Application of Integrated Advanced Diagnostics and Modeling to Improve Hydraulic Fracture Stimulation Analysis and Optimization
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 Economic development of unconventional resources relies heavily on the effectiveness of propped hydraulic fracture stimulation treatments (HFS or "fracs"). Non-stimulated and/or under-stimulated reservoir continues to be a critical industry concern. Mitigation is expensive and may require refracturing and/or additional wells to be drilled. Techniques to monitor and diagnose the geometry of HFS are limited and analysis typically has large uncertainties. This paper summarizes multiple datasets to demonstrate how complementary diagnostics significantly reduce uncertainties in their analysis, help to calibrate frac models and improve completion design of multi-stage wells. Diagnostics utilized in the datasets include: fiber optic distributed sensing (acoustic & temperature), non-radioactive tracers and production logs. We found that integrating these complementary diagnostics with other subsurface and well information not only confirmed that actual frac heights were different than intended in about half of the monitored stages, but also provided new insights that allow us to modify the HFS treatment design to better match the desired geometries. These diagnostics were used to history match and calibrate our frac models, allowing us to extrapolate results from the few wells with diagnostics to additional wells in the field. Statistics are also provided for the datasets including: percentages of perforation clusters and net sand treated to demonstrate the potential opportunity for improved stimulations and reserves recovery.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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