Petroleum reservoir characterization using downhole microseismic monitoring
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 Imaging of microseismic data is the process by which we use information about the source locations, timing, and mechanisms of the induced seismic events to make inferences about the structure of a petroleum reservoir or the changes that accompany injections into or production from the reservoir. A few key projects were instrumental in the development of downhole microseismic imaging. Most recent microseismic projects involve imaging hydraulic-fracture stimulations, which has grown into a widespread fracture diagnostic technology. This growth in the application of the technology is attributed to the success of imaging the fracture complexity of the Barnett Shale in the Fort Worth basin, Texas, and the commercial value of the information obtained to improvecompletions and ultimately production in the field. The use of commercial imaging in the Barnett is traced back to earlier investigations to prove the technology with the Cotton Valley imaging project and earlier experiments at the M-Site in the Piceance basin, Colorado. Perhaps the earliest example of microseismic imaging using data from downhole recording was a hydraulic fracture monitored in 1974, also in the Piceance basin. However, early work is also documented where investigators focused on identifying microseismic trace characteristics without attempting to locate the microseismic sources. Applications of microseismic reservoir monitoring can be tracked from current steam-injection imaging, deformation associated with reservoir compaction in the Yibal field in Oman and the Ekofisk and Valhall fields in the North Sea, and production-induced activity in Kentucky, U.S.A.
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 | 0,000 | 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