Interpretation of low-frequency distributed acoustic sensing data based on geomechanical models
Notice bibliographique
Résumé
ABSTRACT Distributed acoustic sensing (DAS) is a technology that enables continuous, real-time measurements along the entire length of a fiber-optic cable. The low-frequency band of DAS can be used to analyze hydraulic fracture geometry and growth. In this study, the low-frequency strain waterfall plots with their corresponding pumping curves were analyzed to obtain information on fracture azimuth, propagation speed, number of fractures created in each stage, and restimulation of preexisting fractures. We also use a simple geomechanical model to predict fracture growth rates while accounting for changes in treatment parameters. As expected, the hydraulic fractures principally propagate perpendicular to the treated well, that is, parallel to the direction of maximum horizontal stress. During many stages, multiple frac hits are visible, indicating that multiple parallel fractures are created and/or reopened. Secondary fractures deviate toward the heel of the well, likely due to the cumulative stress shadow caused by previous and current stages. The presence of heart-shaped tips reveals that some stress and/or material barrier is overcome by the hydraulic fracture. The lobes of the heart are best explained by the shear stresses at 45° angles from the fracture tip instead of the tensile stresses directly ahead of the tip. Antennas ahead of the fracture hits indicate the reopening of preexisting fractures. Tails in the waterfall plots provide information on the continued opening, closing, and interaction of the hydraulic fractures within the fracture domain and stage domain corridors. The analysis of the low-frequency DAS plots thus provides in-depth insights into the rock deformation and rock-fluid interaction processes occurring close to the observation well.
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 | 0,000 |
| 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 ».