Prediction of Downhole Flow Regimes in Deviated Horizontal Wells for Production Log Interpretation
Notice bibliographique
Résumé
Abstract Production logging is used to evaluate wells production performance. Interpretation of production log data provides velocity profile and contribution of each zone on total production. In multi-phase flow conditions, production log interpretation can be challenging since producing fluids do not have similar densities and travel with different speed depending on fluids properties and wellbore deviation. Production log interpretation in multi-phase producing wells requires identifying downhole flow regimes and determining velocity profile for each phase. There are different flow regimes and velocity models available, which are being used in production log interpretation to determine wells flow profile in multi phase flow. However in the case of deviated horizontal intervals, the flow model might fail to provide reliable results for gas and liquids velocities. This paper represents the use of Computational Fluid Dynamics (CFD) simulation in order to model multi-phase flow in the wellbore and evaluate velocity profile across deviated horizontal intervals. The simulation results when integrated with production log data can help estimating velocity for each phase in different flow rates and for different wellbore trajectories. The approach can help interpretation of production logging data in horizontal multi-phase producing wells, as it can predict downhole flow regimes and identify the intervals having chance of downhole liquids re-circulation. Production logging data in a gas-oil producing deviated horizontal well with water loading in wellbore was used to verify reliability of the numerical simulation. The approach could help to evaluate the well production performance with less uncertainty.
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 | 0,000 |
| 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 ».