A comparison of passive seismic monitoring of fracture stimulation from water and CO2 injection
Notice bibliographique
Résumé
Abstract Hydraulic fracturing is used to create pathways for fluid migration and to stimulate production. Usually, water is the injected fluid, although alternative fluids such as carbon dioxide (CO2) have been used recently. The amount of fracturing that CO2 can induce is also of interest for the security of carbon capture and storage. Hydraulic fracturing is usually monitored using passive seismic arrays, detecting microseismic events generated by the fracturing. It is of interest to compare the amount of seismicity that CO2 injection can generate in comparison with water. With this in mind, we have analyzed a passive seismic data set monitoring the injection of water and supercritical CO2 under very similar conditions, allowing us to make a direct comparison be-tween the fluids. We examined event locations and event magnitudes, and we used shear-wave splitting to image the fractures that are generated. For both fluids, the event locations map the formation of fractures moving away from the injection well with normals parallel to the minimum principal stress. The events during water injection are limited to the injection depth, while during CO2 injection, activity migrates above the injection depth. Event magnitudes are similar in both cases, and larger event magnitudes appear to correlate with higher injection pressures. Shear-wave splitting suggests that water injection generates more fractures, though the data quality is not good enough to make a robust conclusion about this. The comparability between water and CO2 injection means that lessons can be learned from the abundant experience of conventional water injection.
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) | 0,000 | 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 ».