MétaCan
Menu
Retour à la cohorte
Enregistrement W2988738291 · doi:10.2118/198919-ms

Foam Formulation for High Temperature SAGD Applications

2019· article· en· W2988738291 sur OpenAlexaff
Lukemon A. Adetunji, Amos Ben‐Zvi, Alex Filstein

Notice bibliographique

RevueSPE Thermal Well Integrity and Design Symposium · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueHydrocarbon exploration and reservoir analysis
Établissements canadiensCenovus Energy (Canada)
Organismes subventionnairesnon disponible
Mots-clésMethaneResidual oilPetroleum engineeringMaterials scienceEnhanced oil recoveryWaste managementEnvironmental scienceProcess engineeringChemical engineeringChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract In SAGD operations, the steam chamber temperature can be as high as 250°C. Foam formulations that can withstand such high temperature are required for field deployment of foam as conformance control technique. An evaluation of 12 surfactant formulations for their viability as steam foam candidate at chamber temperatures as high as 250°C is presented. Unlike other studies in the literature that used nitrogen for foam generation, methane was employed in this project. This project reveals that strong foam can be formed at 250°C. Also, foam is only generated within a specific range of methane mass quality. Stronger foam was formed when steam and methane were injected simultaneously into the core. Lastly, the existence of residual oil in the core reduced the foam strength. We analyzed the effect of a few parameters on foam strength. Parameters considered include concentration of surfactant, presence of steam as well as methane, mass quality of methane, and residual oil saturation. Laboratory analyses comprising thermal stability, solubility, foam height, adsorption, and coreflood, were conducted. The learnings from this project has the ability to accelerate the application of foam systems in high-temperature SAGD operations to increase conformance, maximize steam usage, and ultimately lead to overall reduction in GHG emissions from SAGD projects.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,677
Score d'incertitude au seuil0,517

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 Opus0,012
Tête enseignante GPT0,219
Écart entre enseignants0,208 · 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 Thermal Well Integrity and Design SymposiumMême sujetHydrocarbon exploration and reservoir analysisTravaux en français237 207