MétaCan
Menu
Retour à la cohorte
Enregistrement W3172374831 · doi:10.3997/1365-2397.2019028

Increasing confidence in estimating stimulated reservoir volume by integrating RTA and microseismic analysis

2019· article· en· W3172374831 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueFirst Break · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMicroseismDeconvolutionGeologyDimensionless quantitySuperposition principleReservoir modelingVolumetric flow rateVolume (thermodynamics)MechanicsPetroleum engineeringMathematicsAlgorithmPhysicsSeismologyMathematical analysisThermodynamics

Résumé

récupéré en direct d'OpenAlex

Rate Transient Analysis (RTA) and microseismic monitoring are gaining momentum in modelling Stimulated Reservoir Volume (SRV) in Multi-Frac Horizontal Wells (MFHWs) in unconventional reservoirs. From a behavioural perspective, RTA uses history matching and production data analysis to estimate fracture volume and productivity, and microseismic analysis maps frack-ing-induced micro-earthquakes to calibrate the fracture network from a spatiotemporal point of view. Defining the concepts of normalized rate, material balance time and pseudo-time, dynamic drainage volume, together with convolution, deconvolution and analytical models, make RTA a powerful and computationally efficient tool for modelling MFHWs (Blasingame et al., 1991; Agarwal et al., 1998, Mattar and Anderson, 2003). Poe (2005) proposed a rate-transient analysis method for evaluating the performance of wells with limited pressure data using the superposition theory and dimensionless parameters. Soliman and Adams (2010) estimated fracture properties by applying Flow Regime Identification (FRI) plots to early production data, followed by using analytical models derived for each distinct flow regime. Kuchuk et al. (2016) calibrated reservoir models by history-matching the transient flow rate and pressure measurements. Brown (2009), Stalgorova and Mattar (2012a, 2012b), Deng et al. (2015), and Yuan et al. (2015) divided the reservoir into a series of linear flow regions and derived analytical pressure transient models from the pressure diffusion equation, not only to confirm the validity of the identification, characterization and diagnostic analyses but also to provide production forecasts and carry out optimization studies. Clarkson et al. (2015) successfully applied RTA analytical and semi-analytical modelling techniques to a gas condensate MFHW in a Western Canadian Basin, highlighting the fact that building a predictive understanding of drainage volume dynamics is best started with physics-based analytical models rather than multi-phase numerical simulations. This is particularly important in unconventional reservoirs where the complex, small-scale physics and rock-fluid interactions significantly hinder gathering enough measurements to support the numerically added complexities.

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 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)0,001
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 enseignants0,074
Score d'incertitude au seuil0,900

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,006
Tête enseignante GPT0,237
Écart entre enseignants0,231 · 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