MétaCan
Menu
Retour à la cohorte
Enregistrement W4387235867 · doi:10.2118/216366-ms

Wells and Facilities Instrumentation and Automation Towards Achieving Field Intelligence

2023· article· en· W4387235867 sur OpenAlexaff
Muzahidin Muhamed Salim, Ian Traboulay, G. S. U. Ahmed, E. Ibrahim, Sara A. A. M. Al Wehaibi, Omran Al Hammadi, Nasser A. Ballaith, M. Al Houqani

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensSchlumberger (Canada)
Organismes subventionnairesnon disponible
Mots-clésWellheadWirelineSCADAInstrumentation (computer programming)Petroleum engineeringEngineeringWell controlAnalyticsEnvironmental geologyReservoir engineeringComputer scienceGeologyMechanical engineeringPetroleumData scienceElectrical engineeringDrilling

Résumé

récupéré en direct d'OpenAlex

Abstract A well is a conduit that connects the hydrocarbon deposits in the subsurface to the facilities that transfers and processes it. Understanding the flow of oil or gas through the source rock can only be made possible from the wells itself. Aside from the flow conduits, wells are the only point of reference to understand the field wide behavior. This information is critical to manage the reservoir, ensuring sustainable production throughout the field life. Traditionally, acquiring data from the subsurface to the wellhead relies on intervention, conveying instruments downhole with wireline or coiled tubing. Though effective, this activity incurs costs, logistically challenging and only sporadically available. Surface flow parameters such as rate and pressure are usually measured by analog gauges and Barton chart measurements, which are read manually by personnel to be tabulated later. In most cases, these data can be lost without a proper data management system in place. With the advent of digital instruments, parameters such as pressure, temperature and flowrates; can now be measured automatically and transmitted to a DCS or SCADA system. Some downhole completions are now equipped with instruments that are robust and accurate to take measurements even in extreme conditions of heat and pressure. With data at high availability, engineers are now able to conduct analysis faster, applying data analytics, collaboration and decision making. The main value for Digital Oilfield (DOF) is to save time in data retrieval, analysis and decision making and allow domain engineers to perform higher analytical function and decision making, taking them out from repetitive, manual work through automation. This paper will describe the minimum instrumentations for all well types and major oil and as process facilities for real time data acquisition required to run DOF workflows. This covers subsurface wellbore to production manifold to custody transfer meters.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,254
Score d'incertitude au seuil0,238

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,286
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReservoir Engineering and Simulation MethodsTravaux en français237 207