MétaCan
Menu
Retour à la cohorte
Enregistrement W2938280752 · doi:10.2118/195557-ms

The Impact of Micro- and Meso-Scale Heterogeneities on Surfactant Flooding in Carbonate Reservoirs

2019· article· en· W2938280752 sur OpenAlexfundno aff
Jackson Pola, S. Geiger, Eric Mackay, Mark Bentley, C Maier, Ali Al-Rudaini

Notice bibliographique

RevueSPE Europec featured at 81st EAGE Conference and Exhibition · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesEnergi Simulation
Mots-clésPulmonary surfactantCarbonateEnhanced oil recoveryPetroleum engineeringWettingImbibitionSurface tensionOil in placeRelative permeabilityGeologyReservoir simulationCapillary pressureOil fieldScale modelEnvironmental scienceChemical engineeringMaterials scienceGeotechnical engineeringPorous mediumPetroleumEngineeringThermodynamicsPorosity

Résumé

récupéré en direct d'OpenAlex

Abstract We investigate how efficiently oil can be recovered from a carbonate rock during surfactant based enhanced oil recovery (EOR) at the core-scale, particularly when chemical processes change wettability, and analyse how geological heterogeneities, observed at the next larger scale (centimetre to decimetre) impacts the effectiveness of surfactant-based EOR at the inter-well scale. To quantify how heterogeneity across scales impacts surfactant flooding, we combine laboratory experiments with simulation studies at the core- and inter-well scale. We first analysed a series of surfactant imbibition experiments at different surfactant concentrations (from 0 to 3 wt. %) using reservoir cores from the Wakamuk field, a carbonate reservoir in Indonesia. We then built a 3D simulation model of the laboratory experiment and matched the experimental data to identify the key physical mechanisms (e.g., reduction in interfacial tension (IFT) and wettability alteration) that lead to increased oil recovery. Next, we parametrised the surfactant models using assisted history-matching methods to calibrate the relative permeability and capillary pressure curves as a function of surfactant concentration. These models were then deployed in high-resolution simulations at the inter-well scale. These simulations captured the small-scale geological heterogeneities that are typical for a carbonate reservoir system, e.g., the Shuaiba formation in the Middle East, but are not resolved in field-scale models. Our core-scale simulations demonstrate a change from co- to counter-current flow in the laboratory experiments and indicate that the resulting increase in oil recovery is due to a combination of IFT reduction, wettability alteration from oil- to water-wet, and capillary pressure restoration; these processes need to be captured adequately at the inter-well scale model. The increase in surfactant concentration above the critical micelle concentration (CMC) (i.e., from 1 to 3 wt. %) triggered the capillary pressure restoration and dominated recovery at the early-time. The changes in relative permeability and capillary curves during the surfactant floods were best modelled using a concentration-based interpolation. There is uncertainty when calibrating surfactant models using laboratory experiments. A key question hence is if geological heterogeneity at the inter-well scale masks these uncertainties. Results from our high-resolution simulations show that large-scale heterogeneity impacts recovery predictions, but it is the coarsening of the grid, not the upscaling of permeability, that dominates the error in field-scale recovery predictions during surfactant based EOR. Indeed, the error arising from numerical dispersion during grid coarsening can be as large as the error arising when selecting an inaccurately configured surfactant model due to the lack of quality experimental data. Hence appropriate grid refinement, possibly using adaptive grid refinement, needs to be considered when setting up a surfactant based EOR simulation, along with the appropriate configuration of the surfactant model itself.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,108
Score d'incertitude au seuil0,565

Scores Codex et Gemma par catégorie

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,010
Tête enseignante GPT0,224
Écart entre enseignants0,214 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE Europec featured at 81st EAGE Conference and ExhibitionMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207