A New Simplified Discrete Fracture Model for Shearing of Intersecting Fractures and Faults
Notice bibliographique
Résumé
Abstract Shearing of fractures and faults is important because it can result in permeability change or even induce seismicity—both are keys for efficient and safe energy recovery and storage in Earth systems. Quantitative analysis of shearing of intersecting fractures and faults is challenging because it can involve dynamic frictional contacts that are complicated by deformation of the rock matrix. To predict the shearing of intersecting fractures/faults, we attempt to answer the question of how intersections impact the shearing of a fracture network and whether we can simplify the description as compared to classical discrete fracture network (DFN) models. To answer these questions, we conducted a series of numerical simulations on scenarios for variable numbers of intersecting fractures. All these examples yield consistent results: the results of using DFNs are consistent with those of using hypothetical major paths. This leads to a new model, which we name simplified discrete fracture network model , to analyze shearing of intersecting fractures/faults using major path(s). We found that the intersections of fractures do not fundamentally change the shearing of two intersecting fractures if the intersecting angles are small. Furthermore, increasing the number of fractures/faults may relax the stress as more fractures/faults become available for shearing and distributing the stress. The simplified DFN model, which can capture efficiently the shearing behavior of each major paths from a large number of intersecting fractures/faults, will be a promising conceptual model that is complementary to existing equivalent continuum and discrete fracture models to analyze shearing of intersecting fractures/faults.
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 ».