MétaCan
Menu
← Retour à la cohorte
Enregistrement W4253260055 · doi:10.2523/75531-ms

Gas-Condensate Well Performance Using Compositional Simulator: A Case Study

2002· article· en· W4253260055 sur OpenAlexaboutno aff
Bengherbia Mourad, Djebbar Tiab

Notice bibliographique

RevueProceedings of SPE Gas Technology Symposium · 2002
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Oklahoma
Mots-clésCitationComputer sciencePetroleum engineeringEnvironmental scienceEngineeringLibrary science

Résumé

récupéré en direct d'OpenAlex

Abstract The TFT gas-cap field in Algeria produces a lean gas condensate from an Ordovician reservoir. The dewpoint pressure (2619 psi) is approximately the initial reservoir pressure (2683 psi). The pressure reaches the dewpoint within a short production time, and then drops below the dewpoint. This pressure drops causes a loss of productivity, and high condensate saturation builds up near the wellbore could lower gas productivity. To simulate the depletion process, the Peng-Robinson EOS was developed to characterize the fluid from a well data. A tuned model matched the experimental PVT data like Constant Composition Expansion (CCE), and Constant Volume Depletion (CVD) that are reliable and give a high degree of match results. This is performed by pseudoizing the EOS components from 11 to 7. A splitting method is discussed, and refers to the procedures of dividing the heptanes-plus fraction into hydrocarbon groups with a single carbon number, which are described by the same physical properties used for components. A compositional simulation is performed to study the behavior of gas condensate fluid, and to show the phenomenon of condensation of liquid in the reservoir when the pressure drops below the dewpoint pressure. Because the compositional computing time increases significantly with the number of component used, the pseudoized fluid components discussed before are used to reduce the computing time. An agreement between the tuned Peng-Robinson EOS and experimental PVT data leads to a good depletion process for use in production simulation. The simulation model yields high-quality match with the test data, such as the average pressure, gas production, and liquid (condensation), which leads to good performance predictions. A good understanding of the gas condensate reservoir, when operating above and below the dew-point, and how this reservoir is affected by three zones, the inner, the middle, and the outer, where the pressure drops below the dew-pressure, and the variation of liquid and vapor phases for each component in an other hand.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,013
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,020
Tête enseignante GPT0,249
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

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

Citations0
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPE Gas Technology Symposium→Même sujetReservoir Engineering and Simulation Methods→Travaux en français237 207→