Updated Screening Criteria for Steam Flooding Based on Oil Field Projects Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Enhanced oil recovery (EOR) screening is considered the first step in evaluating potential EOR techniques for candidate reservoirs. Therefore, as new technologies are developed, it is important to update the screening criteria. Many of the screening criteria for steam flooding that have been described in the literature were based on data collected from EOR surveys biennially published in the Oil & Gas Journal. However, these datasets contain some problems, including outliers, missing data, inconsistent data and duplicate data, that could affect the accuracy of the results. Despite the importance of ensuring the quality of a dataset before running analyses, data quality has not been addressed in previous research related to EOR screening criteria. The objective of this current work was to update the screening criteria for steam flooding by using a database that had been cleaned. The original dataset included 1, 785 steam flooding field projects from around the world (Brazil, Canada, China, Colombia, Congo, France, Germany, Indonesia, Trinidad, U.S. and Venezuela). These projects had been reported in the Oil and Gas Journal from 1980 to 2012. After detecting and deleting the duplicate projects, only 626 field projects remained. To analyze and describe the results of the dataset, both graphical and statistical methods were used. A box plot and cross plots were used to detect and identify data problems, allowing for the removal of outliers and inconsistent data. Histogram distributions and box plots were used to show the distribution of each parameter and present the range of the dataset. New screening criteria were developed based on these statistics and the defined data parameters. The developed criteria were com-pared with previously published criteria, and their differences are explained in this paper.
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.
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 | 0,001 |
| 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 | 0,001 | 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 découle