MétaCan
Menu
Retour à la cohorte
Enregistrement W2587984289

Enhanced Recovery of Heavy Crudes in the Niger Delta: Chops Application A Key Option

2014· article· en· W2587984289 sur OpenAlexaboutno aff
Anthony Kerunwa, Charley Iyke Anyadiegwu, A. CUgwuanyi

Notice bibliographique

Revue˜The œJournal of applied sciences research · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNiger deltaEnvironmental sciencePetroleumOil productionOil fieldProductivityPetroleum engineeringDeltaGeologyEngineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Cold Heavy Oil Production with Sand (CHOPS) is one of the key techniques employed for primary heavy oil production. It has gained wide application with great success to enhance heavy oil production in countries like Canada, China, Venezuela, California, USA and Kazakhstan. In order to investigate the productivity of CHOPS technology in the Niger Delta Oil field of Nigeriaa, aanalysis was performed on data collected for  five reservoirs, in which  comparison was made between  the natural case and  the artificial case of Progressive Cavity Pump (PCP), all without sand proof technology. The fluid flow for each case was modelled with PROSPERS, in order to ascertain the quantity of fluid (heavy oil) that could be producible. An inflow performance curve (IPR) was obtained for each case, IPR versus VLP curves were equally obtained. From the study it was discovered that, heavy oil with 18.07 to 22.14 o API can be produced naturally but higher rates are obtainable with CHOPS. This is because the oil viscosities were between 100cp and 102cp. In addition, the corresponding sand productions were estimated with a mathematical model, and sand management in CHOPS were also discussed. With the favourable attributes of heavy crudes in the Niger Delta Oil Field of Nigeria, it is evident that the application of CHOPS would be a great success.

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)0,013
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,334
Score d'incertitude au seuil0,464

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,045
Tête enseignante GPT0,350
Écart entre enseignants0,304 · 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.

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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue˜The œJournal of applied sciences researchMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207