Testing geological heterogeneity representations for enhanced oil recovery techniques
Notice bibliographique
Résumé
Abstract This paper analyzes the effects of geological heterogeneity representation in a producing reservoir, when different stochastic simulation methods are used, so as to assess the consequent effects on flow responses for different enhanced oil recovery (EOR) techniques employed. First, the spatial heterogeneity of a fluvial reservoir is simulated using three different stochastic methods: (1) the well-known two-point sequential Gaussian simulation (SGS), (2) a multiple-point filter-based algorithm (FILTERSIM), and (3) a new alternative high-order simulation method that uses high-order spatial statistics (HOSIM). Numerical results show that SGS suffers from the inability of describing the highly permeable channel network whereas FILTERSIM better reproduces this connectivity. By means of the recent HOSIM, a more appropriate description of the curvilinear high-permeability channels is obtained. Second, the realizations generated above represent permeability fields in EOR numerical simulations. In particular, four different methods are considered, namely: (1) surfactant, (2) polymer, (3) alkaline-surfactant-polymer and (4) foam flooding processes. The numerical results show that properly reproducing the main geological features of the reference images has a higher impact if surfactant or alkaline chemicals are injected rather than polymer or foam. This is due to the fact that these latter chemicals act by mitigating the effects of heterogeneities.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».