MétaCan
Menu
Retour à la cohorte
Enregistrement W2913363763 · doi:10.2118/194330-ms

Determining the Most Effective Diversion Strategy Using Pressure Based Fracture Maps : A Meramec STACK Case Study

2019· article· en· W2913363763 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueSPE Hydraulic Fracturing Technology Conference and Exhibition · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueDrilling and Well Engineering
Établissements canadiensnon disponible
Organismes subventionnairesChaparral Energy
Mots-clésFracture (geology)Pressure dropDrillingDrop (telecommunication)Well stimulationStage (stratigraphy)GeologyPetroleum engineeringGeotechnical engineeringEnvironmental scienceMaterials scienceReservoir engineeringEngineeringPetroleumMechanics

Résumé

récupéré en direct d'OpenAlex

Abstract This paper discusses a STACK (Sooner Trend Anadarko Basin Canadian and Kingfisher Counties) case study that determined the effectiveness of different diversion techniques, including pods, sand ramps with sand slugs, rate cycling, and utilization of the completions order to control fracture growth. A secondary goal of this study was to evaluate the suitability of pressure-based fracture maps and oil and water phase tracers in monitoring diverter effectiveness. Effectiveness of a given diverter technique and diverter drop was evaluated using the two techniques on a 3-well pad. The three wells were completed using a combination of: 4 pods per treatment interval6 pods per treatment interval8 pods per treatment intervalhigh-volume proppant loading per treatment interval The effectiveness of the diverter drop was evaluated using each of the diagnostic techniques listed above. The pressure-based fracture analysis uses the pressure response recorded in an isolated stage in the monitor well to compute fracture geometry and the rate of growth of the fracture dimensions. The effectiveness of a given diverter drop is classified into one of four possible categories: stop dominant fracture growth, impede dominant fracture growth, no impact on growth of dominant fracture and accelerate the growth of dominant farcture. These results were then compared with the analysis from oil and water phase tracers and treatment pressure analysis. Successful (effective) diversion was observed on 82 % of the stages with pods compared to 64% successful diversion where sand ramps were used. In addition, stages using 8 pods for diversion had a 15% reduction in average fracture half-length compared to stages using 4 pods. Fracture height was better controlled through the order of completions of the stages between 3 wells. Completing the middle well in the upper part of the zone ahead of the two outer wells in the lower part of the zone, controlled the vertical height growth of the two outer wells. The offset pressure-based analysis proved to be as effective in accurately diagnosing the diverter effectiveness and provided a significant cost and timing advantage compared to other diagnostic techniques.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,218
Écart entre enseignants0,208 · 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