Real‐time feedback control of SAGD wells using model predictive control to optimize steam chamber development under uncertainty
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT The efficiency of steam assisted gravity drainage (SAGD) operation depends on developing a uniform steam chamber by maintaining an optimal subcool temperature along the length of the well pair. Implementing operational parameters obtained from model‐based optimization directly in the field may not lead to the desired subcool temperature. Based on the real‐time measurements from surface and downhole sensors, along with other well and surface constraint information, a real‐time feedback control of SAGD well pairs can be implemented to optimize subcool and steam chamber development. Model predictive control (MPC), which is a multivariable constrained controller, provides a framework for such control. To evaluate the use of MPC for real‐time control of SAGD wells, a case study is performed using a 3D heterogeneous reservoir model. Porosity and permeability realizations are created and ranked based on net present value (NPV). One of the realizations is considered as the ‘true’ reservoir, and two other realizations are selected to represent different cases of uncertain reservoir models. For each model, a reservoir simulator is used to find the optimum rates and subcool temperature, which become the set‐points for MPC to operate the wells. We compare the steam chamber growth and NPV calculated using MPC with the base case where no MPC is used and discuss the implementation advantages. Since MPC led to expedited and accurate tracking of optimized operating targets obtained using reservoir models, ∼18 % improvement in NPV is achieved compared to manual open‐loop application of optimum rates, a practice used commonly in the field.
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.
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 | 0,001 | 0,000 |
| 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 découle