Enhanced oil recovery ability of branched preformed particle gel in heterogeneous reservoirs
Notice bibliographique
Résumé
Reservoir heterogeneity is the main cause of high water production and low oil recovery in oilfields. Extreme heterogeneity results in a serious fingering phenomenon of the displacing fluid in high permeability channels. To enhance total oil recovery, the selective plugging of high permeability zones and the resulting improvement of sweep efficiency of the displacing fluids in low permeability areas are important. Recently, a Branched Preformed Particle Gel (B-PPG) was developed to improve reservoir heterogeneity and enhance oil recovery. In this work, conformance control performance and Enhanced Oil Recovery (EOR) ability of B-PPG in heterogeneous reservoirs were systematically investigated, using heterogeneous dual sandpack flooding experiments. The results show that B-PPG can effectively plug the high permeability sandpacks and cause displacing fluid to divert to the low permeability sandpacks. The water injection profile could be significantly improved by B-PPG treatment. B-PPG exhibits good performance in profile control when the high/low permeability ratio of the heterogeneous dual sandpacks is less than 7 and the injected B-PPG slug size is between 0.25 and 1.0 PV. The oil recovery increment enhanced by B-PPG after initial water flooding increases with the increase in temperature, sandpack heterogeneity and injected B-PPG slug size, and it decreases slightly with the increase of simulated formation brine salinity. Choosing an appropriate B-PPG concentration is important for B-PPG treatments in oilfield applications. B-PPG is an efficient flow diversion agent, it can significantly increase sweep efficiency of displacing fluid in low permeability areas, which is beneficial to enhanced oil recovery in heterogeneous 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».