Shale Gas Modeling Workflow: From Microseismic to Simulation -- A Horn River Case Study
Notice bibliographique
Résumé
Abstract Recent success of commercial shale gas developments in a number of basins throughout North America can be attributed to the application of advanced technologies used to drill horizontal wellbores, stimulate the shale reservoir, and optimize productivity of shale-bearing formations. Many of the drilling and completion techniques learned from the thousands of wells drilled and stimulated in more mature shale basins, such as the Barnett, have been applied to newer shale discoveries such as the Marcellus and Haynesville in the United States, and both the Montney and the remarkable Horn River Basin in Canada. The unique properties of each shale, however, preclude a "cookie-cutter" development approach from being applied. Each play must be optimized as a unique reservoir. In order to utilize numerical simulation as a tool in optimizing well design, one needs to develop a model that appropriately represents the complex process of gas flow from the native reservoir to the hydraulic fractures and subsequently to the wellbore. This is challenging due to poor understanding of variables such as pressure dependent permeability variation, fluid cleanup, relative permeability effects, non-Darcy flow, methane desorption in a nano-Darcy shale matrix, and fracture conductivity variations from the dominant hydraulic fractures to the secondary induced and natural fractures. Another challenge is accurate representation of the hydraulic fracture. Is the fracture planar or complex? What is the fracture geometry? What is the fracture intensity within the stimulated volume? What is effectively propped? What is the proppant distribution within the fracture system? How does this tie to effective conductivity and does it vary with distance from the wellbore (three dimensionally)? Finding a unique match to historical production is very challenging. Shale gas operators collect a large amount of data including cores and logs (specialized for nano-Darcy rock), micro seismic, diagnostic fracture injection testing (DFIT), fluid and proppant tracers and more. This data is used to better characterize the reservoir and the natural and hydraulic fractures and can help to constrain model inputs. This paper discusses a workflow used in developing a numerical shale gas model for Nexen’s Horn River shale gas reservoir. Presented is a practical and systematic approach to using surveillance data; specifically microseismic data in construction of the stimulated reservoir volume (SRV) and the network of hydraulic fractures in the model. Discussions will also focus on accurately modeling complexities such as non-Darcy flow in the hydraulic fractures, pressure-permeability dependencies, variations in hydraulic fracture conductivity and fluid cleanup. The objective is to gain understanding and insight into the uncertainties that have the greatest impact on well performance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».