Fluid Flow, Pore Pressure, Wettability, and Leakage in Mudstone Cap Rocks
Notice bibliographique
Résumé
Abstract This chapter considers some of the issues surrounding the modeling of one- and two-phase fluid flow in mudstones. For single-phase flow, key relationships include those between porosity and (1) effective stress, (2) permeability, and (3) capillary breakthrough pressure. All three relationships are strongly influenced by the grain-size distribution or clay fraction of mudstones, but a quantitative description is currently only available for the porosity-effective stress relationship. The importance of lithology or clay fraction as a control on the key flow properties of mudstones indicates the practical significance of estimating clay fraction directly from geophysical logs. This chapter illustrates how artificial neural networks can be used to perform this task. Having considered some of the basic flow properties of mudstones, the second part of the chapter discusses aspects of two-phase flow through mudstone pore systems. Rates, mechanisms, and pathways of petroleum leakage through mudstone pore systems remain poorly constrained. In this chapter, field and experimental data is combined with theoretical arguments to suggest that once a water-wet cap rock is breached, the leak path will become more oil wet as a result of sorption of hydrophilic and ultimately hydrophobic organic compounds onto mineral surfaces. Oil-water partition of hydrophilic organic compounds in reservoirs, followed by diffusion into cap rock pores may even create oil-wet pathways into cap rocks and permit leakage. In these cases, cap rocks simply retard the vertical migration of petroleum, and column height is a function of the rates of petroleum supply and loss. Modeling the rate of loss of petroleum requires a better understanding of mudstone 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) | 0,001 | 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 | 0,001 |
| 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 ».