MétaCan
Menu
Retour à la cohorte
Enregistrement W2013869951 · doi:10.2118/144963-ms

Optimization of Solvent Additive SAGD Applications using Hybrid Optimization Techniques

2011· article· en· W2013869951 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAll Days · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensUniversity of Alberta
Organismes subventionnairesSaudi Aramco
Mots-clésSimulated annealingSteam-assisted gravity drainageGenetic algorithmPetroleum engineeringSteam injectionNet present valueEnvironmental scienceComputer scienceProcess engineeringMathematical optimizationEngineeringMaterials scienceOil sandsMathematicsAsphaltAlgorithm

Résumé

récupéré en direct d'OpenAlex

Abstract Heavy oil and bitumen recovery cost is excessive mainly due to high energy requirement to generate heat and its environmental impacts. Steam Assisted Gravity Drainage (SAGD) is an example of this case; the determination of optimal operating conditions, such as injection rates and well locations, based on reservoir and fluid characteristics is essential in the design of field applications. Many Steam Assisted Gravity Drainage (SAGD) optimization studies published in the literature combined numerical simulation with graphical or analytical techniques for design and performance evaluation. There have been limited efforts that integrated the simulation exercise with global optimization algorithms. Some studies focused on optimization of cumulative steam-to-oil ratio (cSOR) in SAGD by altering steam injection rates, while others focused on optimization of cumulative net energy-to-oil ratio (cEOR) in solvent-additive SAGD by altering injection pressures and fraction of solvent in the injection stream. Typical scoring functions were the net present value per hectare of land (NPV/ha) by controlling steam and solvent rates. Several studies also considered total project net present value calculation by changing total project area, capital cost intensities, solvent prices, discount rate, and risk factors to determine the well spacing and drilling schedule. Optimization techniques commonly used in those studies were scattered search, simulated annealing, and genetic algorithm (GA). However, applications of hybrid genetic algorithm were rarely found. In continuation of these efforts, we focused on optimizing the SAGD process and its extension to solvent-additive SAGD using hybrid genetic algorithm. The objective function was defined to obtain the lowest cumulative steam-oil ratio (cSOR) and highest recovery factor. It was used later as scoring function by changing operating pressure, solvent-to-steam ratio, and steam injection rates. The results in this paper can be implemented directly in the efforts of minimization of cost and environmental impacts while accelerating the recovery in SAGD.

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 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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,211
Score d'incertitude au seuil0,481

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 Opus0,037
Tête enseignante GPT0,273
Écart entre enseignants0,236 · 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