MétaCan
Menu
Retour à la cohorte
Enregistrement W2894007059 · doi:10.2118/191632-ms

Gas Adsorption Modeling in Multi-Scale Pore Structures of Shale

2018· article· en· W2894007059 sur OpenAlexafffund
Yizhong Zhang, Xiangzeng Wang, Shanshan Yao, Qingwang Yuan, Fanhua Zeng

Notice bibliographique

RevueSPE Annual Technical Conference and Exhibition · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueHydrocarbon exploration and reservoir analysis
Établissements canadiensPetroleum Technology Research CentreUniversity of Regina
Organismes subventionnairesNational Science and Technology Major ProjectYangtze UniversityUniversity of Regina
Mots-clésAdsorptionCapillary condensationOil shaleKerogenKelvin equationChemical engineeringCharacterisation of pore space in soilMaterials scienceMethaneMesoporous materialMineralogyChemistryPorosityGeologyComposite materialOrganic chemistrySource rock

Résumé

récupéré en direct d'OpenAlex

Abstract Shale pore space has a wide distribution of sizes (nm-μm) and complex configurations. Better knowledge of gas adsorption characteristics in real pore space is crucial for estimating shale gas-in-place. We develop a novel methodology to accurately and effectively calculate gas adsorption isotherms in multi-scale pore networks that simulate real pore structures inside shale. The influence of water saturations (in kerogen and clay) and pore distributions on gas adsorption is examined with our new model. 3D pore networks which connect both mesopores (2-50nm) and macropores (>50nm) are developed based on 2D SEM images and mercury intrusion analysis. Interparticle pores and pores inside kerogen have different morphologies from the pores in clay agglomerates in our pore networks. The gas adsorption on each dry pore/throat's surface is realized by capillary condensation with the Kelvin equation, which relates capillary condensation to pore/throat structure, different solid (clay and kerogen) surface characteristics and fluid properties. Moreover, we use the gas-liquid Gibbs adsorption model for gas adsorption on wet solid surfaces with water present, which is not considered in the literature. 3D pore networks and nitrogen adsorption isotherms are generated for the Silurian Longmaxi Formation shale samples. The simulated nitrogen adsorption isotherms are comparable to adsorption test results. The comparison confirms that both accurate adsorption modeling on pore surfaces and reliable pore space reconstruction are important for designing and analyzing adsorption measurements. Sets of methane adsorption isotherms are further calculated on different pore networks. Each pore network is assigned a unique combination of clay content, total organic carbon content and pore size distribution (PSD). When the pore volume is constant, shale has higher adsorption amount of methane with decreasing pore sizes. When the water saturation increases, water will first occupy the void space in clay from small pores to large pores and then extend to pores inside kerogen. It is concluded that the adsorption amount of methane could be significantly reduced by 50% when water saturation in pore space increases from zero to 30%. Different from previous adsorption modeling studies on single dry pore/throat or a bundle of dry tubes, this study considers the adsorption modeling on a pore network that connects pores and throats with different sizes, wet or dry surfaces and various morphologies. This methodology and simulation results are reliable and effective for fundamental study and field performance estimation of gas adsorption in shale reservoirs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,038
Tête enseignante GPT0,271
Écart entre enseignants0,233 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSPE Annual Technical Conference and ExhibitionMême sujetHydrocarbon exploration and reservoir analysisTravaux en français237 207