Data Analytics and Machine Learning Predictive Modeling for Unconventional Reservoir Performance Utilizing Geoengineering and Completion Data: Sweet Spot Identification and Completion Design Optimization
Notice bibliographique
Résumé
Abstract Performance of wells in an unconventional reservoir are largely diverse due to different geology, reservoir characteristics, and completion design. A comprehensive method of data analytics and predictive Machine Learning (ML) modeling was proposed to identify production zone "sweet spots", and optimize completion designs from reservoir quality (e.g., geological, geophysical, and geomechanical) data and completion quality data (e.g., frac stage spacing, fluid volume, and proppant intensity, in order to enhance performance of production wells in unconventional reservoirs. Typical data analytics and predictive ML modeling approach utilizes all the reservoir quality data and completion quality data together, which mostly leads to domination of the completion quality data over the reservoir quality data because of higher statistical correlation (i.e., weight) of the completion data to observed production. Hence, resulting predictive ML models commonly underestimate the effects of the reservoir quality on production, and exaggerate the influence of the completion quality data. To overcome the shortcomings, the reservoir quality data and the completion quality data are separated and normalized independently. The normalized reservoir and completion quality data are utilized to identify sweet spots and optimize completion design respectively, through predictive ML modellings. The patent-pending methodology of predictive ML modeling has been exercised in recently developed wells of the Montney unconventional shale gas formation, British Columbia Canada, and identified sweet spots from key controlling reservoir quality data and as well as prescribed optimal completion designs from key controlling completion quality data.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».