Fluid‐Earthquake and Earthquake‐Earthquake Interactions in Southern Kansas, USA
Notice bibliographique
Résumé
Abstract An increase in injection activity associated with energy production in southern Kansas starting in 2013 has been linked to the occurrence of more than 130,000 earthquakes (M −1.5 to 4.9) between 2014 and 2017. Studies suggest that the dramatic increase in seismicity rate is related to wastewater injection into the highly permeable Arbuckle formation. Most of the seismicity is located in the underlying crystalline basement, for which hydrological properties and specific fault geometries are unknown. Additionally, some earthquake clusters occurred relatively far (tens of kilometers) from the main injection wells. Therefore, the effect of pore pressure diffusion may be insufficient to explain the relation between the volume of injected fluids and the spatiotemporal evolution of seismicity. Combining physical models (static stress and poroelasticity) and a statistical cluster analysis applied to a high‐resolution relocated catalog, we analyze the evolution of seismicity in southern Kansas. We find that pore pressure changes (Δ p ) and Coulomb stress changes (ΔCFS) due to fluid diffusion smaller than 0.1 MPa are enough to initiate seismic sequences, which then evolve depending on their distance from the major injection wells. However, we find that earthquake sequences have different seismogenic responses to Δ p and ΔCFS in terms of triggering threshold. In regions located close to disposal wells (Harper area) our cluster analysis suggests that both earthquake interactions and fluid diffusion control the evolution of seismicity. On the other hand, at greater distances (Milan area), where clustering behavior suggests greater earthquake interactions, we find that coseismic ΔCFS are larger than Δ p .
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».