Notice bibliographique
Résumé
In the 2020 Completions Technology Focus, I stated that digitization will forever change how the most complex problems in our industry are solved. And, despite another severe downturn in the upstream industry, data science continues to provide solutions for complex unconventional well problems. Casing Damage Casing collapse is an ongoing problem and almost always occurs in the heel of the well. It prevents passage of frac plugs and milling tools. Forcing a frac plug through the collapsed section damages the plug, predisposing it to failure, which leads to more casing damage and poor stimulation. One team has developed a machine-learning (ML) model showing a positive correlation between zones with high fracturing gradients and collapsed casing. The objective is a predictive tool that enables a completion design that avoids these zones. Fracture-Driven Interactions (FDIs) Can Be Avoided in Real Time Pressurized fracturing fluids from one well can communicate with fractures in a nearby well or can intersect that well-bore. Such FDIs can occur while fracturing a child well and can negatively affect production in the parent well. FDIs are caused by well spacing, depletion, or completion design but, until recently, were not quickly diagnosed. Analytics and machine learning now are being used to analyze streaming data sets during a frac job to detect FDIs. A recently piloted detection system alerts the operator in real time, which enables avoidance of FDIs on the fly. Data Science Provides the Tools Analyzing casing damage and FDIs is a complex task involving large amounts of data already available or easily acquired. Tools such as ML perform the data analysis and enable decision making. Data science is enabling the unconventional “onion” to be peeled many layers at a time. Recommended additional reading at OnePetro: www.onepetro.org. SPE 199967 - Artificial Intelligence for Real-Time Monitoring of Fracture-Driven Interactions and Simultaneous Completion Optimization by Hayley Stephenson, Baker Hughes, et al. SPE 201615 - Novel Completion Design To Bypass Damage and Increase Reservoir Contact: A Middle Magdalena, Central Colombian Case History by Rosana Polo, Oxy, et al. SPE 202966 - Well Completion Optimization in Canada Tight Gas Fields Using Ensemble Machine Learning by Lulu Liao, Sinopec, et al.
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 | 0,001 | 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 | 0,001 |
| 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 ».