Hydraulic fracturing distributed acoustic sensing monitoring data source mechanism inversion: A Hessian-based method
Notice bibliographique
Résumé
ABSTRACT Distributed acoustic sensing (DAS) microseismic monitoring during hydraulic fracturing provides microseismic data with high spatial samplings for fracturing zones. However, sources located perpendicular to the single horizontal well of the DAS acquisition system have limited source-receiver geometries with extremely poor azimuthal coverage, resulting in high uncertainty in source mechanism inversion. To address this problem, we introduce the Hessian matrix, which governs the blurring effect caused by the source-receiver geometry, into the DAS microseismic source mechanism inversion. Our Hessian-based source mechanism inversion method consists of three main steps: (1) construct the Hessian matrix of the source mechanism based on the source-receiver geometry, (2) obtain an initial source mechanism using a conventional source mechanism inversion method, and (3) update the initial source mechanism using a Hessian-based L1-regularized least-squares algorithm. We assess the robustness of our method using synthetic DAS microseismic data with the consideration of noise, source location error, and different regularization parameters, and we compare the results with those of the conventional method. The results demonstrate that the Hessian-based method has a remarkable ability to mitigate the blurring effect of the Hessian matrix caused by limited DAS source-receiver geometry with poor azimuthal coverage, thereby reducing the uncertainty of the inverted source mechanism even in the presence of real noise and/or source location error. Finally, we use our method to invert the source mechanism of a real DAS microseismic event acquired during hydraulic fracturing. Our Hessian-based method provides low uncertainty in the source mechanism inversion of the real DAS microseismic data.
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 | 0,001 | 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 ».