Data-Driven Model for Measuring Hydraulic Fracturing Efficiency by Utilizing the Real-Time Treatment Data
Notice bibliographique
Résumé
Abstract The paper presents a practical tool for hydraulic fracturing efficiency evaluation. The tool is based on a data-driven approach that helps in interpreting real-time data. Based on the hydraulic fracturing (HF) job monitoring, statistic metrics and key performance indicators (KPIs) are generated to be valuable input for further designs and identification of potential savings in operation. Machine learning (ML) algorithms are proposed to reduce the tedious work of completion engineers by automatically classifying each treatment schedule's timestamp and assigning the stage label. For operation stages classification Support vector machines and neural networks algorithms are used. These models are trained and evaluated on real-time treatment datasets. After automatic stage recognition, relevant statistic parameters are calculated, enabling advanced data analytics. Detailed analysis of historical data allows to identify the areas for improvements and set new best practices. The first research objective was to gather data from various companies and structure them under the same template to conserve the most critical information gained during the hydraulic fracturing job. Afterwards, the data are preprocessed and labelled by using signal processing routines that significantly decrease the labelling time. The labels or classes are used to define different stages that can be distinguished during the treatment. Finally, the goal is to decrease the necessary time for data labelling. Therefore, two multiclass classification models (Support Vector Machines (SVM) and Neural Network (NN)) are built and evaluated. Based on evaluation metrics, both models resulted in high accuracy and reliable results. However, the SVM model resulted in slightly higher accuracy and an F1 score. The key value of these models is that they provide a computational method to extract a pumping schedule from hydraulic fracturing time-series data automatically. Also, these models allow conducting post-job analysis and choosing the proper pump schedule for a future HF treatment based on previous experience. This past-job analysis could contribute to the effectiveness of future operations by utilizing the materials and fluids more efficiently.
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 | 0,003 | 0,001 |
| 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 ».