Tight Gas Production Prediction in the Southern Montney Play Using Machine Learning Approaches
Notice bibliographique
Résumé
Abstract Recently, the machine learning approach has been used to forecast tight gas production from unconventional resources. However, the performance of machine learning-based predictive models has not been successful with respect to actual field production. The poor performance has been ascribed to several factors, including the relatively few field data and few input data from geological, geomechanical, and operational information. This study uses big data analytics to develop a prediction model for Southern Montney Play in the province of British Columbia, Canada. First, a complete dataset is built, including ten geological, geomechanical, and operational characteristics for 3146 horizontal wells in Southern Montney Play. Then, the relationships between the first-year production and input parameters are evaluated, and controlling factors are identified. Finally, a comparative study of prediction models with distinctive training algorithms is conducted to find the best algorithm for predicting first-year production. The results reveal that the top features that contribute most to tight gas productivity are total injection volume, porosity, and formation pressure. Features with secondary effects are net thickness, fracturing depth, and number of stages. The other features, including permeability, gas saturation, horizontal length, and cumulative proppant injection, are the least related. The Random Forest algorithm with the highest correlation coefficient (R2=0.82) and lowest mean absolute error (MSE=0.15) is picked. The Random Forest-based production prediction matches the observed field production, indicating that the northeastern portion of the study area has the highest estimated tight gas productivity. This procedure can be applied to additional scenarios involving tight gas production and used to guide the future site selection and fracturing job size, thereby achieving effective tight gas development.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».