Advancements in Production Optimization through an Innovative Hybrid Data-Physics Architecture
Notice bibliographique
Résumé
Abstract This research addresses the challenges in using machine learning (ML) to assess and optimize production in unconventional wells, where computational costs (dependence on the accuracy of physical models) and complexity of wellbore design create significant challenges for decision-making and field development. A novel Hybrid Data-Physics (HDP) architecture is proposed that integrates data-driven models with physics equations embedded in a deep neural network (DNN). This approach optimizes both network and physical parameters simultaneously to predict short and long-term production rates, thereby generating more realistic operational scenarios. Using a comprehensive dataset from nearly 1300 Duvernay wells within the Western Canadian Sedimentary Basin (WCSB), the proposed HDP model significantly improves production performance estimations by refining physical parameters through iterative neural network processes. The model performs exceptionally well even with limited data, particularly in unconventional wells where geological complexities pose challenges for traditional simulation methods. By incorporating simpler equations such as decline curves, the HDP model bypasses the need for complex physics, capturing hidden complexities and operational trends. This study highlights the HDP model's transformative potential in production optimization, merging data analytics with physics-based modeling to enhance operational insights and decision-making. This pioneering approach reduces uncertainty and adapts to dynamic conditions, offering a robust, efficient tool for unconventional reservoir management. Additionally, the HDP model's ability to integrate various data types and adapt to evolving conditions underscores its versatility and practical applicability in real-world scenarios. Through this integration, the model not only enhances predictive accuracy but also provides a scalable solution that can be tailored to diverse reservoir conditions and operational needs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 ».