Classification of Alberta Oil Sands Based on Particle Size Distribution for Sand Control Design and Experimental Applications
Notice bibliographique
Résumé
Abstract There is a growing interest in physical model testing of the reservoir and large-scale sand control testing for oil sands. These experiments require the synthesization of representative sand-packs. Particle size distributions (PSDs) of these sand-packs ought to be comparable to the PSD of target oil sands. For practical and economic reasons, it is favorable to test samples with a limited number of PSDs, yet representative of a spectrum of oil sands. The aim of this paper is to categorize the PSD of Alberta oil sands to a limited but representative number for use in laboratory research. This paper is based on the analysis of 152 PSD curves for Alberta oil sands. To categorize these PSD's in a meaningful way, an algorithmic approach is presented which uses attributes that are widely used in sand control design (e.g. D10, D50, D70, fines content) and, subsequently screens and sorts the data to produce a finite number of PSD categories which represent the majority of the data. Rules are implemented in the algorithm to limit the number of categories (≤7), and require that each category cover a significant subset of the total data (≥10%). A review of the published PSDs for oil sands across Alberta indicates a significant variation in the PSD curves even within the same reservoir. However, in spite of the fact that PSD data show a large variation, PSD categories can be identified to build representative oil sand samples for design and testing purposes. For the database used in this investigation, four major and two minor PSD classes were identified. These six PSD classes, cover more than 87% of the analyzed PSDs. Introduced classes and existing PSD classifications in the literature share interesting similarities. However, certain differences, such as the lack of very coarse ranges (D50~500 µm) was observed. The method which is introduced for oil sand classification is based on the D-values which are commonly used in screen aperture design. This method provides a useful tool for both screen designers and researchers to categorize and focus their work on a specific set of representative PSDs, rather than a wide distribution of PSDs.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».