Effectiveness of Fiber Optic Distributed Acoustic Sensing (DAS) in Vertical Seismic Profiling (VSP) Field Survey
Notice bibliographique
Résumé
The evolution of fiber optic technology in the past few decades has led to significant advancements in various fields, including high-speed and long-distance communication, big data transport, optical imaging, and sensing. However, relatively few studies have examined the use of fiber optic sensors (FOSs) as point and distributed sensors in geophysics. Distributed Acoustic Sensing (DAS) is a widely used method for subsurface imaging and monitoring in wells, specifically in Vertical Seismic Profiling (VSP) surveys. This method allows for detailed analysis of subsurface structures and properties of reservoirs. Four different strategies for deploying FOS cables in DAS VSP are evaluated and compared: cementing behind casing, cable behind inflatable liner, strapping to production tubing, and wireline deployment. Cementing the fiber behind casing is considered the most effective method for coupling with the formation. However, the other methods also have their own advantages and limitations. The fiber cable behind inflatable liner, for example, allows for accessibility to the fiber without affecting the acoustic signal, while strapping the fiber to production tubing can still record DAS signals; tubing noise and signal attenuation from the annular fluid, however, can make it difficult to differentiate from the seismic signal. Nonetheless, this method has the benefit of being simpler to deploy and replace in case of failure. Wireline deployment can pick up some acoustic signals in regions where the cable touches the well wall, but in vertical sections where the cable is not in contact with the wall, the signal is attenuated. Results from pilot tests in a field in Canada are discussed and evaluated, and suggestions for improving the VSP signal are provided.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 ».