Stress field inversion using downhole fiber-optic distributed acoustic sensing array during hydraulic fracturing in shale gas reservoir
Notice bibliographique
Résumé
ABSTRACT We present a case study using a full-section fiber-optic distributed acoustic sensing (DAS) array to monitor microseismicity during hydraulic fracturing and provide insights into subsurface stress variations. Leveraging DAS data’s high spatial resolution and migration-based techniques, we identify 163 micro earthquakes, 46 of which were selected for moment tensor and stress inversion analysis. Independent inversions explain the source mechanisms of events in fracturing stage 8, showing consistency with in situ stress measurements and alignment with the regional stress field, as validated by the World Stress Map and the pilot hole. Seismic events are categorized into three swarms based on their focal mechanism characteristics. Swarm 1 exhibits significant stress anomalies, likely driven by rapid fluid-induced fracturing which alters local stress conditions. In contrast, Swarms 2 and 3 shows stress alignments with regional trends, indicating shear failure along preexisting faults. We also use focal mechanism tomography (FMT) to estimate pore fluid pressure thresholds for each swarm. Swarm 2 exhibits the lowest excess pore pressure (1.24 MPa), suggesting that high fluid pressure is prone to enhance the fracturing of preexisting faults and induce earthquakes. Our findings provide new insights into the role of hydraulic fracturing in induced seismicity, demonstrating that stress anomalies arise from complex fracture geometries and dynamic pore pressure variations. This study highlights the potential of integrating DAS monitoring with stress inversion and FMT to advance our understanding of shale reservoir geomechanics and induced seismicity.
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 | 0,001 |
| 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 ».