After a Decade of Microseismic Monitoring: Can We Evaluate Stimulation Effectiveness and Design Better Stimulations
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 Over the past decade, microsesimic monitoring has become the approach most oftenused to gain an in-situ understanding of the rock’s response during hydraulic fracture stimulations. From initial monitoring performed in the Barnett Shale to monitoring currently being carried out for example in the Horn River and Marcellus formations, we review the evolution of microseismic monitoring from the viewpoint of data collection (single versus multi-well array configurations, utilization of long lateral stimulation wells), to data analysis, to the incorporation of microseismic parameters to constrain and validate reservoir models. Generally, we have observed that overall fracture height, width and length, orientation, and growth vary from formation to formation and within each formation, thereby highlighting the ongoing necessity for microseismic monitoring. Additionally, through the use of advanced microseismic analysis techniques, such as Seismic Moment Tensor Inversion (SMTI), details on rupture mechanisms have been used to assess stimulation effectiveness, define complex Discrete Fracture Networks (DFN) and provide estimates of Enhanced Fluid Flow (EFF), which assist in calibrating and validating reservoir models. Utilizing spatial and temporal distributions in DFN and EFF, along with estimates of fracture interconnectivity and complexity, the role of pre-existing fractures and fault structures in the rock matrix can be established and used to provide more realistic estimates of stimulation parameters such as Stimulated Reservoir Volume (SRV).
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 | 0,001 | 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) | 0,000 | 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