Integration of machine learning and data analysis for the <scp>SAGD</scp> production performance with infill wells
Notice bibliographique
Résumé
Abstract There have been numerous studies on predicting the production performance of the steam assisted gravity drainage (SAGD) process by data‐driven models with different machine learning algorithms since their introduction into industry. Similar efforts on SAGD infill wells, nevertheless, remain rare for this advanced alteration in improving the classical SAGD performance. On the other hand, predictive tools to optimize an infill well start time is useful in maximizing bitumen production and minimizing its costs. In this paper, a series of SAGD infill well models are constructed with selected ranges of operational conditions. Three SAGD infill well production performance indicators, namely, an increased ratio (), a total steam–oil ratio (SOR total ), and a stolen ratio () for each SAGD infill well, are calculated based on simulated infill well cases and control models. Five different machine learning algorithms (an artificial neural network [ANN] algorithm, three gradient boosting decision tree [GBDT] algorithms, and a support vector machine [SVM] algorithm) are trained, tested, and evaluated for their effectiveness in predicting those three indicators as output parameters, given seven SAGD relevant parameters as input parameters. Comparisons of different data sets show that the ANN is the best in predicting all three performance indicators under different infill well start times among all the above machine learning algorithms, while the GBDT algorithms have a better ability to learn a variation trend in the SAGD infill well performance.
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 | 0,000 | 0,001 |
| 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 ».