Inflow Control Devices Placement: A Computational Fluid Dynamics Approach
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 Nowadays, it is common to use horizontal wells to improve the oil production rate. The production rate varies along the horizontal well because of either frictional pressure losses (the heel-toe effect) or reservoir heterogeneity. Such a flux variability in zones close to the bottomwater and gas cap leads to water and gas breakthroughs. To mitigate water (or gas) coning, inflow control devices (ICDs) have become a standard practice to control instability and improve uniformity in the inflow profile. These devices help delay the water (or gas) breakthroughs by exerting a greater restriction on high water/oil ratio (or gas/oil ratio) zones. In the design and analysis of ICDs, the only sensible method is to model these tools using the numerical simulation that couples the well and the reservoir. Reservoir and production engineers formulate the ICD characteristics using expensive and time-consuming flow loop testing. In some scenarios, fluid flow simulations using computational fluid dynamics (CFD) are used to compare the results with the flow loop. However, owing to convergency issues in CFD and the unavailability of an established framework, the CFD results are not used to formulate the ICDs in the reservoir models. Instead, different types of empirical correlations are used to describe the ICDs, which require many empirical factors, causing inconsistencies in calculations. In this study, we first use CFD to characterize an orifice-based ICD in terms of the Reynolds number. Then, the results are formulated in a correlation that provides a consistent approach from CFD to well/reservoir modeling. Using such a framework, operators can ensure their prototypes are suitable for any specific problem by altering the geometry and simulating several scenarios from CFD to well/reservoir model.
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 | 0,001 | 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 découle