Delineating the Controlling Factors of Hydraulic Fracturing-Induced Seismicity in the Northern Montney Play, Northeastern British Columbia, Canada, With Machine Learning
Notice bibliographique
Résumé
Abstract Recent studies confirm that the distribution of injection-induced earthquakes (IIE) can be related to both natural (e.g., tectonic, geological, and hydrological) settings and operational details. However, the relative importance of operational factors with respect to the natural ones has not been fully understood for the western Canada sedimentary basin. In this study, we train the eXtreme Gradient Boosting (XGBoost) machine-learning algorithm to comprehensively evaluate six geological and seven industrial operational factors suspected to be correlated with the distribution of IIE in the northern Montney play (NMP), British Columbia. We then derive the Shapley Additive Explanations values to quantitatively interpret the outputs from XGBoost. Our results reveal that operational and geological factors have comparable contributions to the IIE distribution. The top four features that contribute most to the seismicity pattern are horizontal distance to the Cordilleran deformation front, cumulative injected volume, shut-in pressure and vertical distance to the Debolt formation (with respect to the hydraulic fracturing [HF] depth). Features with secondary influence are the thickness of the Montney formation, breakdown pressure, cumulative fault length per unit area, and vertical distance to the basement (with respect to the HF depth). Other remaining features (e.g., the average treating pressure and injection rate) appear the least related. Our results provide critical information to establishing a comprehensive susceptibility model that includes key geological and operational factors affecting the IIE distribution in the NMP area.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».