Ranking Shale Performance from Water Flowback Analysis, Field Case
Notice bibliographique
Résumé
Abstract In recent years, in unconventional reservoirs, main fracture parameters including fracture permeability and fracture volume can be early evaluated using flowback data analysis. For analysis purposes, diagnostic plots, straight-line methods, and simulation model history-matching techniques are utilized. Usually, immediate gas and water production occur during flowback in shale gas wells. In this paper, solution of water diffusivity equation for different flow regimes during the early time of well life was used to analyze water performance. These flow regimes were determined based on the diagnostic plot of water rate vs. time. The analysis from Water RTA was used to calculate initial water in place (OWIP) and fracture parameters. The difference between the OWIP and the injected fracturing fluid was correlated against the formation water saturation. The main conclusions from this analysis are; 1) High quality shale if the OWIP equal to the total injected water volume, and water-production data usually do not show the transient period and in some cases, boundary dominated flow (BDF) is present. 2) Low quality shale if the OWIP is greater than the total injected fracture fluid volume, and transient flow regimes are expected. High quality shale is good candidate for soaking process. The well performance increases after soaking process in the case of low formation water comparing to the high-water saturation wells. Honoring the flowback data can help to estimate the fracture geometry and indicate the quality of the shale formation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».