Intelligent Production Optimization Decisions: Prioritizing Production Optimization Through Machine Learning Aided Uplift Quantification
Notice bibliographique
Résumé
Abstract Due to complexity and scale, managing and engineering a modern hydrocarbon asset is extremely challenging. The problem becomes more difficult if an asset has thousands of wells to manage because, most of the time, operation resource is limited (either manpower or tool) to achieve production optimization and the amount of information to process during decision making is enormous. Bringing necessary data from multiple different sources and analyzing it in a relatively short period of time to provide actionable/reliable insight to field operators’ and engineers’ is the key to enhance and optimize production performance. The production optimization best practice is shared amongst field operators and engineers given the geology, reservoir character, and operation strategy which include artificial lift, stimulation, and other workover. This approach has been applied and proven successful mostly in low well count assets by identifying opportunity and providing robust qualitative guidance towards optimum production condition. However, in high well count assets such as unconventional, it is impossible to execute traditional manual approach and it is essential to develop an integrated, flexible, and automated workflow that enhances the efficiency and effectiveness of production operation and achieve "operate-by-priority". Thus, to have efficient and optimized management of hydrocarbon production from individual well of a high well count asset requires prior, more certain and almost real time knowledge of production rates from the currently or upcoming production wells. Production data, thus, from individual well is very important. Well tests are carried out to obtain production rates and then utilize these rates to provide optimized production decisions and actions. In a well test, a test separator splits the production stream into oil, gas, and water using gravity and support in the management of hydrocarbon production. However, well test are infrequent and doesn't fit the purpose alone with such low frequency for real time surveillance and decision support. Also, well tests are expensive and, hence, it is also not economically viable to do more frequent well tests.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».