Case study of hydraulic fracture monitoring using multiwell integrated analysis based on low-frequency DAS data
Notice bibliographique
Résumé
Abstract Distributed acoustic sensing (DAS) is an effective technique for hydraulic fracture monitoring. It can potentially constrain fracture propagation direction and time while monitoring strain perturbation, such as stress shadowing. In this study, we acquired passive DAS and distributed temperature sensing (DTS) data throughout the entire fracturing operations of adjacent production wells with varying offset lengths from the fiber-optic cable in the Montney tight gas area. We applied data processing techniques to the DAS data to extract low-frequency components (less than 0.5 Hz) and to construct the strain rate and cumulative strain maps for detecting responses related to fracture hits along the fiber-optic cable. We used low-frequency DAS (LF-DAS) results to estimate the fracture hit position and time, and in certain cases, to additionally estimate the fracture connection. By integrating LF-DAS results with DTS results, we detected the temperature changes around the compression response near the fracture hit position and time. Furthermore, we observed that timing of the fracture hit can be constrained more precisely by using high-frequency DAS data (greater than 10 Hz). We estimated the fracture propagation direction and speed from the estimated fracture hit position and time. The fracture propagation direction deviated slightly from a perpendicular line to the fiber direction. In addition, as estimated from the first fracture hit time, the fracture length and fluid injection volume had a proportional relationship. Due to challenges associated with the data, it is important to design data acquisition geometry and fracturing operations on the premise of acquiring LF-DAS data. It is also important to apply an additional noise reduction process to the data.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».