Spatiotemporal Variations in Earthquake Triggering Mechanisms During Multistage Hydraulic Fracturing in Western Canada
Notice bibliographique
Résumé
Abstract Dense arrays deployed near the hydraulic fracturing (HF) wells greatly enhance the understanding of injection‐induced seismicity. In this study, we revisit the continuous recordings that are acquired by 69 three‐component nodes at an HF site in Alberta, Canada, taking advantage of a machine learning‐based seismic detection and location workflow. The obtained new earthquake catalog contains 21,619 events with relative location errors of <1 m, which exceeds ∼20% of the number of earthquakes (18,040) reported previously (Igonin et al., 2021). This high‐resolution catalog reveals the distribution of earthquake sequences at much improved spatiotemporal resolution and illustrates several previously unmapped faults/fractures. Earthquake frequency‐magnitude distribution reveals that the average b value increases with depth from ∼1.1 above 3.5 km to ∼2.5 at greater depths. Further spatial analysis of seismic clusters indicates that the b value varies laterally (∼1–1.7) at shallow depths and is inversely related to the proximity to injection wells in conjunction with the change in structural types (i.e., reactivated fault and pre‐existing fracture). The seismic sequence on the north‐south oriented faults also shows a distinctive occurrence pattern and temporal affinity to the fracturing network reactivation between the two stages of HF operations. The change in faulting behavior could reflect a shift of dominating triggering mechanisms and physical processes from (a) the rapid diffusion of pore fluid pressure along pre‐existing fracture corridors to (b) the cascade migration of earthquake sequences in response to the cumulative Coulomb stress perturbation on the fluid‐lubricated, critically stressed faults.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».