Analysis of gas production data via an intelligent model: application to natural gas production
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
Predicting the future oil and gas production rate and evaluating oil/gas reserves are very challenging issues. Many engineers have found decline curve analysis a useful approach (Ahmed, 2010; Arps, 1945; Ebrahimi, 2010; Fetkovich, 1980; Gentry, 1972; Li and Horne, 2005; Ling and He, 2012; Oghena, 2012; Shirman, 1999; Zheng and Fei, 2008). The production rate or cumulative production at a constant bottom-hole pressure declines with time (Ahmed, 2010). Since mechanisms affecting the production are constant throughout the lifetime of a reservoir, extrapolating decline curves is used to forecast the future production rate. To do so, initial production rate, the decline curvature, and its rate should be considered (Ahmed, 2010). Arps’s equations are fundamental for the most heuristic and conventional decline curve analysis models (Arps, 1945). Arps demonstrated that the hyperbolic family of equations can express mathematically the curvature behaviour of the production rate versus time curve. The Arps (Arps, 1945) equations are divided into three categories, including exponential, hyperbolic, and harmonic decline curve models. Fetkovich (Fetkovich, 1980) proposed type curves for analysing decline curves. The procedure of type curve matching is summarized by the visual matching with log-log paper that includes pre-plotted curves of production data. Each of the curves has characteristics which can be shown when plotting them on Cartesian, semi-log and log-log scales as shown in Figure 1.
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 | 0,001 |
| 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