Data-Driven Production Forecasting of Unconventional Wells with Apache Spark
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Real-time decision making, field surveillance, and production optimization improve the performance of existing operations to increase hydrocarbon recovery and reduce emissions. In this regard, the oil and condensate flow metering in offshore gas condensate platforms is always confronted by environmental, economic, and operational challenges resulting in uncertain production management plans. Although production forecasting of unconventional gas condensate systems is more challenging than for conventional wells, it is of great interest to support decisions by knowing the future of the wells as far as possible. The virtual flow metering techniques make it possible to utilize daily production data sets and extract information on how wells and reservoir will respond to different operational conditions. The objective of this study is to embed artificial intelligence algorithms in reservoir uncertainty modeling and present a mechanistically-supported data-driven model applicable for production forecasting of gas condensate wells with higher confidence. The outcome entails a new set of mathematical models, implemented using Apache Spark cluster computing engine with APIs in Python, that enables rigorous and robust optimization of the recovery process, designing and discovering hidden patterns in production data, and extracting reservoir information indirectly in seconds. The observations used to demonstrate the performance of the proposed hybrid model include 1600 well-testing data points together with 420 days of production history of an offshore gas condensate platform. The daily platform production is allocated efficiently to individual wells using a multilayer perceptron neural network model adaptively trained with well-testing and daily production datasets, and supported by the Energy and mass balance equations.
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.
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 découle