MACHINE LEARNING ASSISTED PARAMETER MATCHING AND PRODUCTION FORECASTING FOR NEW WELLS

Systems and methods for machine learning (ML) assisted parameter matching are disclosed. Wellsite data is acquired for one or more existing production wells in a hydrocarbon producing field. The wellsite data is transformed into one or more model data sets for predictive modeling. A first ML model i...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: BANSAL, Yogesh, MIJARES, Gerardo
Format: Patent
Sprache:eng ; fre
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page
container_issue
container_start_page
container_title
container_volume
creator BANSAL, Yogesh
MIJARES, Gerardo
description Systems and methods for machine learning (ML) assisted parameter matching are disclosed. Wellsite data is acquired for one or more existing production wells in a hydrocarbon producing field. The wellsite data is transformed into one or more model data sets for predictive modeling. A first ML model is trained to predict well logs for the existing production well(s), based on the model data set(s). A first well model is generated to estimate production of the existing production well(s) based on the predicted well logs. Parameters of the first well model are tuned based on a comparison between the estimated and an actual production of the existing production well(s). A second ML model is trained to predict parameters of a second well model for a new production well, based on the tuned parameters of the first well model. The new well's production is forecasted using the second ML model. L'invention divulgue des systèmes et des procédés de mise en correspondance de paramètres assistée par apprentissage automatique (ML). Des données de site de forage sont acquises pour un ou plusieurs puits de production existants dans un champ de production d'hydrocarbures. Les données de site de forage sont transformées en un ou plusieurs ensembles de données de modèle pour une modélisation prédictive. Un premier modèle ML est entraîné pour prédire des diagraphies de puits pour le ou les puits de production existants, sur la base du ou des ensembles de données de modèle. Un premier modèle de puits est généré pour estimer la production du ou des puits de production existants sur la base des diagraphies de puits prédites. Des paramètres du premier modèle de puits sont ajustés sur la base d'une comparaison entre la production estimée et une production réelle du ou des puits de production existants. Un second modèle ML est entraîné pour prédire des paramètres d'un second modèle de puits pour un nouveau puits de production, sur la base des paramètres ajustés du premier modèle de puits. La production du nouveau puits est prévue à l'aide du second modèle ML.
format Patent
fullrecord <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_WO2023121641A1</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>WO2023121641A1</sourcerecordid><originalsourceid>FETCH-epo_espacenet_WO2023121641A13</originalsourceid><addsrcrecordid>eNrjZAj1dXT28PRzVfBxdQzy8_RzV3AMDvYMDnF1UQhwDHL0dQ1xDVLwdQwBKQLK-QGFg_xdQp1DPP39FNz8g1ydHYNDQFJAtoKfa7hCuKuPTzAPA2taYk5xKi-U5mZQdnMFmqGbWpAfn1pckJicmpdaEh_ub2RgZGxoZGhmYuhoaEycKgAj_zFQ</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>MACHINE LEARNING ASSISTED PARAMETER MATCHING AND PRODUCTION FORECASTING FOR NEW WELLS</title><source>esp@cenet</source><creator>BANSAL, Yogesh ; MIJARES, Gerardo</creator><creatorcontrib>BANSAL, Yogesh ; MIJARES, Gerardo</creatorcontrib><description>Systems and methods for machine learning (ML) assisted parameter matching are disclosed. Wellsite data is acquired for one or more existing production wells in a hydrocarbon producing field. The wellsite data is transformed into one or more model data sets for predictive modeling. A first ML model is trained to predict well logs for the existing production well(s), based on the model data set(s). A first well model is generated to estimate production of the existing production well(s) based on the predicted well logs. Parameters of the first well model are tuned based on a comparison between the estimated and an actual production of the existing production well(s). A second ML model is trained to predict parameters of a second well model for a new production well, based on the tuned parameters of the first well model. The new well's production is forecasted using the second ML model. L'invention divulgue des systèmes et des procédés de mise en correspondance de paramètres assistée par apprentissage automatique (ML). Des données de site de forage sont acquises pour un ou plusieurs puits de production existants dans un champ de production d'hydrocarbures. Les données de site de forage sont transformées en un ou plusieurs ensembles de données de modèle pour une modélisation prédictive. Un premier modèle ML est entraîné pour prédire des diagraphies de puits pour le ou les puits de production existants, sur la base du ou des ensembles de données de modèle. Un premier modèle de puits est généré pour estimer la production du ou des puits de production existants sur la base des diagraphies de puits prédites. Des paramètres du premier modèle de puits sont ajustés sur la base d'une comparaison entre la production estimée et une production réelle du ou des puits de production existants. Un second modèle ML est entraîné pour prédire des paramètres d'un second modèle de puits pour un nouveau puits de production, sur la base des paramètres ajustés du premier modèle de puits. La production du nouveau puits est prévue à l'aide du second modèle ML.</description><language>eng ; fre</language><subject>CALCULATING ; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS ; COMPUTING ; COUNTING ; EARTH DRILLING ; EARTH DRILLING, e.g. DEEP DRILLING ; FIXED CONSTRUCTIONS ; MINING ; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR ASLURRY OF MINERALS FROM WELLS ; PHYSICS</subject><creationdate>2023</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&amp;date=20230629&amp;DB=EPODOC&amp;CC=WO&amp;NR=2023121641A1$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,308,776,881,25543,76293</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&amp;date=20230629&amp;DB=EPODOC&amp;CC=WO&amp;NR=2023121641A1$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>BANSAL, Yogesh</creatorcontrib><creatorcontrib>MIJARES, Gerardo</creatorcontrib><title>MACHINE LEARNING ASSISTED PARAMETER MATCHING AND PRODUCTION FORECASTING FOR NEW WELLS</title><description>Systems and methods for machine learning (ML) assisted parameter matching are disclosed. Wellsite data is acquired for one or more existing production wells in a hydrocarbon producing field. The wellsite data is transformed into one or more model data sets for predictive modeling. A first ML model is trained to predict well logs for the existing production well(s), based on the model data set(s). A first well model is generated to estimate production of the existing production well(s) based on the predicted well logs. Parameters of the first well model are tuned based on a comparison between the estimated and an actual production of the existing production well(s). A second ML model is trained to predict parameters of a second well model for a new production well, based on the tuned parameters of the first well model. The new well's production is forecasted using the second ML model. L'invention divulgue des systèmes et des procédés de mise en correspondance de paramètres assistée par apprentissage automatique (ML). Des données de site de forage sont acquises pour un ou plusieurs puits de production existants dans un champ de production d'hydrocarbures. Les données de site de forage sont transformées en un ou plusieurs ensembles de données de modèle pour une modélisation prédictive. Un premier modèle ML est entraîné pour prédire des diagraphies de puits pour le ou les puits de production existants, sur la base du ou des ensembles de données de modèle. Un premier modèle de puits est généré pour estimer la production du ou des puits de production existants sur la base des diagraphies de puits prédites. Des paramètres du premier modèle de puits sont ajustés sur la base d'une comparaison entre la production estimée et une production réelle du ou des puits de production existants. Un second modèle ML est entraîné pour prédire des paramètres d'un second modèle de puits pour un nouveau puits de production, sur la base des paramètres ajustés du premier modèle de puits. La production du nouveau puits est prévue à l'aide du second modèle ML.</description><subject>CALCULATING</subject><subject>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>EARTH DRILLING</subject><subject>EARTH DRILLING, e.g. DEEP DRILLING</subject><subject>FIXED CONSTRUCTIONS</subject><subject>MINING</subject><subject>OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR ASLURRY OF MINERALS FROM WELLS</subject><subject>PHYSICS</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2023</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNrjZAj1dXT28PRzVfBxdQzy8_RzV3AMDvYMDnF1UQhwDHL0dQ1xDVLwdQwBKQLK-QGFg_xdQp1DPP39FNz8g1ydHYNDQFJAtoKfa7hCuKuPTzAPA2taYk5xKi-U5mZQdnMFmqGbWpAfn1pckJicmpdaEh_ub2RgZGxoZGhmYuhoaEycKgAj_zFQ</recordid><startdate>20230629</startdate><enddate>20230629</enddate><creator>BANSAL, Yogesh</creator><creator>MIJARES, Gerardo</creator><scope>EVB</scope></search><sort><creationdate>20230629</creationdate><title>MACHINE LEARNING ASSISTED PARAMETER MATCHING AND PRODUCTION FORECASTING FOR NEW WELLS</title><author>BANSAL, Yogesh ; MIJARES, Gerardo</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_WO2023121641A13</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>eng ; fre</language><creationdate>2023</creationdate><topic>CALCULATING</topic><topic>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>EARTH DRILLING</topic><topic>EARTH DRILLING, e.g. DEEP DRILLING</topic><topic>FIXED CONSTRUCTIONS</topic><topic>MINING</topic><topic>OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR ASLURRY OF MINERALS FROM WELLS</topic><topic>PHYSICS</topic><toplevel>online_resources</toplevel><creatorcontrib>BANSAL, Yogesh</creatorcontrib><creatorcontrib>MIJARES, Gerardo</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>BANSAL, Yogesh</au><au>MIJARES, Gerardo</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>MACHINE LEARNING ASSISTED PARAMETER MATCHING AND PRODUCTION FORECASTING FOR NEW WELLS</title><date>2023-06-29</date><risdate>2023</risdate><abstract>Systems and methods for machine learning (ML) assisted parameter matching are disclosed. Wellsite data is acquired for one or more existing production wells in a hydrocarbon producing field. The wellsite data is transformed into one or more model data sets for predictive modeling. A first ML model is trained to predict well logs for the existing production well(s), based on the model data set(s). A first well model is generated to estimate production of the existing production well(s) based on the predicted well logs. Parameters of the first well model are tuned based on a comparison between the estimated and an actual production of the existing production well(s). A second ML model is trained to predict parameters of a second well model for a new production well, based on the tuned parameters of the first well model. The new well's production is forecasted using the second ML model. L'invention divulgue des systèmes et des procédés de mise en correspondance de paramètres assistée par apprentissage automatique (ML). Des données de site de forage sont acquises pour un ou plusieurs puits de production existants dans un champ de production d'hydrocarbures. Les données de site de forage sont transformées en un ou plusieurs ensembles de données de modèle pour une modélisation prédictive. Un premier modèle ML est entraîné pour prédire des diagraphies de puits pour le ou les puits de production existants, sur la base du ou des ensembles de données de modèle. Un premier modèle de puits est généré pour estimer la production du ou des puits de production existants sur la base des diagraphies de puits prédites. Des paramètres du premier modèle de puits sont ajustés sur la base d'une comparaison entre la production estimée et une production réelle du ou des puits de production existants. Un second modèle ML est entraîné pour prédire des paramètres d'un second modèle de puits pour un nouveau puits de production, sur la base des paramètres ajustés du premier modèle de puits. La production du nouveau puits est prévue à l'aide du second modèle ML.</abstract><oa>free_for_read</oa></addata></record>
fulltext fulltext_linktorsrc
identifier
ispartof
issn
language eng ; fre
recordid cdi_epo_espacenet_WO2023121641A1
source esp@cenet
subjects CALCULATING
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
COMPUTING
COUNTING
EARTH DRILLING
EARTH DRILLING, e.g. DEEP DRILLING
FIXED CONSTRUCTIONS
MINING
OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR ASLURRY OF MINERALS FROM WELLS
PHYSICS
title MACHINE LEARNING ASSISTED PARAMETER MATCHING AND PRODUCTION FORECASTING FOR NEW WELLS
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-26T14%3A10%3A50IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=BANSAL,%20Yogesh&rft.date=2023-06-29&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3EWO2023121641A1%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true