Optimization of Horizontal Well Direction and Length Considering Geomechanics Properties and Drainage Area Using Genetic Algorithm in A Gas Field
Notice bibliographique
Résumé
To maximize a horizontal well production, we need to determine the optimum direction and horizontal well length that maximizes the gas field recovery for a certain constant flow rate called by plateau rate. This problem is conventionally solved by using a reservoir simulation model and trial and error procedure that consumes considerably a lot of time and efforts. This study uses a random search method, i.e., Genetic Algorithm (GA), to solve this optimization problem and it very much eases to find the best well location with less time and efforts consumed.Along the general technique in directing a horizontal well towards the least principal stress of rocks, this study considers the geomechanics effects that influence the gas production performance. And also, the drainage area of horizontal well will be considered in this study to obtain the optimum horizontal well direction and length. In order to do this, a new proposed objective function for the GA has been constructed based on basic reservoir properties (i.e., porosity, permeability and gas saturation) and geomechanics properties (i.e., Young’s modulus and Poisson’s ratio). The results of the proposed method are validated using a reservoir model and economics evaluation.It may be concluded that the applying GA, with the appropriate objective function, can give accurate and faster results compared with the trial and error method using reservoir simulator, technically and economically, and also the proposed method is able to reduce the amount of works considerably time.
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 | 0,000 | 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 ».