MétaCan
Menu
Retour à la cohorte
Enregistrement W4401481056 · doi:10.56952/arma-2024-1194

Probabilistic Distribution Model to Predict Fracture Height

2024· article· en· W4401481056 sur OpenAlexaff
M. Oyarhossein, Maurice B. Dusseault

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueFatigue and fracture mechanics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésProbabilistic logicComputer scienceStatistical modelProbability distributionStatisticsArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT: The Hydraulic Fracturing Simulation (HFS) fluid pressure gradient during propagation is almost always less than the rock mass horizontal minimum stress gradient. In models with independent lateral stresses, a fracture will grow more in a direction that requires less "work" needed to extend the fracture and increase its aperture. We study geometry of a fracture where a one-layer single fracture model is present to assess how fractures propagate. We use UDEC™, to model a 2D domain, and our results offer better understandings of fracture geometry. We then provide a probabilistic model to examine which outcomes distribution is more suitable to predict fracture height. We have found that a Log Normal distribution seems more suitable for fracture height outcome values. We then examined our model results with those from other solutions equations—Sneddon, GdK, and PKN—using Monte-Carlo simulation. Our model results show an acceptable agreement with the semianalytic and analytic expressions presented in those classic contributions to the subject of hydraulic fracture propagation. 1. INTRODUCTION Since the early studies of Hydraulic Fracturing Stimulation (HFS), fracture geometry has proven to be a useful and interesting subject to model and predict (Geertsma & Haafkens, 1979; Perkins & Kern, 1961). Although these models, referred to as GdK and PKN, have some limitations in the predictions of fracture heights in 2D, they are widely popular because of their simplicity and practicality. Subsequently, as more high-quality HFS field data became available (Fisher & Warpinski, 2012a, 2012b; Palmer & Kutas, 1991; Stegent et al., 2020; Warpinski, 1985, 2011b, 2011a), research has become more focused on how to verify the prediction accuracy of mathematical and numerical models, concentrating on the geometry of single induced fractures—height, width, aperture. An induced fracture system is a complex phenomenon in HFS, given heterogeneities in stress, elastic properties, and rock mass fabric (bedding, joints, lithological contrasts…). Fractures (joints) can be naturally present in the rock mass, they can be created by injection, or existing fractures can be extended during the HFS operation. Opening of fractures (Mode I) is well-understood, and dilatant shear (Mode II) of appropriately oriented natural fractures can lead to larger stimulated volumes. Putting other factors aside, it is widely accepted that larger area fractures (Modes I and II) within the target formation are desirable (Kim & Moridis, 2015; Soroush et al., 2011). The overall success of HFS, if only higher production or injection rates are considered, is related to the larger surface contact area that the stimulated fracture network affords: the higher the direct surface area created and the larger the stimulated volume, the better the flow outcomes.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,009
Tête enseignante GPT0,213
Écart entre enseignants0,203 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFatigue and fracture mechanicsTravaux en français237 207