A New Mechanistic Model for Emulsion Rheology and Boosting Pressure Prediction in Electrical Submersible Pumps (ESPs) under Oil-Water Two-Phase Flow
Notice bibliographique
Résumé
Summary As the second most widely used artificial lift method in the petroleum industry, electrical submersible pumps (ESPs) maintain or increase flow rates by converting the kinetic energy to hydraulic pressure. As oilfields age, water is invariably produced with crude oil. The increase of water cut generates oil-water emulsions due to the high-shearing effects inside a rotating ESP. Emulsions can be stabilized by natural surfactants or fine solids existing in the reservoir fluids. The formation of emulsions during oil production creates a high viscous mixture, resulting in costly problems and flow assurance issues, such as increasing pressure drop and reducing production rates. This paper, for the first time, proposes a new rheology model to predict the oil-water emulsion effective viscosities and establishes a link of fluid rheology and its effect with the stage pressure increment of ESPs. Based on Brinkman's (1952) correlation, a new rheology model, accounting for ESP rotational speed, stage number, fluid properties, and so on, is developed, which can also predict the phase inversion in oil-water emulsions. For the new mechanistic model to calculate ESP boosting pressure, a conceptual best-match flow rate (QBM) is introduced. QBM corresponds to the flow rate whose direction at the ESP impeller outlet matches the designed flow direction. Induced by the liquid flow rates changing, various pressure losses can be derived from QBM, including recirculation losses, and losses due to friction, leakage, sudden change of flow directions, and so on. Incorporating the new rheology model into the mechanistic model, the ESP boosting pressure under oil-water emulsion flow can be calculated. To validate the proposed model, the experimental data from two different types of ESPs were compared with the model predictions in terms of ESP boosting pressure. Under both high-viscosity single-phase fluid flow and oil-water emulsion flow, the model predicted ESP pressure increment matches the experimental measurements well. From medium to high flow rates with varying oil viscosities and water cuts, the prediction error is less than 15%.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».