Notice bibliographique
Résumé
Abstract Screening for Enhanced Oil Recovery (EOR) processes is a critical step in evaluating future development strategies for depleted reservoirs under primary and secondary recovery. However, selecting the optimum EOR process for a given reservoir is challenging because it requires evaluating and comparing performance for various EOR processes, which is complex and time consuming. This paper presents a new EOR screening model that can predict the performance of various gas- and water-based EOR processes based on simple reservoir properties. The model estimates the oil recovery from miscible and immiscible gas/solvent injection (CO2, N2, and hydrocarbons), low salinity water flood, polymer, surfactant-polymer, alkaline-polymer and alkaline-surfactant-polymer floods. The screening model is based on a set of correlations that were developed using the response surface methodology, which correlates the oil recovery at dimensionless times to the important reservoir and fluid properties and EOR process variables identified for each process. The results of the model have been validated against a number of field test and numerical simulation results. The screening model provides the capability to screen a large set of reservoirs for a wide spectrum of EOR processes, to identify the good EOR targets and the optimum EOR process for the target reservoirs. In addition, this model easily performs sensitivity analysis without the need for numerical simulations, allowing teams to account for uncertainty in reservoir properties and optimization of flood design. Finally, the methodology can be applied for developing screening models for other oil recovery mechanisms such as thermal (steam injection, SAGD), microbial EOR and other methods.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».