Effective EOR Decision Strategies With Limited Data: Field Cases Demonstration
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
Summary Enhanced-oil-recovery (EOR) evaluations focused on asset acquisition or rejuvenation involve a combination of complex decisions using different data sources. EOR projects traditionally have been associated with high capital and operational expenditures (CAPEX and OPEX, respectively) as well as high financial risk, which tend to limit the number of EOR projects launched. We propose a workflow for EOR evaluations that accounts for different volumes and quality of information. This flexible workflow has been applied successfully to oil-property evaluations and EOR-feasibility studies in many oil reservoirs. The method associated with the workflow relies on traditional (e.g., look-up tables, x-y correlations) and more-advanced (data mining for analog-reservoir search and geology indicators) screening methods, emphasizing identification of analogs to support decision making. The screening phase is combined with analytical or simplified numerical simulations to estimate full-field performance with reservoir-data-driven segmentation procedures. This paper illustrates the EOR decision-making workflow by use of field case examples from Asia, Canada, Mexico, South America, and the United States. The assets evaluated include reservoir types ranging from oil sands to condensate reservoirs. Different stages of development and information availability are discussed. Results show the advantage of a flexible decision-making workflow that can be adapted to the volume and quality of information by formulating the correct decision problem and concentrating on projects and/or properties with the highest expected economic merit. An interesting aspect of this approach is the combination of geologic and engineering data, minimizing experts' bias and combining technical and financial figures of merit. The proposed method has proved useful to screen and evaluate projects/properties very rapidly, identifying when upside potential exists.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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