MétaCan
Menu
Retour à la cohorte
Enregistrement W2029177569 · doi:10.2118/98009-ms

High-Temperature Multiphase Flowmeters in Heavy-Oil Thermal Production

2005· article· en· W2029177569 sur OpenAlexaboutno aff
Parviz Mehdizadeh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueFlow Measurement and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPetroleum engineeringEnvironmental scienceSteam injectionMultiphase flowOil productionOil fieldMetreThermalOil wellPetroleumFlow measurementWaste managementEngineeringMeteorologyGeology

Résumé

récupéré en direct d'OpenAlex

Abstract The accurate measurement of Oil, Water and Gas/Steam in heavy oil thermal production (SAGD and other Steam Flood Processes) is a very difficult task faced by the heavy oil industry. The accuracy of these measurements is critical for reservoir management and production diagnostics. Mulitphase flow meter technology has been used successfully around the world for over 10 years and in heavy oil "cold" production in Venezuela and other countries. But multiphase technology has never been used in Extra Heavy Oil Thermal Production. The Canadian heavy oil thermal producers regularly see production temperatures exceeding 200 C (392 F) and some wells are approaching 232 C (450 F). New technology is required to accurately measure wells producing at these elevated temperatures. The first field tests using a multiphase flow meter in a heavy oil thermal project was conducted by one of the major Canadian producers in the fall of 2004. Additional tests were completed during the summer of 2005 with another heavy oil producer. This paper will review the unique problems encountered with testing heavy oil in high temperature applications. The test results from multiple well tests and the accuracy of the multiphase flow meters when compared to the field reference will be presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,008
Tête enseignante GPT0,187
Écart entre enseignants0,179 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFlow Measurement and AnalysisTravaux en français237 207