Benchmarking Of Heavy Oil Fields: A Tool for Identification of Opportunities for Total Cost and Production Optimization
Notice bibliographique
Résumé
Abstract This paper presents a practical method for benchmarking heavy oil fields as a tool for identification of opportunities for total cost and production optimization. The method combines actual data from typical heavy oil fields to define reservoir, well and surface complexity indices, for categorizing a subject field and a total cost breakdown model to map potential risks that could cause total cost to increase, potential project/process delay and poor production performance. The benchmarking process consists of four steps: 1) classification of a subject field using Front End Loading (FEL) and complexity indices that account for: a) reservoir structural, stratigraphic, rock, fluid, energy, static and dynamic complexity, b) well complexity and c) surface processes complexity; 2) selection of analog fields within the range of indices; 3) use of causal maps to identify causes of uncertainty and risks that impact capital expenditures (CAPEX), operational expenditures (OPEX), production losses and cycle time; and 4) a total cost stochastic model is used to generate graphs providing the position of the subject field vs. analogs. A total undiscounted cost breakdown structure provided information on the most critical cost drivers, where significant impact corresponded to OPEX. Causal maps described typical total cost drivers for surface and subsurface. Seven most significant groups of risks are modeled to visualize the impact on cost, production losses, cycle time and health, safety and environment with recommended mitigation actions ranked by cost benefit. A database provides information about cost of production (Capex, Opex) from heavy oil fields undergoing cold production and thermal enhanced oil Recovery well-known heavy oil production areas from Venezuela, Canada, USA and Middle East. Heavy oil fields undergoing thermal enhanced oil recovery indicated typical ranges for Opex from 2 to 22 USD/bbl and Total Cost ranges from 10 to a maximum of 40 $/bbl. A key observation is that cost of fuel and power is the largest single OPEX cost for thermal enhanced recovery accounting for about 50%. Significant production losses are associated to failures due to corrosion and blowouts is the most significant HSE risk. The proposed method helps benchmarking total costs in heavy oil fields, which is a task that requires lot of efforts in researching available reliable sources from technical papers, regulatory agencies, and oil industry. Understanding causes of high cost per barrel and their relationship with uncertainties and risks for heavy oil field, is a formidable tool for multidisciplinary cost optimization as it provides a common language that understood by all disciplines involved.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».