An Uncertainty Risk Evaluation Tool for Wellbore Leakage Prediction for Plug and Abandonement (P&A)
Notice bibliographique
Résumé
Abstract Oil and gas wells leakage is a major concern due to the associated risks. Potential issues include habitat fragmentation, soil erosion, groundwater contamination, and greenhouse gas emissions released into the atmosphere. An estimated 2 million abandoned oil and gas wells are believed to be leakage. Proper Plug and Abandonment (P&A) operations are required to ensure these wells are correctly disposed of from their useful operational life. This study aims to build an uncertainty evaluation tool to statistically classify the risk of a well from leaking based on their well information (age, location, depth, completion interval, casings, and cement). Data consists of leakage reports and available well data reports from Alberta Energy Regulator (AER) in Canada. Multiple preprocessing techniques, including balancing the data, encoding, and standardization, were implemented before training. Multiple models that included Naïve Bayes (NB), Support Vector Machine (SVM), Decision Trees (DT), Random Forest (RF), and K-Nearest Neighbors (KNN) were compared to select the best-performing for optimization. RF outperformed the other models and was tuned using hyperparameter optimization and cross-validation. The final model's average accuracy was 77.1% across all folds. Multiple evaluation metrics, including Accuracy, Confusion Matrix, Precision, Recall, and Area Under the ROC Curve (AUC), were used to assess the model and each class against the rest. Feature importance showed an even distribution across the different features used. The model presented in the study aimed to classify wells and label the leakage risk based on the well information associated with its components. This risk evaluation tool could help reduce gas emissions by 28.2% based on the results obtained. This tool can classify the wells to speed the selection process and prioritize wells with higher leakage risk to perform P&A operations and minimize emissions.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».