Spatial-Temporal Graph-Level Feature Embedding for Shale Gas Production Forecasting with Well Interference
Notice bibliographique
Résumé
Deep-learning (DL) models have been used for production forecasting in subsurface engineering applications, but it is often assumed that each well operates independently. Graph convolutional networks (GCNs) can incorporate data from neighboring wells. However, existing spatial-temporal (ST) GCN (ST-GCN) methods are mainly used for autoregressive tasks and face limitations in predicting newly developed wells with no prior history. In this study, we introduce an ST-graph-level feature embedding (GFE) (ST-GFE) method that fully utilizes temporal neighbor interactions for newly developed wells. It enhances forecasting by integrating a non-autoregressive encoder-decoder structure and aggregating the historical data from neighboring wells into a single feature vector. This aggregated vector, merging local and contextual information, contains richer information about the studied region. We evaluate ST-GFE using a data set of 6,605 Montney shale gas wells, incorporating formation properties, fracture parameters, and production history. ST-GFE significantly improves prediction accuracy for newly developed wells compared with the purely temporal models, such as recurrent neural network–based and transformer models. ST-GFE adapts to production changes in adjacent wells, including shut-in and infill drilling activities. Additionally, the ST-GFE model treats each well and its surrounding wells as a graph, enabling batch training and significantly reducing memory usage compared with transductive GCN approaches. Furthermore, the model dynamically updates its forecasts with real-time production data, enhancing precision and relevance. The xperimental results confirm that ST-GFE effectively leverages spatio-temporal dynamics and interactions between adjacent wells, broadening its applicability to various drilling and production scenarios.
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 | 0,000 | 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 | 0,000 |
| 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 ».