Fluid Characterization Using an EOS for Compositional Simulation of Enhanced Heavy-Oil Recovery
Notice bibliographique
Résumé
Abstract Reliable design of solvent injection for enhanced heavy-oil recovery requires accurate representation of multiphase behavior for heavy-oil/solvent mixtures in a wide range of pressure-temperature-composition conditions. Characterization of a heavy oil is more difficult than that of a conventional oil because the former is conducted under more uncertainties in composition and PVT data. Volume-shift parameters are often required to improve density predictions, separately from compositional behavior predictions, in conventional fluid characterization methods (CM). Thermodynamically, however, volumetric behavior predictions (e.g., densities) are consequences of compositional behavior predictions. In this paper, we develop a new fluid characterization method (NM) that gives accurate multiphase behavior representation for heavy-oil/solvent mixtures without using volume-shift parameters. The Peng-Robinson (PR) EOS is used with the van der Waals mixing rules. In the NM, pseudo components are initially assigned critical temperature (TC), critical pressure (PC), and acentric factor (ω) values that are optimized for the PR EOS for accurate phase behavior predictions for n-alkanes from C7 to C100. The subsequent regression process searches for an optimum set of TC, PC, and ω in physically justified directions. The regression algorithm developed does not require user's experience of thermodynamic modeling for robust convergence. The NM also satisfies Pitzer's definition of ω for each component. The NM is compared with the CM in terms of various types of phase diagrams, minimum miscibility pressure calculations, and 1-D oil displacement simulations. Twenty two different reservoir oils are used in the comparisons. Results show that the NM with 11 components gives phase behavior predictions that are nearly identical to those using the CM with 30 components. A 1-D simulation case study presents that the NM can robustly reduce dimensionality of composition space while keeping accurate multiphase behavior predictions along composition paths at different dispersion levels tested. We show that the CM with volume shift can give erroneous phase behavior and oil recovery predictions in compositional simulation. The NM does not require volume shift to achieve accurate predictions of compositional and volumetric phase behaviors. The two types of phase behaviors are properly coupled in the NM.
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 ».