Production-Increase Potential Evaluations after Refracturing Low-Shale-Oil-Producing Wells via Machine-Learning-Driven Multisource Data Mining
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide As shale reservoir development progresses, the share of low-producing horizontal wells grows, and the need for repeated-fracturing technology becomes more essential. Accurately evaluating the production potential is crucial for determining the efficacy of refracturing. This work proposes a novel method for assessing the repeated-fracturing potential of low-producing horizontal wells that combines the fine screening of important controlling parameters with an optimized XGBoost algorithm ( R 2 = 0.904 on test data). A multisource data set of 149 wells and 27 geological-engineering parameters is generated. Through a comparison of seven machine learning algorithms, the XGBoost algorithm outperformed the others in prediction performance. Six critical control parameters were found using feature priority ranking and variance inflation factor analysis: repeated-fracturing fluid injection volume and injection intensity, single-well-controlled geological reserves, fluid volume, length of the drilled oil-bearing formation, and number of repeated fracturing stages. Using the optimized XGBoost model, the potential of 29 additional candidate wells was assessed. The results indicate that two wells, X238-77 and Y3, exhibit considerable production increases and thus should be prioritized for repeat fracturing and reforming. Specific development plans for the remaining 27 wells are required according to their potential index rankings. This research provides a theoretical foundation and technical support for optimizing refracturing decisions, which is conducive to the efficient development of shale oil.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».