Characterization of low-frequency distributed acoustic sensing signals in hydraulic fracturing stimulation – A coupled flow-geomechanical simulation approach
Notice bibliographique
Résumé
Low-frequency distributed acoustic sensing (LF-DAS) is one of the promising diagnostic techniques for detecting and characterizing hydraulic fractures. LF-DAS signals can capture fracture hits and the strain field around the hydraulic fracture. However, the interpretation of field LF-DAS data can be challenging due to the complexity of the underground conditions. This study develops a fracture propagation model to simulate the hydraulic fracturing process. The modelling results are analyzed to examine patterns and trends observed in interpreting field LF-DAS data. The fracture propagation model, coupled with the flow and geomechanical computations, is implemented in the MATLAB Reservoir Simulation Toolbox (MRST). The flow and geomechanical calculations are discretized by the finite volume and the virtual element methods, respectively. The hydraulic fracture is set to propagate along a prescribed path with a specific propagation or activation criterion. The accuracy of our model is validated against the KGD analytical solutions for the leak-off-viscosity, storage-viscosity and leak-off-toughness dominated regimes. The simulated stress and strain features are consistent with those interpreted from field LF-DAS signals. Several case studies and sensitivity analyses demonstrate the approach's utility and examine fracture interference, closure, and stress shadowing effects. The modelling work facilitates interpreting field measurement data by investigating characteristics of fracture hits from adjacent wells. The modelling method provides insights into fracture interference and its implications on optimal designs during hydraulic fracturing stimulation.
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 ».