Production Optimization and Uncertainty Assessment in a CO2 Flooding Reservoir
Notice bibliographique
Résumé
Abstract The main objective of modern reservoir management is to maximize the oil recovery when a displacing agent, such as CO2, is injected to displace the residual oil in a reservoir. Such process can be controlled properly by allocating the injected fluids to the injectors and adjusting the produced fluids from the producers. Inappropriate production-injection strategy leads to early breakthrough, unstable pressure distribution, and low ultimate oil recovery. Furthermore, presence of physical and/or financial uncertainties elevates the complexity of the field production optimization. In this paper, a pragmatic technique has been developed and successfully applied to determine the optimum production-injection strategy in a CO2 flooding reservoir by incorporating well performance into reservoir simulation in the presence of both physical and financial uncertainties. More specifically, well rates of the injectors and flowing bottomhole pressures of the producers are chosen as the controlling variables. Several variable candidates are first assessed, determined and finally assigned to each well based on the inflow performance curve, multiphase flow behavior in the wellbore, and voidage balance within the reservoir. An objective function associated with both the average net present value (NPV) and the range of NPV uncertainty is then defined, while a modified genetic algorithm is utilized as optimization engine to determine the optimum production-injection strategy. In addition, multiple equal-probable reservoir models are used to account for the physical uncertainty, while prices of oil and CO2 are applied to assess and quantify the financial uncertainty. Compared to the production-injection strategies without optimization, it is shown from a field case that the optimum strategy can postpone the CO2 breakthrough time by 1.5 years, decrease the water cut by 8.4%, and increase the oil recovery and net present value by 7.8% and 6.6%, respectively.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».