Numerical Simulation of Fluid Flow through Fractal-Based Discrete Fractured Network
Notice bibliographique
Résumé
Abstract: In recent years, multi-stage hydraulic fracturing technologies have greatly facilitated the development of unconventional oil and gas resources. However, a quantitative description of the “complexity” of the fracture network created by the hydraulic fracturing is confronted with many unsolved challenges. Given the multiple scales and heterogeneity of the fracture system, this study proposes a “bifurcated fractal” model to quantitatively describe the distribution of induced hydraulic fracture networks. The construction theory is employed to generate hierarchical fracture patterns as a scaled numerical model. With the implementation of discrete fractal-fracture network modeling (DFFN), fluid flow characteristics in bifurcated fractal fracture networks are characterized. The effects of bifurcated fracture length, bifurcated tendency, and number of bifurcation stages are examined. A field example of the fractured horizontal well is introduced to calibrate the accuracy of the flow model. The proposed model can provide a more realistic representation of complex fracture networks around a fractured horizontal well, and offer the way to quantify the “complexity” of the fracture network in shale reservoirs. The simulation results indicate that the geometry of the bifurcated fractal fracture network model has a significant impact on production performance in the tight reservoir, and enhancing connectivity of each bifurcate fracture is the key to improve the stimulation performance. In practice, this work provides a novel and efficient workflow for complex fracture characterization and production prediction in naturally-fractured reservoirs of multi-stage fractured horizontal wells.
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 ».