which is characterized by 17 parameters which include relative permeability curves, capillary pressure, geomechanical effects, fracture half-length, fracture conductivity, and permeability and water saturation in the stimulated region and the matrix. Careful analysis of available data provide acceptable prior ranges for the model parameters using non-informative uniform distributions. Markov chain Monte Carlo algorithm is implemented using a Gibbs sampler and the posterior distributions are found. The results provide an acceptable set of models that can represent the production history data. Using these distributions, a probabilistic forecast is performed and P10, P50 and P90 are estimated. This paper highlights the limitations of the current history-matching approaches and provides a novel workflow on how to quantify the uncertainty for the shale and tight formations using numerical simulations to provide reliable probabilistic forecasts.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».