MétaCan
Menu
Retour à la cohorte
Enregistrement W3032913707 · doi:10.2118/200636-ms

Increasing Oil Recovery from Unconventional Shale Reservoirs Using Cyclic Carbon Dioxide Injection

2020· article· en· W3032913707 sur OpenAlexaff
Sherif Fakher, Ahmed El-Tonbary, Hesham Abdelaal, Youssef Elgahawy, Abdulmohsin Imqam

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueHydrocarbon exploration and reservoir analysis
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésOil shalePetroleum engineeringHydraulic fracturingEnhanced oil recoveryShale oilCarbon dioxideEnvironmental scienceShale gasTight oilUnconventional oilCarbon sequestrationGeologyWaste managementChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Unconventional shale reservoirs have become and large unconventional supplier of oil and gas especially in North America. They are usually produced from using hydraulic fracturing which produces and average of 7-10% per well. This research studies the application of carbon dioxide (CO2) enhanced oil recovery (EOR) in shale reservoirs to increase oil recovery to more than 20%. Cyclic CO2 injection was used to conduct all experiments rather than flooding. The main difference between both procedures and the advantage of cyclic injection over flooding in shale reservoirs is explained. A specially designed vessel was constructed and used to mimic the cyclic CO2 injection procedure. The effect of CO2 soaking pressure, CO2 soaking time, and number of soaking cycles on oil recovery was investigated. Results showed that cyclic CO2 injection can increase oil recovery substantially, however there are some points that must be taken into consideration including optimum soaking pressure and time in order to avoid a waste of time and capital with no significant increase in oil recovery. This research not only provides an experimentally backed conclusion on the ability of cyclic CO2 injection to increase oil recovery from shale reservoirs, it also points to some major issue that should be considered when applying this EOR method in unconventional shale in order to optimize the overall procedure.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,026
Tête enseignante GPT0,226
Écart entre enseignants0,201 · 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 source (Gemma direct ou Codex distillé), 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

Citations16
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHydrocarbon exploration and reservoir analysisTravaux en français237 207