Examining the Capability of Statistical Models to Mitigate Induced Seismicity during Hydraulic Fracturing of Shale Gas Reservoirs
Notice bibliographique
Résumé
Injection into the subsurface is carried out by industry for a variety of reasons, for example, storing wastewater, enhanced oil recovery, and hydraulic frac- ture stimulation. By increasing subsurface pressures, injection can trigger felt seismic- ity (i.e., sufficient magnitude to be felt at the surface) on pre-existing faults. As the number of cases of felt seismicity associated with hydraulic fracturing (HF) has increased, strategies for mitigating induced seismicity are required. However, most hydraulic stimulation activities do not induce felt seismicity. Therefore, a mitigation strategy is required that is capable of differentiating the normal case from abnormal cases that trigger larger events. In this article, we test the ability of statistical methods to estimate the largest event size during stimulation, applying these approaches to two datasets collected during hydraulic stimulation in the Horn River Shale, British Columbia, where HF was observed to reactivate faults. We apply these methods in a prospective manner, using the microseismicity recorded during the early phases of a stimulation stage to make forecasts about what will happen as the stage continues. We do so to put ourselves in the shoes of an operator or regulator, where decisions must be taken based on data as it is acquired, rather than a post hoc analysis once a stimulation stage has been completed. We find that the proposed methods can provide a reasonable forecast of the largest event to occur during each stage. This means that these methods can be used as the basis of a mitigation strategy for induced seismicity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».