MétaCan
Menu
Retour à la cohorte
Enregistrement W2001432937 · doi:10.2118/126234-ms

Feasibility of Air Injection in a Light Oil Field of Western India

2010· article· en· W2001432937 sur OpenAlexafffund
Sujit Mitra, B. V. Bhushan, P. V. Sunder Raju, Subir Kumar, Sidhartha Sur, S. A. Mehta, R.G. Moore

Notice bibliographique

RevueSPE Oil and Gas India Conference and Exhibition · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesOil and Natural Gas CorporationUniversity of Calgary
Mots-clésSecondary air injectionPetroleum engineeringEnhanced oil recoveryFlue gasWater injection (oil production)Natural gasHydrocarbonEnvironmental scienceSteam injectionCombustionMaterials scienceWaste managementChemistryEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Overall field settings like dip of 80, partial water drive, permeability of less than 50md and with 350 API oil make Field - A in Western India an ideal choice for gas injection. Non-availability of hydrocarbon / non-hydrocarbon gas makes air injection a preferred alternative. Viability of air injection process in laboratory was established through displacement tests in 1.83m long & 100mm diameter combustion tube using synthetic and natural core at IRS, ONGC. In view of limitations of laboratory generated oil reactivity data for carrying out prediction in STARS, following workflow was adopted to estimate recovery from air injection. Predicting recovery by immiscible gas injection – Pressure maintenance and Immiscible displacement Predicting Volumetric Sweep Efficiency – From miscible Gas Injection. It is felt that Miscible process mimics closely air injection as both these processes have displacement efficiency of more than 90% Predicting Recovery by Air Injection – Integrating immiscible flue gas with Nelson & McNeil derived profile after considering volumetric sweep from miscible gas displacement process. Air injection has the potential to enhance recovery from 19% to 62%.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,548
Score d'incertitude au seuil0,376

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

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 Opus0,010
Tête enseignante GPT0,241
Écart entre enseignants0,231 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations6
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSPE Oil and Gas India Conference and ExhibitionMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207