Water Flowback RTA Analysis to Estimate Fracture Geometry and Rank the Shale Quality
Notice bibliographique
Résumé
Abstract Recently, flowback data analysis enabled us to evaluate important fracture parameters including fracture conductivity and volume in unconventional reservoirs. To perform the analysis, diagnostic plots, straight-line techniques, and history-matching techniques have been used. Immediate water and gas production usually occurs on flowback in shale gas wells. In this paper, a novel workflow is developed for the analysis of water flowback data and early-time production of shale gas wells. This analysis then helps to define the movable water and the applicability of the soaking process on the shale gas well. Rate transient analysis (RTA) combined with decline curve analysis (DCA) was used to analyze different shale gas wells. Effective fracture volume and geometry were calculated from the RTA analysis. Estimated ultimate water recovery was calculated from DCA. The calculated water-in-place and the estimated ultimate water recover (EURw) will be compared against the injected fracturing fluid. Water RTA result show that in the case of shale wells with no movable formation water, gas kick off early, and boundary dominated flow (BDF) was observed. In addition, these wells performance improved with soaking process. On the other hand, if initial formation water saturation is higher than the connate water, water production will be from the frac fluid and formation water. As a result, gas kick off delays and transient flow regimes are expected. Soaking process can have a negative impact on the well performance if the movable water saturation is high. Honoring the flowback data can help to estimate the fracture geometry and to judge the quality of the shale formation quality and its validity for soaking process.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».