Recovery Rate of Vapor Extraction in Heavy Oil Reservoirs—Experimental, Statistical, and Modeling Studies
Notice bibliographique
Résumé
The VAPor EXtraction process (also known as VAPEX) is a solvent-based enhanced oil recovery (EOR) technology that has great potential for the recovery of heavy oil and bitumen through mass transfer and gravity drainage mechanisms. In this study, laboratory tests, the multivariable regression technique, and the connectionist model optimized by a Genetic Algorithm (GA) were used to determine the oil production rate during the VAPEX process in homogeneous and fractured porous media. The smart technique and statistical models describe the VAPEX production rate in terms of three dimensionless numbers, namely the Schmidt number ( Sc ), the Peclet number ( Pe ), and a dimensionless parameter ( N S ) referred to as the VAPEX number. The developed smart model was constructed based on a large number of experimental data conducted under various process conditions in both training and testing phases. A comparison of results obtained from connectionist modeling, the regressive model, and the experimental VAPEX data exhibits an average absolute error lower than 7% between the predicted and actual values. Using both experimental and modeling results, the statistical analysis suggests that the Peclet number is the most important parameter affecting the oil production rate in the VAPEX, and also the smart technique is superior to the regression model developed. This study shows the effectiveness of connectionist model in prediction of VAPEX production in the absence of sufficient laboratory and/or field data, which may lead to a proper design of heavy oil recovery schemes.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».