What is the Magic of Water in Producing Sand?
Notice bibliographique
Résumé
Abstract We performed a comprehensive sand prediction study of several deep, HPHT wells within a large reservoir and the findings revealed that, for these wells, common criteria based on critical drawdown, minimum bottomhole pressure, depletion or fluid velocity failed to predict the outcome by a relatively large margin. All these wells were subjected to relatively high levels of drawdown and also very high fluid velocities and, with the exception of one well, none showed any sanding until water production was encountered. In this paper, we provide a rationale for why water can be highly effective in inducing sand production and we support our argument using advanced numerical modeling. This exercise also ranks the performance of some of the common tools and theories that are conventionally used for sand prediction. We also provide reasons why some of these models do not perform satisfactorily for the cases studied. The originality of the work is in demonstrating that prior to sand production, the dis-aggregated rock (i.e., individual sand particles) around the wellbore is basically held together by the capillary tension which is destroyed by water flow. While the capillary tension appears to be insignificant (as it is in the order of 1 psi or so), it provides a significant resistance against sand mobilization. The importance of this issue has been quantified using advanced numerical modeling. This concept is vastly different from the previous theories that propose water weakens the rock through chemical interaction or changing the relative permeability.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».