Modeling Well Performance in Tight Unconventionals
Bibliographic record
Abstract
Denne masteroppgaven oppfyller, i sin helhet, kravene satt i kurset ``TPG4920 Petroleumsteknologi, Masteroppgave'' for studieprogrammet MTPETR ved Norges Teknisk-\\\\Naturvitenskapelig Universitet (NTNU). Det er det endelige dokumentet som kvalifiserer forfatteren til en mastergrad i petroleumsteknologi.\n\nHydrokarbonproduksjon fra skifer i Nord-Amerika, ofte omtalt som ukonvensjonell utvinning, har blitt en stor del av verdens totale produksjon. Dette har vært mulig gjennom nylig utvikling av hydraulisk oppsprekking av formasjonene. Det er imidlertid en ganske lav utvinningsgrad fra ukonvensjonelle felt sammenlignet med konvensjonelle felt (f.eks. offshore Norge). Derfor har industrien begynt å utforske nye metoder for å øke utvinningsgraden, og en gass-basert metode for økt utvinning kalt ``Huff-n-Puff'' gjennomgår for øyeblikket flere tester. En måte å forstå mekanismene bak ``Huff-n-Puff'' metoden er ved bruk av numerisk modellering av reservoaret, men dette krever en kalibrert modell som presist kan gjengi historisk produksjon fra reservoaret. Denne kalibrering er ofte omtalt som historietilpasning.\n \nMålet med den oppgaven er å vise flere av aspektene ved petroleumsteknologi som må tas høyde for i reservoarmodellering og kalibrering av modellen mot historiske data. Det vises hvordan å håndtere og bruke data om alt fra brønngeometri til reservoaregenskaper.\n\nEn empirisk modell av hydraulisk oppsprekking i simuleringsverktøyet Sensor blir presentert som et mer appellerende alternativ, rent fysisk sett, i forhold til deterministiske modeller som bruker en predefinert geometri på det stimulerte bergvolumet. Modellen vil også ha en bedre representasjon av de store mengdene vann som injiseres i reservoaret, og den resulterende trykkoppbyggingen.\n\nDet presenteres en generell metode for å historietilpasse reservoarmodellen presentert i oppgaven, og dette er ment til å være retningslinjer for hvordan man kan fange et hydraulisk oppsprukket reservoars oppførsel korrekt.\n \nAlle aspekter ved petroleumsteknologi som diskuteres her blir underbygget med eksempler fra ekte data fra Montney-bassenget i Alberta, Kanada. Dette gjør det lettere å forstå hvordan man håndterer den store mengden data som følger selv en enkelt brønn i ukonvensjonell utvinning.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".