MétaCan
Menu
Retour à la cohorte
Enregistrement W2056794448 · doi:10.2118/161648-ms

Production Optimization and Zonal Allocation for Auto Gas Lift Wells: A Case Study from Oman

2012· article· en· W2056794448 sur OpenAlexaff
Sharifa Al-Ruheili, Mathew Angelatos, Sujith Nair, Chandran Peringod, Kartik Sonti, Ozgur Karacali

Notice bibliographique

RevueAbu Dhabi International Petroleum Conference and Exhibition · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueOil and Gas Production Techniques
Établissements canadiensShell (Canada)
Organismes subventionnairesnon disponible
Mots-clésGas liftPetroleum engineeringInflowLift (data mining)Fossil fuelEnvironmental scienceProduction (economics)Flow (mathematics)GeologyMarine engineeringComputer scienceEngineeringMechanicsData mining

Résumé

récupéré en direct d'OpenAlex

Abstract In Auto gas-lifted wells, gas from either a gas zone or gas cap is used to lift oil in a commingled way. Balancing gas zone energy depletion to the benefit of oil production requires an accurate understanding of zonal contribution and an ability to adjust and control inflow from both zones. A project was undertaken for accurate zonal allocation and optimization of lift gas rates by designing an appropriate zonal contribution measurement procedure for five Auto gas-lifted wells on two fields. This approach utilized both production logging and production testing to obtain both zonal down hole and commingled surface flow measurements. As a result of the exercise, lift gas flow into the tubing was optimized, thus maximizing the oil production rate while conserving reservoir energy through efficient gas usage. Measurement of zonal contributions in multi-zone intelligent well completions are often challenging due to the complex nature of fluid flow under varying dynamic conditions of multiple reservoirs. This paper will explain the zonal contribution measurement program design, implementation, interpretation of data and lessons learnt from the project.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,721
Score d'incertitude au seuil0,673

Scores Codex et Gemma par catégorie

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

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 Opus0,017
Tête enseignante GPT0,247
Écart entre enseignants0,230 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations3
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAbu Dhabi International Petroleum Conference and ExhibitionMême sujetOil and Gas Production TechniquesTravaux en français237 207