Evaluating the Effect of Natural Fractures on Production from Hydraulically Fractured Wells Using Discrete Fracture Network Models
Notice bibliographique
Résumé
Summary URTeC 1581931 Many unconventional reservoirs contain natural fractures. These fractures may be non-conductive but open preferentially during hydraulic fracturing treatment, or they may be conductive prior to treatment and provide an enlarged tributary drainage volume with different lateral extents than those suggested by conventional models of unconventional reservoirs. This paper presents a Discrete Fracture Network (DFN) study of gas production from an Eastern unconventional reservoir that contains pre-existing, conductive fractures. The natural fractures are known through a combination of innovative flow logging during drilling, image logging of the wells, and Tomographic Fracture Imaging™ (TFI). Chemical frac-tracer monitoring confirms that a natural fracture network accesses a considerably larger volume of rock than the microseismic data alone would indicate. The results of these methods provide the basis for constructing a discrete fracture network model that honors the conventional microseismic data, the flow logs, and the TFI fractures. Simulations of gas production from this network model show that, although the major portion of production comes from the hydraulic fractures and nearby closely-spaced natural fractures, the tributary drainage volume of the well extends well beyond the footprint of the hydraulic fractures themselves.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».