A Field Application of Nanoparticles For Improved Downhole Losses in Invert Emulsion Drilling Fluids
Notice bibliographique
Résumé
Invasion of drilling fluids filtrate and solids into porous, permeable, fractured or vuggy zones can cause formation damage and presents a major source of drilling problems. Furthermore, downhole mud losses also increase environmental and financial risks associated with drilling operations, costing over $1B annually. This thesis investigates the use of in situ prepared calcium carbonate nanoparticles (CNP) for fluid loss prevention in invert emulsion drilling fluids. CNP at 5 wt% concentration were synthesized within a custom ‘carrier’ emulsion using a modified microemulsion approach. Subsequently, the carrier emulsion was used to deliver target concentration of NPs to a host drilling fluid of interest via volumetric dilution. High pressure, high temperature (HPHT) fluid loss experiments on commercial invert emulsion drilling fluids showed that CNP at concentration of 0.5 wt% provided a 20–50% improvement over conventional lost circulation materials (LCM). In addition, basic properties of mud samples were not affected significantly in the presence of the carrier emulsion. In order to evaluate performance of CNP under real-life conditions, six full-scale field tests were conducted in horizontal wells in Alberta, Canada. Industry-scale synthesis of CNP followed the lab-bench process and was implemented at a specialized mixing facility. The results suggested that the scale-up from 3×10-4 m3 (300 mL) to 20 m3 did not affect average particle size or final properties of the carrier emulsion. Furthermore, field HPHT data showed good agreement with the lab experiments, where the average fluid loss in the test wells was reduced by 20–30% compared to the control wells using conventional drilling fluids. Finally, analysis of mud losses revealed that the cumulative losses while drilling were on average 20–30% lower in the presence of 0.5 wt% CNP, which suggested that NPs help to reduce downhole losses.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».