Completion Design Optimization as a Function of Reservoir Quality in Tight Reservoirs: A Big Data Approach
Notice bibliographique
Résumé
Summary Over the past decade, more than 40,000 multifractured horizontal wells (MFHWs) were completed in the Western Canada Sedimentary Basin (WCSB), making Canada the third largest oil exporter in 2022. However, this process consumed more than 56 billion gallons of water, with more than 30 billion gallons unrecovered—equivalent to the annual water consumption of a city of 1 million for nearly 5 years. This raises concerns about water use efficiency in fracturing operations. Can big data mining reveal the relationship between reservoir quality, fracturing design parameters, and process efficiency? This research aims to develop a hybrid analytical and machine learning (ML) workflow to optimize completion design as a function of reservoir quality in tight reservoirs. To achieve this objective, we analyze data from more than 14,000 wells in the Montney formation. Using core analysis and well log data, we develop a support vector machine (SVM) to predict permeability and a fuzzy clustering model to estimate fracturability. We categorize Montney’s lithology through hierarchical clustering. With 3D kriging interpolation, we fill missing data and create high-resolution 3D petrophysical maps, which help derive a reservoir quality index (RQI) map to identify the sweet spots for completing new wells. We introduce a stage placement efficiency (SPE) metric to evaluate fracture stage placements in-line with the RQI. Finally, we develop neural network–based proxies that predict well performance based on reservoir quality, geomechanical properties, and completion design, incorporating more than 40 completion parameters, the RQI, and historical production data. The results reveal a higher degree of homogeneity in the upper Montney compared to the middle and lower segments. Generally, completion design parameters significantly impact MFHW productivity more than formation characteristics. Applying the proposed proxy to Montney-oil MFHWs could increase fracturing water recovery by 94.4%, reduce injected water volume by 22%, and boost cumulative oil production by 37.9%. The proxy aims to enhance fracturing water efficiency. A 1% reduction in freshwater consumption in the WCSB could save more than 100 million gallons of fresh water and cut CO2 emissions by up to 2,000 tons, equivalent to removing more than 1,000 gasoline cars from Canadian roads.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».