MétaCan
Menu
Retour à la cohorte
Enregistrement W2101753375 · doi:10.2118/140338-pa

Numerical Evaluation of Hydrocarbon Additives to Steam in the SAGD Process

2010· article· en· W2101753375 sur OpenAlexaff
Moslem Hosseininejad Mohebati, Brij Maini, Thomas G. Harding

Notice bibliographique

RevueJournal of Canadian Petroleum Technology · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesIndian Institute of Technology KanpurUniversity of Washington
Mots-clésSteam-assisted gravity drainageAsphaltOil sandsHydrocarbonPetroleum engineeringSteam injectionEnvironmental scienceExtraction (chemistry)Waste managementGeologyEngineeringChemistryMaterials scienceChromatography

Résumé

récupéré en direct d'OpenAlex

Summary Heavy oil and bitumen are expected to become increasingly important sources of fuel in the coming decades. Steam assisted gravity drainage (SAGD) is a commercially viable and widely used recovery technique for heavy oil and bitumen. However, it remains an expensive technique and requires large energy input in the form of steam. Energy intensity of SAGD, as well as environmental concerns such as fresh water usage and CO2 emission, make it imperative to find new oil extraction technologies. Coinjecting a hydrocarbon additive with steam offers the potential of higher oil rates and recoveries with lower energy and water consumption. A reservoir simulation study using a 20X12X15 3D Cartesian model and Athabasca fluid and reservoir properties was conducted to evaluate this process. The role of hydrocarbon additive in the steam chamber and its effect on the performance of SAGD was investigated. Simulation results revealed the parameters that will have the greatest impact on the process performance and indicated the effectiveness of each hydrocarbon additive in improving the performance of SAGD. The results also showed that selecting the most suitable hydrocarbon additive depends on the operating conditions as well as the original reservoir fluid composition.

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)0,001
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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,575
Score d'incertitude au seuil0,950

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,008
Tête enseignante GPT0,250
Écart entre enseignants0,242 · 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'étudeExpérimental (laboratoire)
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

Citations20
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Canadian Petroleum TechnologyMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207