Modeling Miscible Injection in Fractured Porous Media using Non-classical Simulation Approaches
Notice bibliographique
Résumé
Abstract The objective of this paper is to introduce an adaptation of a non-classical simulation method (random walk, RW) for simulation of fully miscible displacement in fractured porous media, and to validate this method using production and visual data obtained from an experimental work. First, the limitations of classical (continuum models) modeling approach in the simulation of miscible displacement in fractured media were identified by matching the numerical and experimental results obtained earlier. Classical simulation yielded reasonable matches for low viscosity oil but failed to capture the flow patterns of heavy oil displacement, especially in the cases of vertical displacement. This was attributed to two reasons: (1) Numerical dispersion and grid size limitations and (2) the random nature of the phenomenon (mainly the viscous fingering process). Beyond that, the classical modeling scheme required the intensive use of "matrix-fracture pseudo transfer parameters" to achieve experimental matching. To overcome these problems, a non-classical modeling approach, the Random Walk (RW) model was adapted. This technique deals with particles (walkers), each of which moves randomly, but the probability of the movement is defined considering the physics of the process. By tracing a large number of particles, one can model the process and have an idea about the transport of injected and displaced fluid in complex systems. The RW technique allows capturing micro heterogeneities, the random nature of the diffusion process and viscous fingering. It also requires less computational time compared to classical simulation methods. The RW model introduced was validated using experimental -visual- data for different oil types, displacement directions (horizontal and vertical), and injection rates. This exercise showed that the model presented here captures the physics of the process and hence, can be extended and used for larger (field) scale processes of miscible displacement in complex fracture networks, which would not be possible with classical finite-difference models.
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 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 | 0,000 |
| 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».