Application of focal-time analysis for improved induced seismicity depth control: A case study from the Montney Formation, British Columbia, Canada
Notice bibliographique
Résumé
ABSTRACT Characterization of induced seismicity and associated microseismicity is an important challenge for enhanced oil recovery and development of tight hydrocarbon reservoirs. In particular, accurately correlating hypocenters of induced events to stratigraphic layers plays an important role in understanding the mechanisms of fault activation. Existing methods for estimating focal depth, however, are prone to a high degree of uncertainty. A comprehensive analysis of inferred focal depths is applied to induced events that occurred during completions of horizontal wells targeting the Montney Formation in British Columbia, Canada. Our workflow includes a probabilistic, nonlinear global-search algorithm (NonLinLoc), a hierarchical clustering algorithm for relative relocation (GrowClust), and depth refinement using the recently developed focal-time method. The focal-time method leverages stratigraphic correlations between P-P and P-S reflections to eliminate the need for an explicit velocity model developed specifically for hypocenter depth estimation. We find that this approach is robust in the presence of noisy picks and location errors from epicenters obtained using a global-search algorithm, but it is limited to areas where multicomponent 3D seismic data are available. We have developed a novel method to determine statics corrections to ensure that the passive seismic observations and 3D seismic data share a common datum in areas of moderate to high topography. Our results highlight the importance of transverse faults, which appear to provide permeable pathways for activation of other faults at distances of up to 2 km from hydraulic fracturing operations.
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 ».