MétaCan
Menu
Retour à la cohorte
Enregistrement W1976302408 · doi:10.2118/117327-ms

Increasing Oil Recovery from Heavy Oil Waterfloods

2008· article· en· W1976302408 sur OpenAlexaffabout
Bradley W. Brice, G. Renouf

Notice bibliographique

RevueInternational Thermal Operations and Heavy Oil Symposium · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensSaskatchewan Research Council (Canada)
Organismes subventionnairesnon disponible
Mots-clésPetroleum engineeringFraction (chemistry)Oil viscositySweet spotLight crude oilPermeability (electromagnetism)Window (computing)Volume fractionEnvironmental scienceViscosityGeologyComputer scienceChemistryMaterials scienceChromatographySimulation

Résumé

récupéré en direct d'OpenAlex

Abstract A statistical study of 166 western Canadian waterfloods recovering heavy and medium gravity oils revealed new findings about best operating practices for heavy oil waterflooding. In classical light oil waterflooding, operators are advised to start waterflooding early and maintain the voidage replacement ratio (VRR) at 1. The study, however, produced surprising results for 2 parameters − among the 120 reservoir and operating parameters investigated − that ran counter to the recommended practices of classical light waterflooding. Delaying the start of waterflooding until a certain fraction of the original oil in place was recovered was found to be beneficial. Secondly, varying the VRR was shown to correlate with increased ultimate recovery — periods of underinjection are needed, although a cumulative VRR of 1 should be maintained. Ultimate recovery was correlated with the primary recovery factor at the start of the waterflood. No trends appeared when the full set of 166 waterfloods was inspected. However, when the dataset is analyzed by ranges of API, a "sweet spot" of improved ultimate recovery was observed in a very narrow window of oil recovery factor prior to the start of waterflooding. Graphs of each category showed this "sweet spot" window where improved recovery occurred. These categories were API ranges; as well as ranges of permeability*height/viscosity (kh/μ); and pattern development. Also increases in ultimate recovery were observable when we examined graphs of ultimate recovery versus the fraction of injection volume that was underinjected — but again, only when the data was analyzed by the ranges. A certain period of injection when the VRR was less than 0.95 resulted in increased ultimate recoveries. However, it is important that this period of VRR < 0.95 be offset with periods of increased VRR so that the cumulative VRR cycles around 1.0. Again, each range manifested a narrow "sweet spot" for where this increase in ultimate recovery occurred.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,421
Score d'incertitude au seuil0,836

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,253
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Thermal Operations and Heavy Oil SymposiumMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207