Downhole Fluid Analysis and Asphaltene Science for Petroleum Reservoir Evaluation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Petroleum reservoirs are enshrouded in mysteries associated with all manner of geologic and fluid complexities that Mother Nature can inspire. Efficient exploitation of petroleum reservoirs mandates elucidation of these complexities; downhole fluid analysis (DFA) has proven to be indispensable for understanding both fluids and reservoir architecture. Crude oil consists of dissolved gases, liquids, and dissolved solids, known as the asphaltenes. These different fluid components exhibit fluid gradients vertically and laterally, which are best revealed by DFA, with its excellent precision and accuracy. Compositional gradient analysis falls within the purview of thermodynamics. Gas-liquid equilibria can be treated with a cubic equation of state (EoS), such as the Peng-Robinson EoS, a modified van der Waals EoS. In contrast, the first EoS for asphaltene gradients, the Flory-Huggins-Zuo (FHZ) EoS, was developed only recently. The resolution of the asphaltene molecular and nanocolloidal species in crude oil, which is codified in the Yen-Mullins model of asphaltenes, enabled the development of this EoS. The combination of DFA characterization of gradients of reservoir crude oil with the cubic EoS and FHZ EoS analyses brings into view wide-ranging reservoir concerns, such as reservoir connectivity, fault-block migration, heavy oil gradients, tar mat formation, huge disequilibrium fluid gradients, and even stochastic variations of reservoir fluids. New petroleum science and DFA technology are helping to offset the increasing costs and technical difficulties of exploiting ever-more-remote petroleum reservoirs.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle