The role of lithological layering and pore pressure on fluid‐induced microseismicity
Notice bibliographique
Résumé
Abstract The success of hydraulic fracturing treatments is often judged by the shape and size of the resulting microseismic cloud. However, it is challenging to predict the anticipated microseismic cloud prior to treatment. We use geomechanical modeling to predict the distribution of the microseismicity prior to the hydraulic fracture treatment. We analyze the likelihood of tensile and shear failure due to 1‐D variations in local stresses and rock strengths, induced by layering and pore pressure, for two field cases. The deviation in the local stresses from the regional stress field is induced by vertical variations in stiffness. This promotes failure of the stronger layers instead of the weaker ones since the stronger layers can become essentially load bearing. The simulations and field studies show that (1) microseismic events tend to locate preferentially where layers reach tensile failure due to fluid injection, and the number of events tends to decrease in layers that do not reach tensile failure; (2) shear initiation can occur in different layers from those failing in tension, thereby creating additional fluid migration paths; and (3) reactivation of preexisting fractures may occur due to fluid migration, even if their orientations are unfavorable. Numerical modeling is a significant aid in understanding the interplay of regional and local stresses and associated in situ failure due to variations in rock strength, pore pressure, and stiffnesses. In a wider perspective, it gives fundamental insights into the understanding of earthquakes and fault localization, the mechanisms of fracture development, and the role of fractures on fluid circulation and on the in situ stress field.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 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 ».