Analysis of downhole temperature-strain response in hydraulic fracturing – A coupled geomechanics-thermal-flow simulation approach
Notice bibliographique
Résumé
Fiber optic technologies are important real-time fracture diagnostics and monitoring tools. Simulating field temperature and strain responses using a coupled geomechanical-thermal-flow simulation approach remains challenging, even with the use of commercial software packages . This study presents a novel comprehensive modelling strategy for constructing coupled flow-geomechanical-thermal simulations to analyze fracturing processes in subsurface flow applications. This paper is the first study that meticulously examines different model set-up options, illustrating how commercial packages can be utilized in this context. A 3D deformable finite-element geomechanics system and dual-porosity-dual-permeability flow and thermal simulations are conducted. A dynamic node-splitting technique facilitates the modelling of hydraulic fracture (HF) opening and propagation. The model responses—including fracture geometry , injection pressure , and temperature—are thoroughly validated against several analytical solutions. Geomechanical responses such as displacement, strain, and strain rate are validated against a well-established numerical solution. Our model responses of strain-rate characteristics are compared to field Low-Frequency Distributed Acoustic Sensing (LF-DAS) data. A qualitative analysis has been conducted to explain the possible mechanisms behind the commonly observed optical phase-shifting phenomena in LF-DAS plots. Given that fluid injection and fracturing are commonly encountered in a wide range of geo-energy applications, the work presented in this study offers valuable insights into analyzing these processes and designing fiber-optic monitoring tools.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 ».