New Models of Brittleness Index for Shale Gas Reservoirs: Weights of Brittle Minerals and Rock Mechanics Parameters
Notice bibliographique
Résumé
Abstract Brittleness indices (BI) commonly used in the petroleum industry are based on elastic modulus or mineralogy that can be calculated from well logs. However, they ignore the weights of these two factors. Also, it is imprecise to calculate BI by considering quartz (or dolomite) as the only brittle mineral in mineralogy-based BI prediction. Shale gas reservoirs like Eagle Ford are rich in carbonate minerals. If the carbonate minerals are ignored in those reservoirs, the value of BI will be greatly underestimated. On the other hand, brittle minerals like quartz, dolomite and calcite play different roles in BI calculation. If we equally treat them without weighting in BI prediction, the BI being calculated will be inaccurate as well. This paper analyzes the influence of calcite on rock mechanics parameters and BI comparing with quartz and clay. Then new models of BI prediction are built to characterize the weight of each brittle mineral and rock mechanics parameter. Based on the least squares method, optimal values of weight coefficients will be obtained by iteration. The results show that calcite improves rock brittleness and should be considered as a brittle mineral in BI prediction. However, the weight of calcite is less than quartz. From the statistics results, quartz > dolomite > calcite > clay occurs in improving BI. The results also show that Young's modulus plays a more important role in BI prediction than Poisson's ratio.
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 ».