MétaCan
Menu
Retour à la cohorte
Enregistrement W2334775254 · doi:10.2118/174519-ms

Mathermatical Modeling of Dynamic Mass Transfer in Cyclic Solvent Injection

2015· article· en· W2334775254 sur OpenAlexafffund
Xinfeng Jia, Jianli Li, Zhangxin Chen

Notice bibliographique

RevueSPE Canada Heavy Oil Technical Conference · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of ReginaUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta Innovates - Technology FuturesCMG Reservoir Simulation Foundation
Mots-clésMass transferSolventConvectionViscosityMixing (physics)DiffusionChemistryThermodynamicsMaterials scienceMechanicsChromatographyOrganic chemistryComposite materialPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract In a cyclic solvent injection (CSI) process, a solvent gas is cyclically injected, soaked, and released to produce heavy oil. Through this process the operating pressure is decreased and increased cyclically. This causes a dynamically changing pressure gradient across the solvent–oil mixing zone, leading to a convective mixing of solvent and oil in addition to molecular diffusion. This study aims at modeling the effect of pressure gradient-induced convection on the solvent–oil mixing process in the transition zone. A diffusion–convection model is developed to simulate the dynamic solvent–oil mass transfer in the transition zone during the CSI process. This model consists of two sub-models: a pressure model and a solvent concentration model. The pressure model considers the effect of a practical viscosity profile and the concentration model considers the effect of a dynamic convective mass transfer velocity. These two models are coupled through the convection velocity and oil viscosity across the transition zone. The entire model is semi-analytically solved, in which a piecewise linear approximation scheme is applied for the variable convection velocity and viscosity in the transition zone. Results show that during the solvent injection period, convection can significantly enhance the mixing of solvent and heavy oil. Larger solvent injection rates can be more efficient for heavy oil–solvent mass transfer. In addition, it is found that considerable solvent remains in the oil zone at the end of the production period, and this part of solvent is difficult to retrieve within a short time period.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,021
Tête enseignante GPT0,237
Écart entre enseignants0,216 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations7
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSPE Canada Heavy Oil Technical ConferenceMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207