Multivariate Time Series Modelling Approach for Production Forecasting in Unconventional Resources
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 Evaluating the potential of the unconventional resources is a key for the development of this type of reservoirs. The currently adopted models for the well production forecast including decline curve analysis often fail to capture the complexity of flow performance by over-simplifying it and cannot produce reliable results due to the operational problems and most importantly the inadequate production history. In this study, a deep learning approach is developed to predict the long-term well performance based on a moderate duration of production data. A data-driven procedure was implemented based on deep neural networks for flowrate predication using multivariate inputs. The production forecast was formulated as a time series regression problem where multiple inputs including tubing-head pressure and bottom-hole temperature are used as the input of a reverse model that estimates flow rate. Different recurrent neural networks (RNNs) including Long Short Term Memory, Gated Recurrent Units, and Bidirectional Recurrent Neural Networks were tested in this study to select the most time-efficient and accurate model of production forecasting. The method presented in this paper provided a time efficient process which learned multi-domain sequence and was used to forecast production in unconventional resources. The developed deep learning networks did not require any feature handcrafting and could learn directly form the raw data. Reconstructed and predicted flowrates using deep learning was also used to estimate missing flowrate history. The study showed that deep neural networks have great capability to tolerate noise and optimize computation when multivariate input is used. The technique can also be applied to other type of forecasting problems of prediction of pressure and rate in conventional reservoirs, prediction rate from temperature, and multi-well production forecasting.
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