Nonlinear Model Predictive Control of Steam-Assisted-Gravity-Drainage Well Operations for Real-Time Production Optimization
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
Summary In deep oil-sands deposits using the steam-assisted-gravity-drainage (SAGD) recovery process, real-time optimization (RTO) involves controlling optimum subcool to ensure steam conformance. Contemporary workflows use linear model predictive control (MPC) with oversimplified models that are inadequate to represent highly complex, spatially distributed, and nonlinear reservoir dynamics. In this research, two novel workflows using nonlinear MPC (NMPC) are proposed. The first workflow reduces an NMPC problem to linear MPC by estimating an equivalent linear model of a nonlinear black-box model in a mean-square-error sense. Another approach is to use nonlinear dynamic models explicitly for accurate prediction of the plant states and/or outputs. The resulting nonconvex, nonlinear cost optimization problem is solved using an interior-point algorithm at each control interval. Proposed workflows are tested using the history-matched, field-scale model of a SAGD reservoir located in northern Alberta, Canada. Qualitative and quantitative analysis of the results reveals that nonlinear black-box models based on system identification theory can successfully capture the nonlinearity of the SAGD process. Also, both workflows can control the subcool above the desired set-point while ensuring stable well operations. More than a 24% increment is achieved in net present value (NPV) using proposed NMPC workflows compared with the field operations with no closed-loop control. Overall, NMPC can successfully be used for improved RTO, energy efficiency, and greenhouse gas emissions while considering available surface facilities and well configurations.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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