Developments in Diagnostic Tools for Hydraulic Fracture Geometry Analysis
Notice bibliographique
Résumé
Summary URTeC 1619968 In this paper we examine diagnostic tools for hydraulic fracture stimulation (HFS) that can help determine the geometry, reach, and effectiveness of the created fracture(s). In particular we focus on using the combination of micro-seismic and Distributed Acoustic Sensing (DAS) technology to gain a more complete understanding of the resulting stimulation treatment and identify further optimization opportunities. DAS has many applications, and this paper will consider two particular cases in combination with micro-seismic data acquired by geophones in an observation well: When DAS is recorded in a treatment well, it can be used to determine and quantify which stages and perforations take fluid. When this is combined with micro-seismic data we can establish a relationship between the micro-seismic events and the fracture fluid itself. This can help determine the overall effectiveness of the fracture design and resulting treatment. When DAS is recorded in an offset well (developed in the same pad as the treatment well), it can be used to determine when hydraulic fracture fluid (initiated from the neighboring treatment well in the same pad) intersects that well. We can then establish how the micro-seismic events relate to actual fluid placement and interference from neighboring wells. It can also provide an exact location and timing where fractures intercept offset wells and are linking up, and are a direct measurement of a conductive fracture. In both cases micro-seismic combined with DAS data provides an opportunity for further completion optimization, well spacing optimization, and/or pad design and/or well spacing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».