Identifying Technical and Economic EOR Potential Under Conditions of Limited Information and Time Constraints
Notice bibliographique
Résumé
Abstract The application of Enhanced Oil Recovery (EOR) processes increases the economic value of existing fields through increased oil recovery and field life extension. This is especially important in depleted and mature fields, as oil production rates decline and water production increases. Additionally, environmental concerns also benefit EOR projects such as CO2 injection providing new opportunities for depleted and mature fields combined with a disposal of CO2 capturing emissions from industrial sources. Generally, oil companies (from majors to independents) operate a large field portfolio or a large number of reservoirs with lack of information. In some other cases, many reservoirs lack enough financial performance to justify information or data gathering. The latter represents a common barrier to identify appropriate investment opportunities in a particular or a portfolio of reservoirs. This paper describes an approach to perform an economic evaluation of EOR projects based on advance screening criteria and full field evaluations under conditions of limited information and time constraints. The proposed methodology estimates EOR technical viability and production potential in a particular field based on international field experience and fast evaluation tools such as analytical simulators and economic software programs. The proposed methodology not only provides a systematic approach for evaluating and ranking technical and economic EOR performance within a risk management framework but also shows an excellent potential to support decision-making processes in oil property acquisition and for the exploitation of unconventional reservoirs (CBM and Tight Gas), among others.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».