Selection of a Chemical EOR Strategy in a Heavy Oil Reservoir Using Laboratory Data and Reservoir Simulation
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
Abstract Chemical enhanced oil recovery (CEOR) of heavy oils is growing in volume and scope due to advances in the technology and field experience. This work describes a new methodology to select a CEOR strategy in a heavy oil reservoir when several viable options exist. We applied this methodology to the Pelican Lake field in Alberta. We evaluated water flooding, polymer flooding, alkaline-surfactant-polymer (ASP) flooding, alkaline-co-solvent-polymer (ACP) flooding and polymer flooding followed by ASP flooding in laboratory tests. We executed new experiments including microemulsion phase behavior, polymer rheology and corefloods representing these various strategies. These experiments were designed to help understand the role of mobility control in chemical flooding of heavy oils. UTCHEM, the University of Texas Chemical Flooding Simulator, was used to model experimental results, and to scale them up in pilot simulations using heterogeneous geological models representative of Pelican Lake. We report results for the selection of promising CEOR strategies for implementation in Pelican Lake based on the new laboratory experiments, reservoir simulations and our qualitative understanding of their various advantages and disadvantages. We present simulation results of a pilot using horizontal wells in a heterogeneous geological model representative of the reservoir. We simulated the various chemical EOR processes using the matched experimental data and evaluated them in terms of total oil production, time to completion and complexity. In-situ oil viscosity and operational injection limits were evaluated as crucial sensitivities. We make recommendations for CEOR implementation based on simulation study results and our understanding of relative process risks and costs.
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 | 0,000 |
| 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 découle