Field Cases of Hydraulic Fracture Stimulation Diagnostics Using Fiber Optic Distributed Acoustic Sensing (DAS) Measurements and Analyses
Notice bibliographique
Résumé
Abstract Deciding on the optimum spacing between fractures and selecting the optimum fracture treatment parameters is a key challenge in designing the hydraulic fracture stimulations of Unconventional Gas and Liquid Rich Shale (UGLRS) wells. To make those decisions more effectively and more rapidly, (downhole) hydraulic fracture diagnostic tools can be used which provide a better understanding of how and where fractures initiate and what the distribution of fluid and proppant volume is downhole. One emerging technology, fiber optic distributed acoustic sensing (DAS) has the potential of providing such key diagnostic insights during hydraulic fracturing operations in real-time. This paper describes some of the background technology and presents the results of several hydraulic fracture stimulation (HFS) diagnostic case studies. The results illustrate how DAS has been used to perform real-time monitoring for both open-hole multi-stage fracturing and "Cemented Plug & Perf Completions". DAS has provided valuable insight as to the stimulation effectiveness. The technique has also provided insights into effective zonal isolation when using mechanical isolation during the hydraulic-fracturing process that would otherwise not have been possible. It also complements other HFS diagnostic technologies (e.g. tracers, micro-seismic, distributed temperature sensing (DTS), production logs (PLT)). DAS monitoring of hydraulic fracture stimulation can help accelerate the learning curve and drive performance improvements. Installation of fiber optic cables early in a field's life or when entering a new geological/geo-mechanical situation can allow for accelerated optimization of future wells.
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 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».