文献

J-GLOBAL ID：202202269310720114   整理番号：22A0104155

シェールガス貯留層における減少曲線解析を用いたEUR予測を改善するための統計的機械学習クラスタリングアルゴリズムの適用【JST・京大機械翻訳】

Application of statistical machine learning clustering algorithms to improve EUR predictions using decline curve analysis in shale-gas reservoirs

著者 (5件)： Chen Zijuan (Texas A&M University, USA) ,  Yu Wei (Texas A&M University, USA) ,  Liang Jenn-Tai (Texas A&M University, USA) ,  Wang Suojin (Texas A&M University, USA) ,  Liang Hwa-chi (Texas A&M University, USA)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 208  号： PB  ページ： Null  発行年： 2022年 
JST資料番号： T0412A  ISSN： 0920-4105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 2つのよく確立された統計的クラスタリングアルゴリズム,K-平均クラスタ化(K-MC)およびK-最近傍(K-NN)を用いたロバスト機械学習ワークフローを開発し,Duong(2011)によって開発された下降曲線モデルを用いて,頁岩-ガス貯留層における新しい坑井の極限回復(EUR)予測を改善した。これらの2つのクラスタリングアルゴリズムは,高い計算効率で複数の井戸パラメータで大きなデータセットを扱うことができる。7つのシェールガス地層からの合計55,623の乾燥ガス井から,Duongの下降曲線モデルのための基準に適合する7631の井戸を,更なる研究のために本研究で選択した。K-MCとK-NNを,井戸位置,井戸深さ,井戸長さ,および生産開始年をパラメータとして,類似の坑井特性を有する群井に適用した。グループ化された坑井の位置は,両方のクラスタリング方法によって同定された類似の坑井特性を有する坑井のクラスタが,大きい領域にわたって散乱することを示している。これらの知見から,物理的位置の近接性による単純なグループ化井戸は,類似の坑井特性を有する坑井を同定する良い方法ではないことを明らかに示した。本研究の結果はまた,最適クラスタリング法の選択が頁岩形成とEUR予測に用いる方法に大きく依存することを示唆する。本研究で使用したデータセットで利用可能な井戸パラメータの限られた数でも,機械学習クラスタリングアルゴリズムは,EUR予測精度を約20%改善するように管理した。より利用可能な井戸情報により,機械学習アルゴリズムが,より良い特性を捉えることを可能にし,それにより,EUR予測の精度をさらに増大させる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *頁岩 ,  *ガス層 ,  クラスタ化 ,  坑井 ,  *クラスタ ,  地層 ,  ロバスト性 ,  *機械学習 ,  ワークフロー ,  学習アルゴリズム ,  *シェールガス
準シソーラス用語： 計算効率 ,  予測精度 ,  *クラスタリングアルゴリズム ,  クラスタリング法 , 【Automatic Indexing@JST】

著者キーワード (5件)： データ解析 ,  衰退曲線モデル ,  推定究極回復 ,  水平井 ,  シェールガス

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (7件)： シェールガス ,  貯留層 ,  曲線 ,  解析 ,  予測 ,  統計的機械学習 ,  クラスタリングアルゴリズム