An Analytical Approach to Fracture Gradient Prediction Utilizing Leak Off Test Calibration Data: Case Study Application of a Deep Play Niger Delta Well
Notice bibliographique
Résumé
Abstract Accurate fracture gradient prediction is crucial for safe drilling operations in oil and gas exploration, particularly when encountering normal and over-pressured zones. This study presents a workflow for fracture gradient prediction calibrated with leak-off test (LOT) data from a wide variety of Niger Delta wells. The methodology improves upon existing prediction methods that were primarily calibrated for the Gulf of Mexico. Analysis of drilling data reveals that fracture gradient prediction is primarily influenced by overburden stress, pore pressure, and depth. A key finding shows that shale formations exhibit higher effective stress coefficients at shallow depths compared to deeper sections. Based on this observation, we propose a depth-dependent effective stress coefficient for enhanced fracture gradient prediction. The study validates the proposed workflow through multiple case applications and comparative analysis with existing methodologies. By integrating fracture gradient and pore pressure analyses, this workflow helps optimize casing setting depths while minimizing risks of borehole instability and lost circulation. Furthermore, accurate fracture pressure estimation prevents potential production losses, injectivity issues, and environmental risks associated with hydrocarbon migration through induced fractures. This work contributes to the understanding of fracture gradient prediction in onshore Niger Delta wells by establishing the effectiveness of combining Matthew and Kelly's correlations with locally available Leak off test data. The methodology provides a practical framework for post-drill fracture pressure analysis that can be used to optimize well and casing designs.
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 | 0,001 |
| 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 ».