Machine Learning Sweet Spot Identification and Performance Validation Utilising Reservoir and Completion Data from Unconventional Reservoir in British Columbia, Canada
Notice bibliographique
Résumé
Abstract Production in an unconventional reservoir varies widely depending on reservoir characteristics (e.g., thickness, permeability, brittleness, natural fracturing), and completion design (e.g., well spacing, frac spacing, proppant volume). A comprehensive method of data analytics and predictive Machine Learning (ML) modeling was developed and deployed in the Montney unconventional siltstone gas reservoir, British Columbia, Canada to identify production zone "sweet spots" from reservoir quality data (i.e., geological, geophysical, and geomechanical) data and completion quality data (e.g., frac spacing, fluid volume, and proppant intensity), which were utilized to enhance and optimize production performance of this unconventional reservoir. Typical data analytics and predictive ML modeling utilizes all the reservoir quality data and completion quality data together. The completion quality data tends to dominate over the reservoir quality data, because of a 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 these 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 modelling. This novel methodology of predictive ML modeling has identified sweet spots from key controlling reservoir quality data and as well as prescribed optimal completion designs from key controlling completion quality data. The trained predictive ML model was tested by a blind test (R2=79.0%) from 1-year of cumulative production from 6 Montney wells in the Town Pool, which was also validated by recent completions from 6 other Town Montney Pool wells (R2=78.7%).
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».