MétaCan
Menu
Retour à la cohorte
Enregistrement W4392022882 · doi:10.4043/34883-ms

Quick Hydraulic Fracture Property Estimation Through Pressure Falloff Data During Fracturing Operations: A Deep-Shale Case Study from the Southern Sichuan Basin

2024· article· en· W4392022882 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueOffshore Technology Conference Asia · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésHydraulic fracturingGeologyTortuosityFracture (geology)Oil shaleShale gasPetroleum engineeringSichuan basinTight gasGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Deep shale gas formations with a burial depth larger than 3500 m contain over 65% of the total shale gas reserves in the Southern Sichuan Basin. However, complex reservoir conditions, such as extensively developed natural fractures or faults and large horizontal principal stress differences, generate significant uncertainties in post-fracturing well performance. Quick estimation of hydraulic fracture properties, such as the fracture surface area and effective half-length, via pressure falloff data, after the main fracturing treatment offers a timely and improved understanding of stimulation efficiency and provides key information for post-frac well performance investigation. In this study, we comprehensively investigate fracture properties of different fractured stages, such as main fracture surface area, secondary fracture surface area, and effective main fracture half-length. Then, we analyze the correlation of these properties, productivity, pressure falloff data, and fracturing treatment parameters via a case study. Here, we employ the basic pressure-falloff-based approach of Liu et al. (2020) and further add the impact fracture tortuosity. First, collect high-quality pressure falloff data and generate the log-log diagnostic plot of pressure drop and the corresponding derivative for each stage. Then, generate the composite G-function plot for each stage and find the d(∆p)/dG value when the first closure of the hydraulic fracture occurs. Next, determine the pressure loss caused by the wellbore and near-wellbore fracture tortuosity and calculate the fracture tortuosity. Finally, calculate the main fracture and secondary fracture properties. Well A, a deep shale gas well in the Southern Sichuan Basin, is selected and analyzed. The effective main fracture half-length of well A ranges from 279 ft to 395 ft, depending on the operating and reservoir conditions. Compared with microseismic data, the average main fracture effective half-length is 54.7% of the observed average SRV half-length. The relative magnitude of pressure loss during the pressure falloff period caused by near-wellbore fracture tortuosity can roughly reflect the complexity of the created fracture system. A new fracture complexity evaluation concept is proposed based on the surface area values of main and secondary fractures. For fractured stages, the total pressure drop is positively correlated with the total fracture surface area of the fracture system and total injected fluid volume. The correlation between fracture surface area and gas productivity is weaker compared with that between fracture surface area and water productivity. Some discrepancies in specific stages are possibly caused by abnormal or poor-quality pressure falloff data. By combining other key information on field treatments, the understanding obtained from fracture surface area estimation helps to define changes in treatment design and enhance well productivity. This integrated approach can also serve as a simple but practical tool for estimating hydraulic fracture properties during offshore fracturing.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,261
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle