A Hybrid Modeling Method Enables Real-Time Prediction of Hydraulic Fracturing Wellhead Pressure
Notice bibliographique
Résumé
Summary Hydraulic fracturing plays a crucial role in the extraction of unconventional resources. Real-time optimization of pumping parameters during hydraulic fracturing is essential for cost reduction, risk mitigation, and production enhancement, which involves utilizing either physical or data-driven models to predict system responses, e.g., wellhead pressure (WHP). However, existing models for predicting WHP are inadequate for real-time application due to their limited accuracy and extrapolation capabilities. To address this issue, a novel hybrid modeling framework is proposed. This framework combines physical models with machine learning and online model calibration to predict fracturing WHP in real time. The physical models ensure interpretability and extrapolation ability, while machine learning improves prediction accuracy by compensating for physical model errors. The model is dynamically updated using real-time field data to adapt to changing downhole conditions. Evaluated on data from two horizontal wells in China, the hybrid model achieves a 25.78% reduction in root mean square error (RMSE) and a 48.99% reduction in prediction error variance (PEV) compared with pure machine learning, and a 49.20% RMSE reduction over physical models. It retains the extrapolation capabilities of physical models, enabling reliable predictions under various pumping conditions, while pure machine learning fails outside its training range. Real-time calibration is completed in 0.07 seconds per update, ensuring operational feasibility. As a result, this method has the potential to enhance real-time optimization of pumping parameters and assist in operation decision-making.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».