Stage-by-Stage Hydraulic Fracture and Reservoir Characterization through Integration of Post-Fracture Pressure Decay Analysis and the Flowback Diagnostic Fracture Injection Test Method
Notice bibliographique
Résumé
Summary The post-fracture pressure decay (PFPD) technique is a low-cost method allowing for stage-by-stage hydraulic fracture characterization. The analysis of the PFPD data is complex, with data affected by both hydraulic fracture and reservoir properties. Available analysis methods in the literature are oversimplified; reservoir or fracture properties are often assumed to be constant along the horizontal well, and therefore changes in the trend of pressure decay data are attributed to hydraulic fracture or reservoir properties only. Moreover, methods analogous to those applied to the analysis of conventional diagnostic fracture injection tests (DFITs) are often used and ignore critical mechanisms involved in main-stage hydraulic fracture stimulation. A conceptual numerical simulation study was first conducted herein to understand the key mechanisms involved in main-stage hydraulic fracturing. An analytical model was then developed to account for the dynamic behavior of the hydraulic fracture, leakoff, proppant distribution, multiple fractures, and propped- and unpropped-closure events. The analytical model is cast in the form of a new straightline analysis (SLA) method that provides stage-by-stage estimates of the ratio of unpropped fracture surface area to total fracture surface area. The SLA method was validated against numerical simulation results. Moreover, to account for the variation of reservoir properties along the horizontal well, the PFPD model is integrated with DFIT-flowback (DFIT-FBA) tests, performed at some points along the lateral, to obtain a reliable stage-by-stage hydraulic fracture and reservoir characterization approach. The practical application of the proposed integrated approach was demonstrated using PFPD and DFIT-FBA data from a horizontal well completed in 22 stages in the Montney Formation. The numerical simulation study demonstrated that the use of proppant and injection into multiple clusters (creating multiple fractures) results in multiple closure events. The closure process may start early after the pump-in period at a pressure significantly higher than the minimum in-situ stress. Using DFIT-based analytical models, which ignore the presence of proppant, causes significant errors in hydraulic fracture and reservoir property estimation. The PFPD field data examined herein exhibited a similar pressure trend to the numerical simulation cases. The ratio of unpropped fracture surface area to total fracture surface area was determined stage by stage using the PFPD SLA method, constrained by DFIT-FBA data. Engineers can use this information to optimize the hydraulic fracture stimulation design in real time, optimize the well spacing, and forecast the production. The cost and time advantages of this diagnostic method make this approach very attractive.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».