A deep learning framework for production forecasting
Notice bibliographique
Résumé
Over the last decades conventional decline curve analysis has been a common method to forecast hydrocarbon well production. However, this technique is often faced with inefficiencies in reliably predicting hydrocarbon production. This is partially due to its inability to predict multiple phases in a single model, and to incorporate operational changes and subsurface fluid flow mechanisms. In this paper, we propose a deep learning framework that addresses the limitations of traditional parametric DCA. This was achieved by using an Encoder-Decoder Long Short-Term Memory Networks architecture. The model combines three types of inputs consisting of time-variant information (i.e., historical production), static well features (e.g., geology and spacing parameters), or known-in-advance control variables (e.g., artificial lift type as a function of time), and the output is a multi-step forecasts for oil, gas, and water rates. We applied the model to a dataset of 213 gas wells from the Eagle Ford Basin, with the goal of predicting the gas and water rates. Production history ranges from 11 to 52 timesteps (mean 31) and is supplemented with 18 static features comprising geology, spacing, and operational attributes. Our proposed framework demonstrated the ability to; 1) forecast future production with limited historical production, 2) predict production behavior under different control regimes and quantify the impact of future planned activities, 3) forecast multiple phases (oil, gas, and water) simultaneously with the same model (i.e., multi-target prediction).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».