Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020139344 - HYDRAULIC FRACTURING OPERATION PLANNING USING DATA-DRIVEN MULTI-VARIATE STATISTICAL MACHINE LEARNING MODELING

Publication Number WO/2020/139344
Publication Date 02.07.2020
International Application No. PCT/US2018/067682
International Filing Date 27.12.2018
IPC
E21B 43/26 2006.01
EFIXED CONSTRUCTIONS
21EARTH OR ROCK DRILLING; MINING
BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
43Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
25Methods for stimulating production
26by forming crevices or fractures
E21B 41/00 2006.01
EFIXED CONSTRUCTIONS
21EARTH OR ROCK DRILLING; MINING
BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
41Equipment or details not covered by groups E21B15/-E21B40/95
G06N 20/00 2019.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
CPC
E21B 2200/20
EFIXED CONSTRUCTIONS
21EARTH DRILLING; MINING
BEARTH DRILLING, e.g. DEEP DRILLING
2200Special features related to earth drilling for obtaining oil, gas or water
20Computer models or simulations, e.g. for reservoirs under production, drill bits
E21B 43/26
EFIXED CONSTRUCTIONS
21EARTH DRILLING; MINING
BEARTH DRILLING, e.g. DEEP DRILLING
43Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
25Methods for stimulating production
26by forming crevices or fractures
G06N 20/20
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
20Ensemble learning
G06N 7/005
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
7Computer systems based on specific mathematical models
005Probabilistic networks
Applicants
  • HALLIBURTON ENERGY SERVICES, INC. [US]/[US]
Inventors
  • BHARDWAJ, Manisha
  • FULTON, Dwight David
  • WALTERS, Harold Grayson
  • POTTY, Ajish Sreeni Radhakrishnan
  • BAGHEL, Vikesh Singh
  • CHAUHAN, Richa
  • THAVVA, Rama Subba Reddy
Agents
  • JUSTISS, Joel, J.
  • JUSTISS, J. Joel
Priority Data
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) HYDRAULIC FRACTURING OPERATION PLANNING USING DATA-DRIVEN MULTI-VARIATE STATISTICAL MACHINE LEARNING MODELING
(FR) PLANIFICATION D'OPÉRATIONS DE FRACTURATION HYDRAULIQUE UTILISANT LA MODÉLISATION D'APPRENTISSAGE MACHINE STATISTIQUE MULTIVARIÉE GUIDÉE PAR DES DONNÉES
Abstract
(EN)
The disclosure is directed to methods to design and revise hydraulic fracturing (HF) job plans. The methods can utilize one or more data sources from public, proprietary, confidential, and historical sources. The methods can build mathematical, statistical, machine learning, neural network, and deep learning models to predict production outcomes based on the data source inputs. In some aspects, the data sources are processed, quality checked, and combined into composite data sources. In some aspects, ensemble modeling techniques can be applied to combine multiple data sources and multiple models. In some aspects, response features can be utilized as data inputs into the modeling process. In some aspects, time-series extracted features can be utilized as data inputs into the modeling process. In some aspects, the methods can be used to build a HF job plan prior to the start of work at a well site. In other aspects, the methods can be used to revise an existing HF job plan in real-time, such as after a treatment cycle, a pumping stage, or a time interval.
(FR)
La divulgation concerne des méthodes pour concevoir et réviser des plans de travail de fracturation hydraulique (FH). Les méthodes peuvent utiliser une ou plusieurs sources de données provenant de sources publiques, propriétaires, confidentielles et historiques. Les méthodes permettent de construire des modèles mathématiques, statistiques, d'apprentissage machine, de réseau neuronal et d'apprentissage profond pour prédire des résultats de production sur la base des entrées de sources de données. Selon certains aspects, les sources de données sont traitées, leur qualité est vérifiée et elles sont combinées de manière que des sources de données composites soient formées. Selon certains aspects, des techniques de modélisation d'ensemble peuvent être appliquées pour combiner de multiples sources de données et de multiples modèles. Selon certains aspects, des caractéristiques de réponse peuvent être utilisées en tant qu'entrées de données dans le processus de modélisation. Selon certains aspects, des caractéristiques extraites en série chronologique peuvent être utilisées en tant qu'entrées de données dans le processus de modélisation. Selon certains aspects, les méthodes peuvent être utilisées pour construire un plan de travail HF avant le début du travail au niveau d'un site de puits. Selon d'autres aspects, les méthodes peuvent être utilisées pour réviser un plan de travail HF existant en temps réel, par exemple après un cycle de traitement, un stade de pompage ou un intervalle de temps.
Latest bibliographic data on file with the International Bureau