Unlocking Completion Design Optimization Using an Augmented AI Approach
Notice bibliographique
Résumé
Abstract An Augmented AI approach has been developed to optimize completion design parameters and access the full potential of unconventional assets by leveraging big data sculpting, domain-induced feature engineering, and robust and explainable machine learning models with quantified uncertainty. This method unlocks the full potential of a well using completion design parameters optimization that considers all the factors that impact well performance, geological characteristics, well trajectory, spacing, etc. By leveraging basin-level knowledge captured by big data sculpting with the use of uncertainty quantification, Augmented AI can provide quick and science-based answers for completion optimization, and also assess the full potential of an asset in unconventional reservoirs. By leveraging computer vision and natural language processing techniques, unstructured data from various sources were deciphered, combined and organized into a structured database. Imputation techniques were used to fill the gaps of missing data. With the Augmented AI approach, the median accuracies of IP and EUR predictions for new drills is around 90%, which often outperforms industry-standard type curving methods. With the explainable machine learning (ML) model, the direct impact of completion design parameters on well performance is deconvoluted among other parameters, such as engineering and geological attributes. The prediction also comes with an 80% confidence interval to quantify the prediction uncertainties, which allows for better risk management and confident business decision making. With the ML model and given economic inputs and metrics, many sensitivity analyses are performed to evaluate optimized completion design parameters. The proposed Augmented AI approach has been deployed to Eagle Ford wells.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».