MétaCan
Menu
Back to cohort
Record W7020699919

Modeling Well Performance in Tight Unconventionals

2019· dissertation· no· W7020699919 on OpenAlexaboutno aff

Bibliographic record

VenueDuo Research Archive (University of Oslo) · 2019
Typedissertation
Languageno
FieldImmunology and Microbiology
TopicReproductive tract infections research
Canadian institutionsnot available
Fundersnot available
KeywordsBusiness management
DOInot available

Abstract

fetched live from OpenAlex

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.046
Threshold uncertainty score0.091

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0020.002
Open science0.0010.001
Research integrity0.0020.001
Insufficient payload (model declined to judge)0.0100.002

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.

Opus teacher head0.040
GPT teacher head0.306
Teacher spread0.266 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2019
Admission routes1
Has abstractyes

Explore more

Same venueDuo Research Archive (University of Oslo)Same topicReproductive tract infections researchFrench-language works237,207