An Advanced Workflow and Tool to Map New Sweet Spot and Enhanced Well Placement Strategy using Machine Learning in Unconventional Reservoir
Notice bibliographique
Résumé
Abstract Unlike conventional reservoirs where the reservoir rock formations are recipient of hydrocarbons from the source rock, unconventional formations constitute both the source and the hydrocarbon containing reservoir units. For the field development, horizontal wells are drilled and later hydraulically fractured in order to produce the gas. The placement of horizontal wells is crucial for the economic viability of the field. This paper describes developing an advanced workflow of new sweet spot mapping and a standalone tool to enhance horizontal well placement and completion optimization using machine learning. The tool, called Sweet Spots Machine Learning (SS-ML) is developed to integrate petrophysics, geomechanics, seismic, completions attributes and production data in order to map out high productivity zone that will help optimize well placement strategy. This study focused on a case study in Unconventional reservoirs in Canada. The procedure integrates all data from multiple domains such as Petrophysics-Geomechanics-Seismic-Completions attributes with the field production data and establishes a machine learning model (ML) in order to predict and map-out production sweet spots. The output 3D predicted production volume can then be employed to help optimize well placement and completions strategy. In general, unconventional reservoirs are difficult to produce as they are made up of very tight rocks containing hydrocarbons that cannot be produced without stimulation. Twelve key factors influencing subsurface parameters were identified for controlling production performance in this unconventional reservoir. High productivity sweet spots were identified to be zones with high organic content, high rock stiffness, and low horizontal stress condition. The machine learning model was developed and validated against production wells for sweet spot prediction. Then, 6 new wells were drilled and successfully identified sweet spots with success ratio above 83%. According to the findings, most current production levels fall within an acceptable range that exceeds predictions. The advanced workflow and new developed tool ML model allow future well placement optimization for this unconventional reservoir in Canada. Zone-based splitting of training and testing wells is recommended for unconventional reservoirs ML modelling to improve accuracy.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».