Notice bibliographique
Résumé
Carbon dioxide injection is an effective method for enhanced oil recovery. In this process, CO2 develops miscibility with the oil under reservoir conditions, and leads to additional oil recovery. Proper reservoir characterization has a significant influence on designing and implementing a successful CO2 flood in a reservoir.This paper presents the results of a reservoir characterization analysis and simulation in a relatively small reef located in Northern Alberta, Canada, which was selected as a candidate for a CO2 injection project. This reef has a thick oil column spanning a small area with steeply sloping sides, and two wells drilled on the same side of the reef. Open-hole logs and production history data were available for only one of the two wells. Data analyses disclosed a number of challenges that could affect the results of any simulation for predicting the performance of CO2 displacement in this field. These challenges included, but were not limited to, the existence of two no-flow barriers with unknown extensions, lack of other data such as relative permeability, and lack of information on lateral distribution of the reservoir properties. Material balance analysis indicated the maximum oil in place was 4.7 MMSTB with a weak water support.A fully compositional reservoir simulator (CMG-GEM™) was used with the aim of improving the understanding of the reservoir characteristics, and investigating the suitability of CO2 injection. An 8-component Peng-Robinson EOS was utilized to describe the phase behaviour of the reservoir fluids and injected CO2. History matching was done and the current reservoir pressure was found to be about 1000 psi below the minimum miscibility pressure. A simulation study was conducted and the model predicted an incremental oil recovery of around 1.04 MMSTB and about 0.424 Mt of injected gas stored in the reservoir.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».