Uncertainties - Extension of Smart Waterflooding from Core to Field Scale
Notice bibliographique
Résumé
Summary Smart waterflooding has emerged as an EOR process of much interest in recent years. Much research is being reported, along with a few successful field applications, notably clastics. In most cases, there are undeniable inconsistencies in results between lab and field cases. This leads to unpredictable outcomes and misleading profit prediction of smart waterflooding projects. The objective of this work is to evaluate uncertainties in smart waterflooding from core- to field-scale. Kozaki (2012) experiment is mimicked by 1-D numerical model that couples with geochemical reactions. Validation results show that there are many combinations of matching parameters that can describe coreflooding results. Each realization may lead to different results when extended to 3-D heterogeneity model. Hence, to cover ranges of uncertainties, many realizations should be tested before summarizing smart waterflooding performance. Full-field heterogeneity model also shows that smart waterflooding is sensitive to grid size and heterogeneity. With different grid volume settings, results vary dramatically. This may contribute towards smart waterflooding misinterpretation. Furthermore, heterogeneity alters smart waterflooding within a particular range by affecting cation exchange capacity, and subsequently interpolant value, which is used to represent system wettability. Therefore, these parameters should be accounted in field-scale simulation to obtain smart waterflooding true potential.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».