MétaCan
Menu
Retour à la cohorte
Enregistrement W2200168719 · doi:10.2118/06-04-02

Should You Trust Your Heavy Oil Viscosity Measurement?

2006· article· en· W2200168719 sur OpenAlexaboutno aff
K.A. Miller, Lenis Alton Nelson, R.M. Almond

Notice bibliographique

RevueJournal of Canadian Petroleum Technology · 2006
Typearticle
Langueen
DomaineChemistry
ThématiquePetroleum Processing and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésViscosityOil viscosityEnvironmental scienceOil productionProduction (economics)Petroleum engineeringMaterials scienceGeologyComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Heavy oil viscosity is one of the few criteria available to help predict if cold production will give economic rates, or if thermal processes will be required to reduce the oil viscosity to achieve the required rates. If cold production is selected, viscosity is again used to help determine whether vertical or horizontal wells should be used. Viscosity data are also used to adjust cold production exploitation strategies if the production rates are significantly lower than expected. Petrovera conducted an extensive viscosity data collection project in a newly developed Elk Point area reservoir with lower than expected, and more erratic than expected, cold production rates. Oil samples collected over short periods of time resulted in viscosity values for the same well varying by a factor of four or more, with similar variations between close-spaced wells. Collection of repeated samples and submission of those samples to several commercial labs resulted in similar viscosity measurement scatter. To further evaluate viscosity data scatter, multiple samples were collected from one well at the same time using the same procedures. These samples were then submitted to several labs in triplicate using three different well names to achieve an unbiased test. Reported viscosity scatter was again large. The objectives of this article are to:display the results of the study to bring this issue to the forefront for discussion; and,encourage commercial labs to develop an industry-wide standard method of heavy oil sample cleaning and viscosity measurement. Introduction Why Is It Important to Know Heavy Oil Viscosity Accurately? Heavy oil exploitation is an important segment of the oil and gas industry in Canada(1) and a number of other countries(2). Motivating factors for exploitation of Canadian heavy oil and bitumen are the large volumes of resources in place and the high historic demand for asphalt-based products that are more readily obtained from heavy oil and bitumen. Western Canadian heavy oil and bitumen reservoirs (Figure 1) have been exploited with varying degrees of success for more than 60 years(3). Early workers in the field of heavy oil and bitumen exploitation quickly determined that primary production responses (also called cold production responses) varied greatly from field to field. They also discovered that the addition of heat in the form of steam often greatly increased the production response. Viscosity became one of the most valued criteria in their efforts to predict production response from a new field using easily measured parameters. The popularity of the viscosity screening criterion has been demonstrated by the fact that virtually all technical papers on heavy oil production response or production process development include a discussion of oil viscosity. What is missing from the literature is an industry-wide standard of viscosity ranges and the corresponding recommended exploitation processes. This is because each company has its own 'best exploitation process vs.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,879
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,022
Tête enseignante GPT0,232
Écart entre enseignants0,210 · 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.

Devis d'étudeSans objet
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

Citations39
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Canadian Petroleum TechnologyMême sujetPetroleum Processing and AnalysisTravaux en français237 207