MétaCan
Menu
Retour à la cohorte
Enregistrement W3133869493 · doi:10.5194/egusphere-egu21-16385

Cascading earthquakes on a fracture network in a geo-energy reservoir

2021· article· en· W3133869493 sur OpenAlexaff
Kadek Hendrawan Palgunadi, Alice‐Agnes Gabriel, Dimitry Garagash, P. Martín

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésInduced seismicitySeismologyFracture (geology)Fault (geology)GeologyMagnitude (astronomy)Stress (linguistics)Seismic momentStress fieldEarthquake magnitudeGeotechnical engineeringPhysicsStructural engineeringEngineeringScalingGeometryMathematicsFinite element method

Résumé

récupéré en direct d'OpenAlex

<p>The increasing rate of induced seismicity in subsurface reservoirs, exceeding occasionally moment magnitude 5, has generated significant attention among earthquake scientists and regulators over the last decade. Fluid injection activity during the operation stage often produces a significant, sometimes even destructive, earthquake. Many approaches have been proposed to monitor, model, and predict the injection-related seismicity to avoid an earthquake larger than a threshold set by the regulator (e.g., Mw 2.0). However, unexpected higher magnitude events occur exceeding what is predicted by empirical models, theoretical relations, or computer simulations. </p><p>Current models do not consider that subsurface reservoirs consist of complex fracture networks characterized by connected and unconnected individual fracture planes, often comprising a larger but inactive fault (unfavorably oriented with respect to regional stress). Fluid injection may then perturb stress conditions and trigger an initial rupture on fractures close to the injection well; this initial event may then dynamically trigger other fractures and potentially generate a large earthquake. </p><p>We inspect conditions leading to induced earthquakes taking into account the complex fracture network intersected to an inactive fault using dynamic earthquake rupture simulations. We generate the fracture network using a nearest-neighbor method following statistical parameters (power-law distribution of fracture length and fracture density) based on field data. There are 134 fractures consisting of 95 connected fractures, 3 fractures connected with at least one fracture, and 38 unconnected fractures. We focus on two fracture populations oriented in strike N110E ± 10° and N210E ± 10°, respectively. The main fault has a depth-dependent dip orientation which results in a listric fault geometry. </p><p>For our dynamic rupture simulations, we use the open-source software SeisSol (https://github.com/SeisSol/SeisSol), apply a laboratory-based rate-and-state with rapid velocity weakening friction law, and assign source radius-dependent characteristic length (L parameter) to the fractures. We vary stress conditions (maximum horizontal orientation, static-pore pressure, and prestress ratio) and conduct an initial static Mohr-Coulomb analysis before running the expensive dynamic rupture simulation. We choose conditions that lead to cascading rupture with (case 1) and without (case 2) the involvement of the main fault. Case 1 has higher artificial overstress within the nucleation area than case 2. Our simulation shows intricate rupture progression over small fractures via rupture branching with the parallel and orthogonal connected fractures. The rupture can also transfer to the unconnected fractures through dynamic triggering from the closest neighboring fracture. Case 1 produces a moment magnitude of Mw 6.36 that is equivalent to case 2. Our preliminary result reveals that connected fractures can generate a significant and potentially large induced earthquake if all fractures are favorable to the stress condition.</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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,337
Score d'incertitude au seuil0,559

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,249
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReservoir Engineering and Simulation MethodsTravaux en français237 207