JMP im Upstream 02: Machine-Learning-Ansatz zur Bestimmung von RückgangskurvenUrsprüngliches Sitzungsdatum: 7. Oktober 2021
Behandelte Themen: Graph Builder, Clustering, Support Vector Machines
Methodik ist inspiriert von SPE Paper 1961100 - Maschine Lernen von räumlich variierenden Abnahmekurven für die Duvernay-Formation
Es versteht sich, dass in der natürlichen Umwelt auf allen Ebenen Heterogenität existiert. Ob auf Porenebene oder Beckenebene, selten kann ein Geologe oder Erdölingenieur seine Annahmen oder seinen Bohrplan von Bohrloch zu Bohrloch replizieren. Das Finden von Werkzeugen, die es einem ermöglichen, wie Brunnen für den Modellbau schnell zu gruppieren, ist ein Schlüsselwerkzeug, das von vielen in der Branche verwendet wird. In dieser Session von JMP in the Upstream hebt Systems Engineer Nick Shelton einen Arbeitsablauf hervor, um geologische Parameter und Fertigstellungsparameter zu verwenden, um Bohrlöcher zu gruppieren und diese Cluster dann als Gruppierungskategorien zu verwenden, um Rückgangskurven mithilfe des maschinellen Lerntools, Support Vector Machines, vorherzusagen. Er stellt einen eleganten und einfachen Point-and-Click-Workflow vor, um ein viel robusteres Vorhersagemodell zu erreichen, um dann analytisch fundierte Entscheidungen über die besten Standorte für die Platzierung von Bohrlöchern zu treffen.
Abbildung 1. Vorhersage der Ölförderung im Barnett Shale anhand von Rückgangskurven Clustering- und Support-Vector-Maschinen in Nord-Zentral-Texas.
Es versteht sich, dass in der natürlichen Umwelt auf allen Ebenen Heterogenität existiert. Ob auf Porenebene oder Beckenebene, selten kann ein Geologe oder Erdölingenieur seine Annahmen oder seinen Bohrplan von Bohrloch zu Bohrloch replizieren. Das Finden von Werkzeugen, die es einem ermöglichen, wie Brunnen für den Modellbau schnell zu gruppieren, ist ein Schlüsselwerkzeug, das von vielen in der Branche verwendet wird. In dieser Session von JMP in the Upstream hebt Systems Engineer Nick Shelton einen Arbeitsablauf hervor, um geologische Parameter und Fertigstellungsparameter zu verwenden, um Bohrlöcher zu gruppieren und diese Cluster dann als Gruppierungskategorien zu verwenden, um Rückgangskurven mithilfe des maschinellen Lerntools, Support Vector Machines, vorherzusagen. Er stellt einen eleganten und einfachen Point-and-Click-Workflow vor, um ein viel robusteres Vorhersagemodell zu erreichen, um dann analytisch fundierte Entscheidungen über die besten Standorte für die Platzierung von Bohrlöchern zu treffen.
Betreff: JMP im Upstream 02: Machine-Learning-Ansatz zur Bestimmung von AbnahmekurvenSehr klare und interessante Erklärung zu einem nützlichen Tool, das klare Vorteile gegenüber DCA zeigt und wie ML bei der Entscheidungsfindung helfen kann 
danke für das Teilen!
