Estimating Effective Fracture Pore Volume From Flowback Data and Evaluating Its Relationship to Design Parameters of Multistage-Fracture Completion
Notice bibliographique
Résumé
Summary Flowback data from seven multifractured horizontal tight oil/gas wells in Anadarko Basin show two separate regions during the single-phase water production. Region 1 shows a dropping casing pressure, and Region 2 shows a flattening casing pressure. This paper investigates the flowback behavior of the two regions, and illustrates how flowback data can be interpreted to estimate effective fracture pore volume, and to investigate its relationship to completion-design parameters. We construct diagnostic plots to understand the physics of Regions 1 and 2. Region 1 represents pressure depletion in fractures, and Region 2 represents the hydrocarbon breakthrough into the effective fracture network. The results of our analyses indicate that the duration of Region 1 depends on initial reservoir pressure and hydrocarbon type. We apply a previous flowback model (Abbasi et al. 2012, 2014) on Region 1 to estimate effective fracture pore volume, and also propose a procedure to estimate fracture compressibility by use of diagnostic-fracturing-injection-test (DFIT) data. The results suggest that the estimated effective fracture pore volume is very sensitive to fracture compressibility, and is generally larger than the final load-recovery volume, and less than the total injected-water volume. The results also suggest that most of the effective fractures are unpropped, and host the nonrecovered fracturing water. We investigate the relationship between the estimated effective fracture pore volumes and completion-design parameters, including total injected-water volume, proppant mass, gross perforated interval, and number of clusters, by use of the Pearson correlation-coefficient method. The results show that total injected-water volume, gross perforated interval, and the number of clusters are among the key design parameters for an optimal fracturing treatment. Higher total injected-water volume and closer cluster spacing generally lead to a larger effective fracture pore volume.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».