Promising Progress in Field Application of Reservoir Electrical Heating Methods
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.
Notice bibliographique
Résumé
Abstract Electrical Heating of heavy oil reservoirs has been successfully applied in near wellbore regions. Well stimulations through downhole resistive, dielectric, or induction electric heating systems when applied in suitable reservoirs can triple flow rates for a small additional operating cost. In such cases high-energy conversion ratios such as 10-15 bbls. Of oil for every bbl of oil consumed at the power plant can be achieved. Applications of electric heating can particularly be beneficial in situations where steam cannot be used due to either depth, formation incompatibility, low incipient injectivity, excessive heat losses or existence of thief zones. Additionally, for reservoirs already having a high temperature in the 60-80 degree C and higher range, only a small amount of electric heating-stimulation is enough to increase oil production by an order of magnitude. Some Orinoco reservoirs of Venezuela fall into this category. Heavy oil reservoirs, overlain by heat sensitive permafrost, may also find electrical heating a viable thermal stimulation technique. Electrical heating process has also been adapted to apply in preheat phase of other complimentary processes like VAPEX. The process also has been investigated for hot water flood in deep reservoirs. This paper proposes to use downhole electric systems for stimulating for both vertical and horizontal wells in such reservoirs. Using CMG's thermal simulator-STARS (ref. 7), results of several worldwide investigations are included. A summary of field applications is also presented. In addition, incremental oil recovery vs. energy consumption is tabulated.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle