An Operators Investigation of Performance Drivers Using Diagnostics and Data Analytics
Notice bibliographique
Résumé
Abstract In multi-stage plug-and-perf horizontal well completions, there are a multitude of moving parts and variables to consider when evaluating performance drivers. Properly identifying performance drivers allows an operator to focus their efforts to maximize the rate of return of resource development. Typically, well-to-well comparisons are made to help identify performance drivers, but in many cases the differences are not clear. Identifying these drivers may require a better understanding of performance variability along a single lateral. Data analytics can help to identify performance drivers using existing data from development activities. In the case study below, multiple diagnostics are utilized to identify performance drivers. A combination of completion diagnostics including oil and water tracers, stimulation data, reservoir data, 3D seismic, and borehole image logs were collected on a set of wells in the early appraisal phase of a field. Using oil tracers as the best indication of stage level performance along the laterals, data analytics is applied to uncover the relationships between the tracers and the numerous diagnostics. After smoothing was applied to the dataset, trends between oil tracer recovery, several independent variables and features seen in image logs and 3D seismic were identified. All the analyses pointed to decreasing tracer recovery, and likely decreased oil production, near faulted areas along each lateral. A random forest model showed a moderate prediction power, where the model's predicted tracer recovery on blind stages was able to explain 54% of the variance seen in the tracer response (r2=0.54). This analysis suggests the identification of certain faulted areas along the wellbore could lead to ways of improving individual well economics by adjusting completion design in these areas.
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 | 0,000 |
| 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 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 ».