Dynamic Real-Time Production Forecasting Model for Complex Subsurface Flow Systems with Variable Length Input Sequences
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary Production time-series forecasting for newly drilled wells or those with limited flow and pressure historical data poses a significant challenge, and this problem is exacerbated by the complexities and uncertainties encountered in fractured subsurface systems. While many existing models rely on static features for prediction, the production data progressively offer more informative insights as production unfolds. Leveraging ongoing production data can enhance forecasting accuracy over time. However, effectively integrating the production stream data presents significant model training and updating complexities. We propose two innovative methods to address this challenge: masked recurrent alignment (MRA) and masked encoding decoding (MED). These methods enable the model to continually update its predictions based on historical data. In addition, by incorporating sequence padding and masking, our model can handle inputs of varying lengths without trimming, thereby avoiding the potential loss of valuable training samples. We implement these models with gated recurrent unit (GRU) and evaluate their performance in a case study involving 6,154 shale gas wells in the Central Montney Region. The data set encompasses 39 production-related features, including reservoir properties, completion, and wellhead information. Performance evaluation is based on root mean square error (RMSE) to predict 36-month production from 200 wells during testing. Empirical findings highlight the efficacy of the proposed models in handling challenges associated with variable-length input sequences, showcasing their superior performance. Our research emphasizes the value of including shorter time-series segments, often overlooked, to improve predictive accuracy, especially in scenarios with limited training samples.
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.
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 | 0,000 |
| 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 découle