MétaCan
Menu
Retour à la cohorte
Enregistrement W4236887914 · doi:10.2118/2009-115

Advanced Solvent-Additive Processes via Genetic Optimization

2009· article· en· W4236887914 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueCanadian International Petroleum Conference · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensLaricina Energy (Canada)
Organismes subventionnairesnon disponible
Mots-clésCitationComputer scienceDownloadSolventOperations researchInformation retrievalLibrary scienceEngineeringWorld Wide WebChemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract This paper describes the application of a genetic algorithm to the development of a solvent-additive SAGD process. A review of related field projects and key simulation studies is provided, together with a discussion of the pros and cons of potential alkane solvents. Economics and the impact of dynamic and ultimate retention are discussed. A general conclusion drawn from literature is that optimal solvent application to SAGD will likely involve time variations in both rate and composition of the solvent. This results in an optimization problem that has a large number of dimensions, and is very nonlinear. Genetic algorithms, which mimic biological evolution, have been found by us to be extremely effective in addressing such problems. The general methodology of application to solvent additives by Laricina Energy.is described. A key product of this effort, optimized for a simple clastic reservoir, is presented. The genetic algorithm produced an operable process, which could be described as a new combination of pre-existing concepts. The process offers material improvements in thermal bitumen supply costs, as well as recovery factor. Major reductions in the physical steam/oil ratio (SOR), (and therefore) capital intensity and carbon emissions, are indicated. Introduction The addition of light hydrocarbon solvents to steam has long been regarded as the simplest and most important potential increase in SAGD performance. Recently, at least two commercial implementations of such processes have begun operation. In the current economic environment, advances with in situ technology are all the more important. Solvent Addition Goals The perceived benefits of solvent addition to SAGD include:reduced SORincreased well productivityreduced capital intensity to startupincreased recovery via reduced Sorincreased recovery via higher (economic)volumetric sweep In addition to the above, EnCana1 has recently indicated that their solvent-assisted process (SAP) allows for greater well spacing than with steam alone. There are as yet no published analyses of the detailed transport mechanisms for the increased oil rates observed with solvents. In general, solvent vapor accumulates ahead of the steam front, where it mobilizes and drains oil from regions that may be considerably cooler than the steam zone. Thus, the average temperature of the drained volume is much less than for the same recovery by steam, accounting for the SOR improvement. The oil rate increase is qualitatively explained by lower oil phase viscosities in the drainage zone.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,821
Score d'incertitude au seuil0,659

Scores Codex et Gemma par catégorie

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

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 Opus0,011
Tête enseignante GPT0,240
Écart entre enseignants0,229 · 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