MétaCan
Menu
Retour à la cohorte
Enregistrement W2031468032 · doi:10.2118/151964-ms

Refining Discrete Fracture Networks With Surface Microseismic Mechanism Inversion and Mechanism-Driven Event Location

2012· article· en· W2031468032 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSPE Hydraulic Fracturing Technology Conference · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensMicrosemi (Canada)
Organismes subventionnairesnon disponible
Mots-clésMicroseismEvent (particle physics)GeologyFracture (geology)Point sourceComputer scienceSet (abstract data type)Orientation (vector space)Mechanism (biology)Inversion (geology)AlgorithmSeismologyGeometryMathematicsPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Microseismic event analysis is a valuable source of information that can play a pivotal role in optimizing well completion and spacing. This analysis can be taken a step further with the generation of discrete fracture networks (DFNs) from microseismic events. While DFNs can be modeled with microseismic event locations only, source mechanisms inverted from near surface-acquired microseismic data provide greater constraints for the DFN model so that the orientation of failure planes responsible for events can be explicitly assigned. The differences between such DFN realizations based on event locations only and source-mechanism constrained DFN realizations are evident in areas with significant geological complexity. Three iterations of a DFN model were produced from a microsesimic monitoring project in the Barnett shale. The fracture network of the first iteration is modeled stochastically using only basic geologic assumptions for the area and microseismic event locations and the orientations of trends formed by the events. The second iteration is refined by deterministically locating fractures in the model and defining the fracture orientations using a source mechanism determined from the microseismic point set. The third iteration uses the results from a mechanism scan on an event per event basis to determine the best source mechanism that fits the polarity reversal signature observed on the surface array. Refining the model by determining the mechanism of individual events can identify multiple fracture orientations within the point set. In this data set two distinct mechanisms were identified, further analysis of which identified separate event energy distributions for the two mechanisms. The changes in the model can be quantitatively evaluated with analysis of flow properties generated from the DFN and output to the stimulated reservoir volume (SRV). While changes in the SRV and total fracture volume for models presented in this study are most significant between the first two iterations, the total permeability change across the geocellular volume is significant between all three iterations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,570
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,202
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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