Time Series Analysis as an Alternative for Decline Curve Analysis in Unconventional Plays
Notice bibliographique
Résumé
Abstract Quick and reliable forecasting of production data is still challenging in unconventional plays, even with the variety of modifications proposed to Arps decline curve analysis (DCA). Machine learning revealed promising results when enough samples were accessible to train and validate the predictive model. However, this black-box model is inaccurate for unseen samples, challenging to generalize, and requires too much data. We attempted to present an alternative procedure to solve this problem —a fast and reliable method outperforming current approaches. In this study, we implemented univariate and multivariate times series analysis (TSA) to forecast production rate in the different scales (wellbore, field, and pad scales) where DCA failed to provide an appropriate fit beforehand. TSA is straightforward and enables recognition of the pattern in observation samples. Cyclic fluctuation due to seasonal changes in price and operational hours can be detected and indirectly considered in time series models like ETS (Exponential Smoothing) and ARIMA (Auto-Regressive Integration Moving Average). However, for the direct considerations of these critical parameters, Vector Auto-Regressive (VAR) models have the flexibility and ability to be configured with multiple variables and can capture more complexities. This simple and quick procedure applies on any scale from the wellbore to the field scales. To evaluate the performance, the TSA method has been applied and tested on data from the Duvernay shale in Western Canada. On the wellbore scale, modified DCA models forecast production rate with over/underestimation, even where enough observations are available, and if the well has shown a declining trend in the production. In the same wells, TSA provides a better fit and outperforms the DCA. In the field and pad scales, DCA could not draw a fitting model as production had a growing trend due to ongoing field developments. In contrast, TSA could realize the trend in the production data and successfully create the forecasting model. Price and production hours were added to the time series model as influential features on production. The model could forecast all the parameters simultaneously. In sum, TSA is a reliable and flexible alternative for DCA and can be implemented on production data in any scale.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».