MétaCan
Menu
Retour à la cohorte
Enregistrement W1992512867 · doi:10.2118/2009-161

Investigation of Cyclic Solvent Injection Process for Heavy Oil Recovery

2009· article· en· W1992512867 sur OpenAlexaboutno aff
J. Ivory, Jeannine Chang, R. Coates, Ken Forshner

Notice bibliographique

RevueCanadian International Petroleum Conference · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)Petroleum engineeringSolventProcess engineeringEnvironmental scienceMaterials scienceChemistryComputer scienceGeologyEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract This paper summarizes numerical and experimental simulation results of a cyclic solvent injection process study, which was part of a continuing investigation into the use of solvents as a follow up process in Cold Lake and Lloydminster reservoirs that have been pressure depleted by cold heavy oil production with sand (CHOPS). Typically only 5 – 10% of the original oil in place (OOIP) is recovered during cold production, so an effective follow-up process is required. The cyclic solvent injection (CSI) experiment consisted of primary production followed by 6 solvent (28% C3H8 – 72% CO2) injection cycles. Oil recovery after primary production and six solvent cycles was 50%, which indicates the potential viability of the CSI process. Concurrently with the laboratory physical simulation, a numerical simulation model was developed to represent the physical behavior of the experimental results. A history match of the primary production portion of the experiment was obtained using an Alberta Research Council foamy oil model. This resulted in the characterization (fluid saturations and pressures) of the oil sand pack at the start of the solvent injection process. The history match of the subsequent 6 solvent injection cycles was used to validate the numerical model of the CSI process developed at the Alberta Research Council. This model includes non-equilibrium rate equations that simulated the delay in solvent reaching its equilibrium concentration as it dissolves or exsolves in the oil in response to changes in the pressure and/or gas phase composition. Dissolution of CH4, C3H8, and CO2 in oil and CO2 in water were considered, as was exsolution of CH4, C3H8, and CO2 from oil and CO2 from water. Reduced gas phase permeabilities resulting from gas exsolution were also included. The history match simulations indicated that:The important mechanisms were represented in the simulationsSignificant oil swelling by solvent dissolution occurs during solvent injection periods. This can reduce solvent injectivity and penetration into a heavy oil reservoir during solvent injection periodsLow oil and gas phase relative permeabilities are required during production periods to match the experimental oil and gas production during solvent cycles A parametric simulation study showed that the quantity of gas injected in an injection period was relatively insensitive to the oil phase diffusion coefficients but was sensitive to solvent solubility in oil, dissolution rates, gas phase diffusion coefficients, molar densities in the oil phase, gas phase relative permeability, and capillary pressure. It was shown that oil production is highly dependent on how quickly solvent can dissolve in the oil during injection and exsolve from the oil during production. Introduction In Cold Lake and Lloydminster heavy oil reservoirs, cold production is used to increase heavy oil production rates by producing sand along with the oil. Sand production results in the creation of high permeability "wormholes" that enhance oil production. Following cold production, the pay zone has become a network of wormholes, which extend radially outward from production wells. During a follow-up process, these wormholes can provide reservoir access for an injection fluid such as solvent or steam.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,020
Tête enseignante GPT0,245
Écart entre enseignants0,226 · 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

Citations130
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian International Petroleum ConferenceMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207