Flowback Analysis for Fracture Characterization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Tight reservoirs stimulated by multistage hydraulic fracturing are commonly characterized by analyzing the hydrocarbon production data. However, analyzing the available hydrocarbon production data mainly determines the fracture-matrix interface. This analysis is not enough for a full characterization of the induced hydraulic fractures. Before putting the well on flowback, the induced fractures are occupied by the compressed fracturing fluid. Therefore, analyzing the produced fracturing fluid should in principle be able to characterize the induced fractures, and complement the production data analysis. We develop a rate transient model for describing the fracturing fluid flowback. We also make various diagnostic plots for understanding the flowback behavior of three fractured horizontal wells. The diagnostic plots indicate three separate flowback regions. In the first region, water production dominates while in the third region hydrocarbon production dominates. In the second region, water production drops and hydrocarbon production ramps up. In general, we observe a linear relationship between rate normalized pressure (RNP) and material balance time (MBT) for the three regions. However, the proposed model can only describe the response of the first region. We successfully determine the hydraulic fracture permeability by history matching the early time flowback data. We conclude that the flowback analysis can complement the production data analysis for a comprehensive fracture characterization. The presented study encourages the industry to start careful measurement of the rate and pressure data immediately after putting the well on hydraulic fracture flowback.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 découle