Constraining geomechanical models by using microseismic-derived fractures from source mechanisms
Notice bibliographique
Résumé
Abstract Geomechanical modeling of hydraulic stimulations requires data to build and calibrate models to predict decline curves and other aspects of long-term reservoir performance. Initialization of these models requires knowledge of the preexisting fractures and geologic properties of the media. Orientations of different fracture sets, their intensities, and spacing, along with characterization of their size scales, critically impact geomechanical predictions of the stimulations in terms of proppant and fluid placement and the decline of reservoir productivity. With sufficient sampling of azimuths around the stimulation, the mechanisms and associated fracture planes and stress/strain conditions can be reconstructed through seismic-moment tensor inversion (SMTI) of recorded microseismic-event waveforms. At smaller scale lengths, signal-to-noise ratios can be low, and events might not be observed at high enough quality to permit SMTI. To extend the characterization of these fractures to smaller scales, a stochastic optimization algorithm is used, designed to search for optimally placed fractures in the reservoir that intersect with event locations while constraining their orientations from the same distribution observed at larger (SMTI-resolvable) length scales. Effectively, this technique allows for extension of the power law governing fracture distribution to smaller scales by invoking observed trends in self-similar behavior. In turn, characterization of the wider band of fractures in the reservoir provides necessary inputs into geomechanical models to predict fluid and proppant distributions from the full band of generated microseismicity and long-term behavior of the reservoir through decline-curve estimation.
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 | 0,001 | 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 ».