| Titre | Data-driven EUR modeling and optimization in the liquid-rich Duvernay Formation, Western Canada Sedimentary Basin, Canada |
| |
| Auteur | Kong, B ; Chen,
Z |
| Source | Journal of Petroleum Science & Engineering vol. 213, 110352, 2022 p. 1-15, https://doi.org/10.1016/j.petrol.2022.110352 |
| Image |  |
| Année | 2022 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20210470 |
| Éditeur | Elsevier |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.1016/j.petrol.2022.110352 |
| Media | papier; numérique; en ligne |
| Formats | pdf; html |
| Province | Alberta |
| SNRC | 83F/09; 83F/10; 83F/11; 83F/12; 83F/13; 83F/14; 83F/15; 83F/16; 83K |
| Région | Fox Creek |
| Lat/Long OENS | -118.0000 -116.0000 55.0000 53.5000 |
| Sujets | ressources pétrolières; recuperation d'hydrocarbures; pétrole; gaz; reservoirs; estimation des ressources; établissement de modèles; Formation de Duvernay ; Bassin sédimentaire de l'ouest du Canada;
Méthodologie; l'apprentissage machine; Intelligence artificielle; combustibles fossiles; Économie et industrie; Sciences et technologie; Nature et environnement |
| Illustrations | organigrammes; modèles; cartes géolscientiques généralisées; diagrammes; tableaux; graphique à barres; graphiques; séries chronologiques |
| Programme | Les géosciences pour les nouvelles sources d'énergie Évaluation des ressources pétrolières pour les schistes |
| Diffusé | 2022 03 09 |
| Résumé | (non publié)
La récupération ultime estimée (EUR) est l'un des axes de l'évaluation de la faisabilité des projets de développement pétrolier et gazier. L'euro est le plus grand volume de pétrole
et de gaz récupérable dans l'hypothèse actuelle de la technologie et de l'économie. De nombreux facteurs, notamment la géologie, le forage, l'achèvement, l'exploitation et les prix des matières premières, influencent l'euro, ce qui rend la prévision
difficile. La simulation numérique du réservoir et l'analyse de la courbe de déclin de la production (DCA) sont deux méthodes largement acceptées pour calculer l'EUR. Cependant, le premier nécessite des données et des ressources substantielles,
tandis que le dernier manque de mécanisme causal pour associer les fondamentaux à la productivité. Cette étude propose une procédure d'apprentissage automatique (ML) dans la modélisation EUR, par laquelle EUR est lié à des variables fondamentales à
partir des données disponibles et la variation en EUR peut être expliquée par divers facteurs afin que les résultats puissent être appliqués pour optimiser les projets futurs. Dans la procédure proposée, l'EUR a été estimé à l'aide d'un modèle
probabiliste à double régime d'écoulement et d'une simulation de Markov Chain Monte Carlo (MCMC). L'EUR résultant dans chaque puits a ensuite été modélisé à l'aide d'une approche ML d'ensemble empilé à deux niveaux, tandis que la valeur de Shapley a
été utilisée pour expliquer la sensibilité des caractéristiques dans le modèle entraîné. Dans le dernier, l'EUR est optimisé en ajustant les facteurs les plus sensibles dans le modèle formé. Cette approche proposée offre une nouvelle perspective pour
trouver des associations entre les facteurs fondamentaux et le puits EUR, ce qui améliore la compréhension de la production de pétrole et de gaz dans les réservoirs non conventionnels. |
| Sommaire | (Résumé en langage clair et simple, non publié)
L'EUR est le volume de pétrole et de gaz récupérable le plus élevé dans l'hypothèse de la technologie et de l'économie actuelles. De nombreux
facteurs, notamment géologiques, de forage, de complétion, d'exploitation et les prix des matières premières, influencent l'EUR, ce qui rend difficile une prévision précise. La simulation informatique du réservoir et l'analyse de la courbe de déclin
de la production (DCA) sont deux méthodes largement acceptées pour calculer l'EUR. Cependant, le premier nécessite des données et des ressources substantielles, tandis que le dernier manque de mécanisme causal pour associer les fondamentaux à la
productivité. Cette étude propose une procédure d'apprentissage automatique dans la modélisation EUR, par laquelle EUR est lié à des variables fondamentales à partir des données disponibles et la variation de l'EUR peut être expliquée par divers
facteurs afin que les résultats puissent être utilisés pour guider les futures pratiques d'achèvement et de production afin d'optimiser les ressources. l'extraction et réduire les empreintes environnementales. Dans la procédure proposée, l'EUR a été
estimé à l'aide d'un modèle probabiliste à double régime d'écoulement et d'une simulation de Markov Chain Monte Carlo (MCMC). L'EUR résultant dans chaque puits a ensuite été modélisé à l'aide d'une approche ML d'ensemble empilé à deux niveaux, tandis
que la valeur de Shapley de la théorie des jeux a été utilisée pour expliquer la sensibilité des caractéristiques dans le modèle entraîné. Dans le dernier, l'EUR est optimisé en ajustant les facteurs les plus sensibles dans le modèle formé. Cette
approche proposée offre une nouvelle perspective pour trouver des associations entre les facteurs fondamentaux et le puits EUR, fournissant des conseils pratiques pour améliorer la récupération des ressources et réduire les impacts environnementaux
associés. |
| GEOSCAN ID | 329327 |
|
|