Advances in Heavy Oil and Water Property Measurements Using Low Field Nuclear Magnetic Resonance
Notice bibliographique
Résumé
Abstract Low field NMR of fluids can be used to measure physical properties of water and oil such as viscosity and diffusion coefficients. Remarkably accurate measurements can be obtained from simple and fast measurements in a beaker. Algorithms for the determination of heavy oil and bitumen viscosity have been previously developed that can provide first order estimates over a variety of viscosity ranges (100-107 mPas) covering variable temperatures, water/oil ratios and oil compositions. When the algorithms are tuned for single oils, then the accuracy increases dramatically and the predictions are as accurate as direct viscosity measurements. In this paper, the aforementioned algorithms are extended to predict NMR response and viscosity predictions for live vs. dead heavy oil samples, and virgin vs. solvent-diluted heavy oil samples. The viscosity predictions of oils in beakers are compared to the predictions of the same oils while in reservoir conditions (i.e. in-situ). The proposed algorithms can be used in reservoir characterization and on-line viscosity measurements in heavy oil reservoirs. A NMR based water cut meter was recently introduced for accurate measurement of oil and water cut values. The instrument appears to be superior to conventional measurement devices since it does not seem to be affected by salinity, emulsion characteristics or temperature to date. Extensive field measurements have proved the above claims. The principles of this water cut device are further extended to the measurement of water cut oil cut and gas cut under laboratory conditions. Mixtures of heavy oil and bitumen with water and air were prepared in the laboratory and their NMR characteristics were identified under a broad range of saturations. The results were compared against mass balance measurements. It is demonstrated that the two-phase measurement algorithms can be extended to three phase systems. Thus the first step towards accurate multi-phase measurements can be achieved.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».