MétaCan
Menu
Retour à la cohorte
Enregistrement W2570714964 · doi:10.2118/184834-ms

Extreme Limited Entry Design Improves Distribution Efficiency in Plug-n-Perf Completions: Insights from Fiber-Optic Diagnostics

2017· article· en· W2570714964 sur OpenAlexafffundabout
Kiran Somanchi, James Brewer, Alan Reynolds

Notice bibliographique

RevueSPE Hydraulic Fracturing Technology Conference and Exhibition · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueGeotechnical Engineering and Underground Structures
Établissements canadiensShell (Canada)
Organismes subventionnairesShell Canada
Mots-clésSpark plugWell stimulationPerforationPressure dropFracture (geology)Stress (linguistics)WellheadMaterials scienceEngineeringPetroleum engineeringMechanical engineeringGeologyMechanicsComposite materialPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Limited entry (LE) plug ‘n’ perf (PnP) fracture designs were pioneered in the early 1960s as a cost-effective technique to stimulate multiple pay zones with varying stress regimes (Murphy & Juch, 1960). Conventional completion techniques would involve blanket perforating the entire interval with 4 shots per foot. The technique was revolutionary in that it recommended "limiting" the number of perforations to distribute fracture stimulation fluids into multiple intervals with differing stress regimes. However, diagnostics have shown that LE treatment distribution during the slurry phase is uneven and is highly impacted by several key parameters that may change significantly during treatment. Several papers have been published on the inefficiencies associated with LE design and what can be done to overcome them (Ugueto, Huckabee, Molenaar, Wyker, & Somanchi, 2016) (Somanchi, O' Brien, Huckabee, & Ugueto, 2016). Shell Canada Ltd. recently tested eXtreme Limited Entry (XLE) designs to determine if additional pressure drop across the perforations would improve treatment distribution. Stages were alternated with differential perforation friction (∆P) pressures of 2,000, 2,500, and 3,000 psi to determine if there was a threshhold ∆P that would result in a more optimal treatment distribution. However, due to wellhead pressure limitations, actual ∆Ps were below the design values. There were no placement issues associated with fewer perforations and higher treatment pressures. The trial well was completed with thirteen 3-cluster stages. All clusters were evenly spaced at 50 meters and fracture stimulated with a slickwater system with 31 tons/cluster (93T/stage). The fracture stimulation was monitored using an externally clamped fiber-optic (FO) cable. Treatment distribution and production were quantified using Distributed Acoustic Sensing (DAS) (Molenaar & Cox, 2013). Post-job analysis indicates a 40% improvement in distribution compared to previously stimulated 3-cluster standard LE completions. With the XLE design, 100% of clusters received some proppant. There is a 33% increase in cluster activity at IP90 from the XLE design compared to a previously completed 3-cluster conventional LE well. Improvement in distribution is minimal beyond ∆P of 1200 psi during the pad phase. However, this threshold could be rock-specific and needs to be validated with trials in different play types. Data also suggests that treatment pressure should be maintained at a maximum throughout the pad and slurry placement, within equipment and wellhead limitations. During pad, this is important to ensure breakdown and fracture extension. In the slurry phase, maxing out pressure helps to maintain ∆P across eroding perforations. In some plays, insufficient ∆P may prevent all clusters from breaking down. In Groundbirch, typically all clusters breakdown and take fluid from the start but screenout as soon as sand hits. Howeever, slurry rate is typically not increased to compensate for the loss in ∆P due to an increase in perf diameter. These factors are largely responsible for the heel-toe bias in LE designs which results in under-treatment of toe clusers. (Ugueto, Huckabee, Molenaar, Wyker, & Somanchi, 2016)

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,212
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations50
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueSPE Hydraulic Fracturing Technology Conference and ExhibitionMême sujetGeotechnical Engineering and Underground StructuresTravaux en français237 207