Analysis of passive surface‐wave noise in surface microseismic data and its implications
Notice bibliographique
Résumé
Tight gas reservoirs are projected to be a major portion of future energy resources. Because of their low permeability, hydraulic fracturing of these reservoirs is required to improve the permeability and reservoir productivity. Passive seismic monitoring is one of the few tools that can be used to characterize the changes in the reservoir due to hydraulic fracturing. Although the majority of the studies monitoring hydraulic fracturing exploit down hole microseismic data, surface microseismic monitoring is receiving increased attention because it is potentially much less expensive to acquire. Due to a broader receiver aperture and spatial coverage, surface microseismic data may be more advantageous than down hole microseismic data. The effectiveness of this monitoring technique, however, is strongly dependent on the signal‐to‐noise ratio of the data. Cultural and ambient noise can mask parts of the waveform that carry information about the subsurface, thereby decreasing the effectiveness of surface microseismic analysis in identifying and locating the microseismic events. Hence, time and spatially varying suppression of the surface‐wave noise (ground roll) is a critical step in surface microseismic monitoring. Here, we study a surface passive dataset that was acquired over a Barnett Shale Formation reservoir during two weeks of hydraulic fracturing, in order to characterize and suppress the surface noise in this data. We apply techniques to identify the characteristics of the passive ground roll. Exploiting those characteristics, we can apply effective noise suppression technique(s) to the passive data.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».