Natural Fracture Characterization From Microseismic Source Mechanisms: A Comparison With FMI Data
Notice bibliographique
Résumé
Abstract Microseismic monitoring of hydraulic fracture stimulation is used to map the extent of fracture growth during the completion of unconventional resource wells. Usually the geometry of the event distributions is used to infer fracture plane orientations, for instance when microseismic events are concentrated along a particular azimuth. Often the induced microseismicity is the result of reactivation of existing fractures in the reservoir. Source mechanism analysis that allows identification of the specific fracturing behavior of individual microseismic events can aid differentiation between reactivation of existing fractures and the creation of new fractures. This paper presents the results from the microseismic monitoring of a Mid-Continent horizontal gas shale well where failure planes of source mechanisms from the microseismic events are compared with fractures identified in a resistivity image log. The source mechanisms originate from failure on existing fracture planes, many of which the image log show to be partially or completely healed. The reactivation of these fracture planes are the dominant failure mechanism detected by the monitoring, but additional fracture planes were also likely stimulated by the treatment but seismicity associated with other fractures has a signal to noise ratio below that required to invert for source mechanisms. Enhanced production resulting from the stimulation is expected to result from a combination of fractures in the natural fracture network; those related to the source mechanisms and other fractures that may be opened aseismically. The result is a well-connected fracture network because of contributions of flow from multiple fracture orientations.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».