MétaCan
Menu
Retour à la cohorte
Enregistrement W2986526343 · doi:10.2118/198697-ms

Effective Reservoir Management with Flow Control Devices for SAGD Producer Wells in Mackay River

2019· article· en· W2986526343 sur OpenAlexaff
Giuseppe Rosi, Da Zhu, Dermot O'Hagan

Notice bibliographique

RevueSPE Thermal Well Integrity and Design Symposium · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensSuncor Energy (Canada)
Organismes subventionnairesnon disponible
Mots-clésInflowDrawdown (hydrology)Petroleum engineeringOil fieldCurrent (fluid)Oil wellEnvironmental scienceGeologyGeotechnical engineeringAquifer

Résumé

récupéré en direct d'OpenAlex

Abstract Inflow Control Devices (ICDs) have been adopted for commercial steam-assisted gravity drainage (SAGD) production for nearly ten years and yet the function they serve is not well understood, and field data evaluating their performance remains scant. Thus, the purpose of the current study is twofold: Firstly, the study derives a simplified analytical model demonstrating how increasing the dP across ICDs acts to improve conformance along a producing lateral. The resulting equation of the analysis acts as a simple rule of thumb for determining an appropriate pressure drop across ICDs to achieve conformance. Secondly, the study evaluates the performance of ICDs that had been installed in four wells, two of which had ICDs installed prior to circulation and two that adopted ICDs later in their lifecycle. The field data shows that ICDs increase production rates and improve conformance along the lateral. These improvements are achieved by an increased drawdown facilitated by the ICDs. This part of the study highlights how early-life results may differ between ICD bearing wells compared to their conventionally completed (slotted liner) offsets: ICD bearing wells exhibit improved conformance and an ability to develop more challenging reservoir resulting in different oil production profiles and composite SORs.

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)0,001
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,428
Score d'incertitude au seuil0,816

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 GPT0,235
Écart entre enseignants0,225 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE Thermal Well Integrity and Design SymposiumMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207