Improvement of Displacement Efficiency in Heavy Oil Reservoirs With Enzyme
Notice bibliographique
Résumé
Abstract In this study, a systematical technique has been developed to experimentally and numerically evaluate the displacement efficiency in heavy oil reservoirs with enzyme under different conditions. First, dynamic interfacial tensions (IFTs) between enzyme solution and heavy oil are measured with a pendant-drop tensiometer, while effects of pressure, temperature, enzyme concentration, and contact time of enzyme and heavy oil on equilibrium IFT were systematically examined and analyzed. After waterflooding, enzyme flooding was carried out in sandpacks to evaluate its potential to enhance heavy oil recovery at high water-cut stage. Numerical simulation was then performed to identify the underlying mechanisms accounting for the enzyme flooding performance. Subsequently, a total of 18 scenarios were designed to simulate and examine effects of the injection modes and temperature on oil recovery. Except for pressure, temperature, enzyme concentration, and contact time are found to impose a great impact on the equilibrium IFTs, i.e., a high temperature, a high enzyme concentration, and a long contact time reduce the equilibrium IFTs. All three enzyme flooding tests with different enzyme concentrations show the superior recovery performance in comparison to that of pure waterflooding. In addition to the IFT reduction, modification of relative permeability curves is found to be the main reason responsible for further mobilizing the residual heavy oil. A large slug size of enzyme solution usually leads to a high recovery factor, although its incremental oil production is gradually decreased. In addition, temperature is found to have a great effect on the recovery factor of enzyme flooding likely owing to reduction of both oil viscosity and IFT.
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 | 0,001 | 0,001 |
| 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 ».