MétaCan
Menu
Retour à la cohorte
Enregistrement W4224058395 · doi:10.2118/209439-ms

Energy Efficient Steam-Based Hybrid Technologies: Modeling Approach of Laboratory Experiments

2022· article· en· W4224058395 sur OpenAlexaff
R. Pérez, Hugo García, D. Gutiérrez, Hector Arnoldo Rodríguez, S. A. Mehta, Robert Moore, Matthew Ursenbach, Belenitza Sequera-Dalton, Eduardo Manrique

Notice bibliographique

RevueSPE Improved Oil Recovery Conference · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésFlue gasSteam injectionPetroleum engineeringBoiler (water heating)Environmental scienceEnhanced oil recoveryProcess engineeringWaste managementEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Colombia is evaluating different steam-based hybrid oil recovery technologies as a strategy to face current challenges in the development of heavy oil reservoirs. Oil price volatility, the need for an energy transition, and carbon footprint reduction are factors limiting the commercial deployment of conventional steam injection projects. Ecopetrol evaluates the hybrid steam methods at laboratory scale as one of the different options to overcome current constraints developing heavy oil resources. The ongoing experimental program is supported by numerical modeling as a prior step to upscale the results at the pilot-scale. This study aims to present history match results and describe the numerical modeling approach of hybrid steam experiments (50 mm diameter × 1.1 m long assembly) and compare it against the baseline steam injection simulation. The first hybrid test involved the injection of steam and flue gas considering consecutive floods that included a saturated steam flood (SSF), a flue gas slug injection, and a second saturated steam flood. The second test was a steam and solvent injection following the same experimental protocol (SSF + solvent + SSF). The variables matched included produced fluids, pressures, produced gas compositions, and temperature profiles. One important feature is that all three models use the same set of water-oil relative permeability curves obtained from an independent experiment. Also, it was assumed those curves are not a function of temperature, which simplifies the modeling and allows focusing on the physical mechanisms relevant to each experiment. For instance, for the hybrid steam-flue gas test, it was necessary to include an additional set of gas-oil relative permeability curves to account for the presence of the flue gas in the gas phase. The hybrid steam-solvent test was focused on modeling the mixing of the native oil with the injected solvent. The proposed workflow led to a good history match of all variables, particularly total produced fluids, temperature profiles, and injection pressures. Additional recommendations are provided based on laboratory observations to understand important mechanisms such as trapped gas, relative permeability hysteresis, and solvent characteristics. A new methodology to simulate hybrid steam methods is provided. The proposed numerical approach incorporates novel energy efficiency and carbon intensity indexes to guide the decision-making and identify recovery strategies driven by its efficiency and reduce carbon footprint. Both hybrid tests led to energy efficiency improvements and reduction in carbon intensity up to 20%. These indexes combined with experimental results will be key input parameters for designing and commissioning future pilot tests using numerical simulations at the field scale.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,021
Tête enseignante GPT0,238
Écart entre enseignants0,216 · 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'étudeSimulation ou modélisation
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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE Improved Oil Recovery ConferenceMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207