Stimulation of High-Temperature Steam-Assisted-Gravity-Drainage Production Wells Using a New Chelating Agent (GLDA) and Subsequent Geochemical Modeling Using PHREEQC
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
Summary The acidizing of sour, heavy-oil, weakly consolidated sandstone formations under steam injection is challenging because of fines migration, sand production, inorganic-scale formation, corrosion issues, and damage caused by asphaltene precipitation associated with these sandstone formations. These and other similar problems cause decline in the productivity of the wells, and there is a recurring need to stimulate them to restore productivity. The complexity of sandstone formations requires a mixture of acids and several additives, especially at temperatures up to 360°F, to accomplish successful stimulation. Three treatments were tested on a horizontal well in the field: hydrochloric acid (HCl); Chelating Agent B, a high-pH chelant; and Chelating Agent A, or glutamic acid Ν,Ν-diacetic acid (GLDA). The first two treatments with 15 wt% HCl and high-pH (pH = 10) Chelating Agent B produced results below expectations. The third treatment using GLDA was successful, and the well productivity increased significantly. The field treatment with GLDA included pumping the treatment fluid, which was foamed to create proper rheological characteristics and a better-controlled pumping process. The treatment fluids were displaced into the formation by pumping produced water and were allowed to soak for 6 hours. In this paper, we evaluate the field applications of GLDA using geochemical modeling, production data, and analysis of well-flowback fluids after the field treatments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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