Improved Data Mining for Production Diagnosis of Gas Wells with Plunger Lift through Dynamic Simulations
Notice bibliographique
Résumé
Abstract Plunger lift has been widely used in unconventional gas wells to remove liquid accumulation from the well.. Production surveillance provides large amount of data of production process and normal and abnormal operations, which can be used in machine learning (ML) and Artificial Intelligence (AI) to develop algorithms for anomaly diagnosis and operation optimization. However, in the surveillance data the majority is related to daily operation and the data of failure cases are rare. Also the failure cases may not be repeatable and many failure case signatures are not available until they happen. Large data size of anomaly cases are needed to improve the ML model accuracy. Dynamic simulation of the plunger lift process offers an alternative way to generate synthetic data on the specified anomalies to be used to train the ML model. It also helps better understand the trends reflected in the surveillance data and their root causes. From the available surveillance data of gas wells equipped with plunger lift, the simultaneous measurements of different parameters at different points in a production system with normal and abnormal occurrences can be analyzed and the correspondent trends/signatures can be identified. The typical signatures that conform to pre-determined anomalous patterns can be obtained. Using a commercial transient multiphase flow simulator, the actual field data of tubing/casing pressures can be matched through a tuning process. Trial-and-error is needed to improve the dynamic plunger lift model so that a good agreement with the production data can be achieved by adjusting the reservoir performance, plunger parameters or surface pipeline boundary conditions. Following the validation under different flow conditions, synthetic datasets for various operational and flow conditions can be generated by performing parametric studies. Unlike the field data, the synthetic data from the dynamic simulations mainly comprise anomaly signatures (e.g. tubing rupture, missed arrival of plunger, etc.), which can be added to the ML data pool to reduce the data covariance and increase independency.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».