Green, yellow, red, or out of the blue? An assessment of Traffic Light Schemes to mitigate the impact of hydraulic fracturing-induced seismicity
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.
Notice bibliographique
Résumé
Abstract Mitigating hydraulic fracturing-induced seismicity (HF-IS) poses a challenge for shale gas companies and regulators alike. The use of Traffic Light Schemes (TLSs) is the most common way by which the hazards associated with HF-IS are mitigated. In this study, we discuss the implicit risk mitigation objectives of TLSs and explain the advantages of magnitude as the fundamental parameter to characterise induced seismic hazard. We go on to investigate some of the key assumptions on which TLSs are based, namely that magnitudes evolve relatively gradually from green to yellow to red thresholds (as opposed to larger events occurring “out-of-the-blue”), and that trailing event magnitudes do not increase substantially after injection stops. We compile HF-IS datasets from around the world, including the USA, Canada, the UK, and China, and track the temporal evolution of magnitudes in order to evaluate the extent to which magnitude jumps (i.e. sharp increases in magnitude from preceding events within a sequence) and trailing events occur. We find in the majority of cases magnitude jumps are less than 2 units. One quarter of cases experienced a post-injection magnitude increase, with the largest being 1.6. Trailing event increases generally occurred soon after injection, with most cases showing no increase in magnitude more than a few days after then end of injection. Hence, the effective operation of TLSs may require red-light thresholds to be set as much as two magnitude units below the threshold that the scheme is intended to avoid.
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 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 | 0,000 |
| 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 découle