Formation Damage Due To Iron Precipitation In Carbonate Rocks
Notice bibliographique
Résumé
Abstract Iron precipitation during matrix acidizing treatments is a well-known problem. However, extensive literature review highlighted that no systematic study was conducted to determine where this iron precipitates, the factors that affect this precipitation and the magnitude of the resulting damage. In this paper, the effect of iron precipitation in the acidizing operations is studied. HCl solutions (5 – 10 wt%) containing 5,000 to 10,000 ppm of Fe3+ were used for these experiments. The effect of varying acid concentration, initial core permeability, core length, temperature, and flow rate was studied. Coreflood experiments were conducted on 6 and 20 in. long Indiana limestone cores over a wide range of permeabilities and up to 300°F. In these experiments, 0.5 PV of acid solution was injected. The cores were scanned after treatments using a CT scanner and cut to better determine the location of iron deposition. The core effluent samples were analyzed for iron and calcium concentrations using ICP-OES. Results showed a significant amount of iron precipitated on the injection face of the cores and the sides of wormholes, i.e. where the contact occurs between the acid and the rock, producing a minimal or no gain in the final permeability, which indicated severe formation damage. The damage increased with the increase of the amount of iron in solution. At higher temperatures and flow rates, the damage was significant. Core length didn't affect the degree of damage. This paper will discuss the results obtained and give recommendations on whether to use iron control agents in the field or not.
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 ».