Machine learning techniques have fundamentally altered how oil and gas industry practitioners design fracture operations. In this paper, we perform data analytics utilizing response surface methodology (RSM), a group of statistical techniques that develop a functional relationship between an output variable of interest and several associated input variables, to optimize the output. We apply RSM to optimize horizontal well production based on initial production (IP) of horizontal oil wells for 180 days (IP180 Oil), as a function of five input variables: reservoir type, fracturing fluid (gal/ft), proppants (lbm/ft), cluster spacing, and stage length (ft). The RSM model correlates the initial production of each well to the input variables via a single equation, thus allowing for exploration of the fitted response surface in order to maximize production. Although the choice of the five inputs is made based primarily after consultation with industry professionals, we validate our selection by also applying an assortment of data-analytics-based methods that attempt to rank variable importance and thereby identify completion variables that may be predictive of initial production. The findings rank all five variables above the 50th percentile, thus indicating that the chosen variables have merit. This procedure is applied to a dataset of 201 horizontal wells from the Wolfcamp formations. The model fits reasonably well, with R² = 61%, a very significant F-statistic p value, and a predicted versus observed values scatterplot indicating a good fit. The RSM analysis suggests that, within the feasible space defined by this dataset, maximum values of IP 180 Oil may be obtained by setting the fracturing fluid in gal/ft at approximately 1972, while simultaneously maximizing the remaining input variables (proppant loading, cluster spacing, stage length). The outcome indicates the possible directions to be taken in seeking a global optimum initial production for the setting of completion variables. Iteration of this scheme may lead to a near-optimum global solution. The real utility of this work may be indicating the way different studies may be designed to optimize production, each with its own selection of inputs, and ultimately be combined in a meta-analysis.

中文翻译：

---

利用数据分析优化Wolfgang水平井的初始产油量

机器学习技术从根本上改变了石油和天然气行业从业者设计压裂作业的方式。在本文中，我们使用响应面方法（RSM）进行数据分析，RSM是一组统计技术，可以在目标输出变量和几个相关的输入变量之间建立功能关系，以优化输出。我们将RSM用于基于180天水平油井的初始产量（IP）（IP180油）来优化水平井产量的方法，该水平取决于五个输入变量：储层类型，压裂液（gal / ft），支撑剂（lbm / ft），群集间距和舞台长度（ft）。RSM模型通过一个方程式将每个井的初始产量与输入变量相关联，因此，可以探究拟合后的响应面以最大化产量。尽管五项投入的选择主要是在征询行业专家的意见后进行的，但我们还是通过应用各种基于数据分析的方法来验证我们的选择，这些方法试图对变量的重要性进行排名，从而确定可预测初始变量的完成变量。生产。调查结果将所有五个变量都排在第50个百分位之上，从而表明所选变量具有优势。此过程应用于来自Wolfcamp地层的201口水平井的数据集。该模型非常适合 我们还通过应用各种基于数据分析的方法来验证我们的选择，这些方法试图对变量的重要性进行排名，从而确定可以预测初始产量的完成变量。调查结果将所有五个变量都排在第50个百分位之上，从而表明所选变量具有优势。此过程应用于来自Wolfcamp地层的201口水平井的数据集。该模型非常适合 我们还通过应用各种基于数据分析的方法来验证我们的选择，这些方法试图对变量的重要性进行排名，从而确定可以预测初始产量的完成变量。调查结果将所有五个变量都排在第50个百分位之上，从而表明所选变量具有优势。此过程应用于来自Wolfcamp地层的201口水平井的数据集。该模型非常适合R ²  = 61％，非常显着的F统计量p值，以及预测值与观察值的散点图，表明拟合良好。RSM分析表明，在此数据集定义的可行空间内，可以通过将压裂液的加仑/英尺设置为大约1972来获得IP 180 Oil的最大值，同时最大化剩余的输入变量（支撑剂载荷，组间距） ，舞台长度）。结果表明为设定完井变量寻求全球最佳初始产量时可能采取的方向。此方案的迭代可能会导致接近最佳的全局解决方案。这项工作的真正用途可能表明，可以设计不同的研究来优化生产的方式，每种研究都有其自己的输入选择，并最终合并到荟萃分析中。