| Titre | Machine learning-assisted production data analysis in liquid-rich Duvernay formation |
| |
| Auteur | Kong, B ; Chen,
Z; Chen, S; Qin, T |
| Source | Journal of Petroleum Science & Engineering vol. 200, 108377, 2021 p. 1-18, https://doi.org/10.1016/j.petrol.2021.108377 |
| Image |  |
| Année | 2021 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20200645 |
| Éditeur | Elsevier B.V. |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.1016/j.petrol.2021.108377 |
| Media | papier; en ligne; numérique |
| Formats | pdf; html |
| Province | Colombie-Britannique; Alberta |
| Lat/Long OENS | -120.0000 -110.0000 57.0000 51.0000 |
| Sujets | industrie pétrolière; ressources pétrolières; production; recuperation d'hydrocarbures; pétrole; gaz; sondage; roches reservoirs; puits; géologie du substratum rocheux; lithologie; roches sédimentaires;
schistes; modèles; établissement de modèles; Formation de Duvernay ; l'apprentissage machine; Intelligence artificielle; Méthodologie; Sciences et technologie; combustibles fossiles; Économie et industrie |
| Illustrations | cartes de localisation; tableaux; diagrammes; diagrammes; graphiques; représentations graphiques combinées |
| Programme | Les géosciences pour les nouvelles sources d'énergie Évaluation des ressources pétrolières pour les schistes |
| Diffusé | 2021 01 16 |
| Résumé | (non publié)
La production de gaz et de pétrole à partir des réservoirs étanches et de schiste non conventionnels est le résultat d'un série d'efforts coopératifs d'opérations de forage,
d'achèvement et de production. Cette étude vise à optimiser ces opérations pour améliorer la productivité des puits et la récupération du pétrole, et à terme réduire l'empreinte de développement. Plus précisément, un ensemble complet de données est
collecté et analysé pour le réservoir Duvernay, y compris la géologie, le forage, l'achèvement, les opérations de production et les données de production. Un modèle empilé personnalisé est créé pour entraîner les modèles de production avec un
régresseur amplifiant le gradient extrême comme modèle de base et un régresseur linéaire comme méta-modèle. Les modèles atteignent une capacité prédictive robuste avec un coefficient de détermination allant jusqu'à 0,80. Les valeurs de Shapley
révèlent que le temps de production, le rapport condensat / gaz et la longueur de la section d'achèvement sont les caractéristiques les plus importantes de la production précoce. La méthode d'optimisation bayésienne est adoptée pour optimiser la
production à l'aide des modèles formés. Cette étude montre le potentiel de l'approche d'apprentissage automatique pour modéliser la production de pétrole et de gaz et fournit une méthodologie pour optimiser la production dans les réservoirs étanches
et de schiste. |
| Sommaire | (Résumé en langage clair et simple, non publié)
La production de pétrole et de gaz à partir de schiste nécessite une fracturation hydraulique pour améliorer la perméabilité des roches, ce qui
peut entraîner des impacts supplémentaires sur l'environnement. Cette étude a utilisé des méthodes d'apprentissage automatique et de Big Data pour déterminer les principaux facteurs qui affectent les performances de production. Sur la base des
résultats, les auteurs ont proposé une optimisation opérationnelle pour améliorer les performances de production et réduire l'empreinte environnementale. |
| GEOSCAN ID | 327917 |
|
|