Real-Time Steam Allocation Workflow Using Machine Learning for Digital Heavy Oil Reservoirs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Thermal oil recovery processes are widely used to extract bitumen and heavy oil. Traditionally, a predetermined amount of steam is allocated to various injector wells using reservoir model based open-loop optimization. This practice can face a number of constraints including interruptions in well operations and/or surface facilities. Given that steam supply costs are a significant contributor to the overall production cost of heavy oil, dynamic and intelligent allocation of steam to various wells in the oilfield deserves further attention. In this study, we propose a proactive steam allocation workflow that can learn the effect of steam injection pattern on heavy oil recovery by using machine learning. We employ data analytic predictive models for the short-term forecast of the key performance indicators (KPIs). Model parameters are updated continuously by using a moving horizon approach that considers selected prior data including real-time measurements. An objective function containing predicted KPIs is maximized by manipulating the amount of steam allocated to various injectors in the oilfield. The workflow is repeated on a daily basis for continuous optimum steam allocation. A case study is performed by using a 3D reservoir model that represents a segment of the steam-assisted gravity drainage (SAGD) operation. For each well, the polynomial model is identified in the time-domain to forecast KPIs. The effectiveness of the proposed method is evident from the results as NPV is increased by almost 25% – 50% compared to the base case with a constant steam injection pattern in all cases studied. Due to the efficient use of available steam, the steam-to-oil ratio is reduced significantly. An adaptive and flexible steam supply is also honored by the proposed workflow, ensuring maximum efficiency of the oil recovery process. Practical implications of the proposed intelligent steam allocation workflow will be consequential in improving the operational efficiency of the digital heavy oil assets, thereby increasing profits and reducing the carbon footprint.
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.
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 | 0,000 |
| 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 découle