Deep Learning-Based Production Forecasting for Liquid-Rich Gas in the Duvernay Shale Play
Notice bibliographique
Résumé
Abstract The Duvernay Formation is one of the most significant unconventional hydrocarbon formations in the Western Canada Sedimentary Basin (WCSB), known for its high liquid hydrocarbon content. Due to hydraulic fracturing being widely applied, the significant reservoir heterogeneity makes forecasting the newly developed well extremely challenging compared to traditional methods. Our previous work successfully applied a deep learning-based production forecasting model to the Montney shale gas play. However, Duvernay shale play exhibits significant variability in gas and liquid production proportions across different regions. This variation introduces challenges in accurately predicting multi-phase flow production behaviour. This study enhances our previously developed Masked Encoding and Decoding (MED) architecture for forecasting multi-phase hydrocarbon production from the Duvernay Formation. To mitigate the accumulation of errors typically encountered in recursive generation methods for the three production phases (oil, gas, and water), the model adopts a Non-Autoregressive Generation (NAG) approach, which predicts future production in a single step. The model integrates geostatic properties and continuously updates as new production data becomes available. Experiments were conducted using a dataset of 2,700 wells from the Duvernay Formation, with oil, gas, and water production rates pre-processed using a novel Arp's decline denoising method to enhance model stability during training. Results demonstrate the enhanced MED model's superior accuracy compared to other well-known sequence-to-sequence models, effectively capturing complex gas-liquid ratio variability and dynamically updating predictions with new data.
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 | 0,001 | 0,001 |
| 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 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 ».