An Empirical Model to Estimate Sweep Efficiency of a Surfactant-Alternating-Gas Foam Process in Heterogeneous Reservoirs
Notice bibliographique
Résumé
A surfactant-alternating-gas (SAG) process is a promising enhanced oil recovery (EOR) method for tight oil reservoirs. In this study, an empirical model is developed to predict the dynamic performance of a SAG process including sweep efficiency of multiple types of well patterns, in which major factors of the SAG process are involved, including gas channeling, reservoir heterogeneity, gravity segregation, and the instability of a foam structure. A novel empirical model is proposed to estimate the recovery factor of a SAG process in typical well patterns, which divides the whole area into three parts based on dominate occupation in situ fluids. Estimating the breakthrough time of each area is the key of this model. A new concept pseudomobility ratio is proposed to convert the negative effect of heterogeneity into unfavorable increment of mobility ratio. Numerical simulation studies are introduced to validate the proposed SAG empirical model. The comparison shows that the SAG performance model is highly consistent with the numerical simulation results calculated by cmg. Sensitivity analysis is introduced to study the effects of variables in the SAG process, including the fluid injection rate, slug size, slug proportion, and reservoir heterogeneity. Oil production estimated by the proposed model is also validated with field production data collected from the Ganguyi SAG project in China, and the growth trend of oil production agrees well with the field data. The proposed model provides a fast approach to predict the dynamic performance of SAG flooding in a field scale, which can be used as a tool to evaluate and optimize current operational parameters.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».