Notice bibliographique
Résumé
High oil prices and concerns about future oil supply are leading to a renewed interest in enhanced oil recovery (EOR), a group of technologies that can significantly increase recovery from existing oil reservoirs. Most of the experience with EOR is still in the United States, principally with CO2 flooding in the Permian Basin in west Texas and with the several thermal processes in the San Joaquin Valley in California. A listing of these projects is compiled every 2 years. But worldwide applications are growing. Thermal recovery of bitumen in Alberta, Canada, is increasing rapidly, and thermal projects have been successful in Venezuela, Indonesia, and elsewhere. Chemical and polymer floods are being implemented in China. New applications increasingly will be worldwide. Each one will depend on careful planning to design an EOR project specific to the properties of the oil, the reservoir conditions, and the availability of injectants. In many situations, new EOR technology will be necessary. The processes being applied in the United States were tailored for those conditions and do not necessarily translate to other geologic provinces. This article attempts to distill past experience to define the state of the art in planning EOR projects. It is grounded in more than 30 years of experience by the authors in a wide variety of EOR applications. The Planning Process Successful EOR project management depends on good planning. “Prior proper planning prevents poor performance,” they say, and it is especially true when EOR is involved. Planning includes: - Identifying the appropriate EOR process. - Characterizing the reservoir. - Determining the engineering design parameters. - Conducting pilots or field tests as needed. - Finishing with a plan to manage the project to meet or exceed expectations. From the outset, and at every step along the way, we strongly recommend that careful attention be paid both to economic studies and to reservoir simulation as the reservoir characterization and engineering design progresses. In this way, the chances of success are greatly improved. Fig. 1 illustrates the interaction of all three. Economics is the ultimate project driver. After all, unless the project is comfortably profitable, it should not be pursued in the first place. But reliable economics need good performance predictions. Good simulation models need good data. And what data are needed is determined by which project elements the economics is sensitive to. Each guides and depends on the others.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».