MétaCan
Menu
Retour à la cohorte
Enregistrement W2116547351 · doi:10.1190/1.2780791

Fracture quality from integrating time-lapse VSP and microseismic data

2007· article· en· W2116547351 sur OpenAlexaff
Mark E. Willis, Daniel R. Burns, Rongrong Lu, M. Nafi Toksöz, Nancy J. House

Notice bibliographique

RevueThe Leading Edge · 2007
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésMicroseismFracture (geology)GeologySeismologyQuality (philosophy)Data qualityComputer scienceEngineeringGeotechnical engineeringPhysicsOperations management

Résumé

récupéré en direct d'OpenAlex

Tight gas reservoirs are problematic to produce, often requiring multiple stages of hydraulic fracturing in order to create connected pathways through which hydrocarbons may flow. In this paper, we propose a new methodology to characterize the quality of hydraulic fractures. Using synthetic VSP and microseismic data, we test the concept that the rock volume containing open, gas-filled fractures will scatter seismic energy more profusely than a volume containing closed, nonproductive fractures. By measuring the amount of scattered energy in a time-lapse 3D VSP study taken before and after the hydraulic fracturing episode, we hope to compare the productive flow quality of different regions of the hydraulically fractured rock. The microseismic recordings allow us to locate areas which have been hydraulically fractured and create imaging operators to extract the scattered signals from the time-lapse VSP data.

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 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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,530
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,037
Tête enseignante GPT0,291
Écart entre enseignants0,253 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Leading EdgeMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207