Decision-Focused Optimization: Asking the Right Questions About Well-Spacing
Notice bibliographique
Résumé
Abstract Engineers and leaders who must decide on development strategies for unconventional resource projects face a challenging design problem. While we must make decisions on well and completion design, including well-spacing in three-dimensions, the complexity of the physical system and the interactions between these parameters can become overwhelming. The technical optimization problem can be difficult; however, asking the right questions can make the business decision clearer than it first appears. The typical approach to design optimization problems is to build models, with a tendency toward including an ever-increasing number of parameters to describe the system in exhaustive detail. However, our uncertainty in the model parameters often makes it impossible to identify the true optimum. In this work, we focus instead on reducing the number of model parameters and capturing the impact of these critical uncertainties on our business decisions. This allows us to answer the right questions in order to define and choose the best well-spacing strategy. For well-spacing optimization, a critical uncertainty is the relationship between the chosen well-spacing and the potential well-performance degradation, in terms of estimated ultimate recovery (EUR) and initial production (IP). Rather than attempting to describe fracture geometry and well interference from a mechanistic standpoint, we introduce a lumped parameter, the shared reservoir (SR) factor, to account for this complex relationship. The parameter distribution may be calibrated to (a) well results in a play, (b) well results in carefully selected analogue plays, or (c) simulated well results from probabilistic analyses. An example of a Monte-Carlo simulation using the uncertainty of the SR factor, as well as the mean EUR and IP, highlights the utility of the method. We also illustrate how the spacing decision impacts key risk and financial metrics, including the expected monetary value of the project, the probability of regretting the decision, and the probability of commercial success of the project. The shared reservoir factor is proposed to capture the complex relationships between the well-spacing decision and the EUR and IP that result from this decision. Using the shared reservoir factor, we can develop simple stochastic models to clarify an otherwise frustratingly complex optimization problem.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».