MétaCan
Menu
Retour à la cohorte
Enregistrement W1998185461 · doi:10.2118/154954-pa

Automatic Isotherm Derivation From Field Data for Oilfield Scale-Inhibitor Squeeze Treatments

2013· article· en· W1998185461 sur OpenAlexaff
Oscar Vazquez, David Corne, Eric Mackay, M. M. Jordan

Notice bibliographique

RevueSPE Journal · 2013
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCalcium Carbonate Crystallization and Inhibition
Établissements canadiensNalco (Canada)
Organismes subventionnairesInstitute of Engineering Research, Seoul National UniversityHeriot-Watt University
Mots-clésScalingScale (ratio)Petroleum engineeringOil fieldField (mathematics)Test dataFlow (mathematics)Applied mathematicsMathematicsComputer scienceMathematical optimizationEngineering

Résumé

récupéré en direct d'OpenAlex

Summary Oilfield scale formation represents a significant flow-assurance challenge to the oil and gas industry, because of increasing water production worldwide and higher oil prices. Scale-inhibitor (SI) squeeze treatment is the most widespread method to combat downhole scaling. To predict SI squeeze treatments accurately for further optimization, it is necessary to simulate the SI retention in the formation, which may be described by a pseudoadsorption isotherm. Although these are often derived from coreflood experiments, sometimes they are not appropriate for modeling well treatments because the core tests on which they are based cannot fully represent field-scale processes. In practice, the parameters of an analytic form of the isotherm equation are modified by trial and error by an experienced practitioner until a match is obtained between the prediction and the return profile of the first treatment in the field. The main purpose of this paper is to present a stochastic hill-climbing algorithm for automatic isotherm derivation. The performance of the algorithm was evaluated by use of data from three field cases. Two success criteria were defined: the ability to match a single historical treatment and the ability to predict subsequent successive treatments. To test for the second criterion, a candidate isotherm was derived from the first treatment in a well that was treated with the same chemical package on consecutive occasions, and then the predictions by use of the suggested solution were compared with the observed SI concentration-return profiles from the subsequent treatments. In all the calculations, the performances of both the isotherms suggested by the hill-climbing algorithm and the isotherms derived by trial and error were compared. The results demonstrate that the hill-climbing algorithm is an effective technique for deriving an isotherm for a single treatment, although predictions for successive treatments worsened slightly with each treatment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,119
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0110,000

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 Opus0,029
Tête enseignante GPT0,279
Écart entre enseignants0,250 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations25
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE JournalMême sujetCalcium Carbonate Crystallization and InhibitionTravaux en français237 207