Characterizing hydraulic fracture growth using distributed acoustic sensing-recorded microseismic reflections
Notice bibliographique
Résumé
ABSTRACT Hydraulic fracturing is crucial for enhancing hydrocarbon production from unconventional reservoirs. The characterization of fracture geometry and propagation has significant value in understanding reservoir response and designing more efficient completions. Distributed acoustic sensing (DAS) is a rapidly developing technology that can be used for this purpose because it provides wide-aperture observations of microseismic wavefields that contain direct P and S arrivals as well as converted and reflected waves. In addition to traditional approaches for microseismic event location and source mechanism analysis, the high spatial resolution of DAS microseismic recordings allows the imaging of induced fractures with reflected waves. Reflections are generated by waves radiated from microseismic events that impinge on hydraulic fractures created during prior treatment stages. We use a straightforward method based on f-k filtering and ray tracing to map reflected S waves from the time domain to reflectivity in the space domain. A case study of fracture imaging indicates that inferred fracture development, based on reflection imaging, is consistent with fracture-driven interactions observed using low-frequency DAS (LF-DAS) data. In addition, this study reveals reflection images of apparent distal fractures that do not reach the fiber and thus are not directly observed by LF-DAS. Fracture images obtained from several microseismic events during the same stage provide the opportunity to observe snapshots of dynamic fracture evolution processes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».