How to Use Analytical Tools to Forecast Injectivity in Polymer Floods
Notice bibliographique
Résumé
Abstract One of the main uncertainties when designing polymer floods is the polymer injectivity, an important parameter that can affect the economics of the process. Reservoir simulation can be used to forecast injectivity, but the process is not straightforward and can be affected by grid size and other factors. Analytical methods are also available for that purpose, but they are considered too simplistic to deal with realistic reservoir conditions. The aim of this paper is to show that this is not the case and that simple analytical tools can be accurate and of great help to predict or history match polymer injectivity. The analytical method has been developed by Lake in his classical textbook on Enhanced Oil Recovery, but few applications are documented in the literature. This paper will review the method and corresponding equations before presenting several actual field cases of injectivity in polymer flood pilots or tests from several countries that have been matched analytically. Although it has not been used very often, the method has been found to give very good results in most of the field cases tested in a variety of situations; these cases will be presented along with recommendations on how to apply the method and a discussion of the results. Sensitivities to the various parameters will also be presented. Once the equations are programmed in a spreadsheet, the matching process takes only a few minutes and it is easy to run various scenarios and sensitivities. Polymer injectivity remains one of the less understood and less predictable aspects of polymer flood projects. This paper will encourage engineers who are planning such projects to use simple yet accurate analytical tools before embarking in more complex and time-consuming reservoir simulations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 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 ».