A Comprehensive review of data-driven approaches for forecasting production from unconventional reservoirs: best practices and future directions
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
Abstract Prediction of well production from unconventional reservoirs is a complex problem given an incomplete understanding of physics despite large amounts of data. Recently, Data Analytics Techniques (DAT) have emerged as an effective approach for production forecasting for unconventional reservoirs. In some of these approaches, DAT are combined with physics-based models to capture the essential physical mechanisms of fluid flow in porous media, while leveraging the power of data-driven methods to account for uncertainties and heterogeneities. Here, we provide an overview of the applications and performance of DAT for production forecasting of unconventional reservoirs examining and comparing predictive models using different algorithms, validation benchmarks, input data, number of wells, and formation types. We also discuss the strengths and limitations of each model, as well as the challenges and opportunities for future research in this field. Our analysis shows that machine learning (ML) based models can achieve satisfactory performance in forecasting production from unconventional reservoirs. We measure the performance of the models using two dimensionless metrics: mean absolute percentage error (MAPE) and coefficient of determination (R 2 ). The predicted and actual production data show a high degree of agreement, as most of the models have a low error rate and a strong correlation. Specifically, ~ 65% of the models have MAPE less than 20%, and more than 80% of the models have R 2 higher than 0.6. Therefore, we expect that DAT can improve the reliability and robustness of production forecasting for unconventional resources. However, we also identify some areas for future improvement, such as developing new ML algorithms, combining DAT with physics-based models, and establishing multi-perspective approaches for comparing model 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 découle