Mangala Polymer Flood Performance: Connecting the Dots Through In-Situ Polymer Sampling
Notice bibliographique
Résumé
Summary The Mangala field contains medium-gravity viscous crude oil. Notably, it is the largest polymer flood in India and 34% of the stock tank oil initially in place (STOIIP) has been produced in 11 years. Mangala was put on full field polymer flood in 2015, 6 years after the start of field production on waterflood in 2009. Polymer flood added nearly 93 million barrels above the anticipated waterflood recovery in 6 years. Reservoir simulation models could replicate the initial Mangala polymer flood performance. However, the performance of the lower layers of Mangala (FM-3 and FM-4) continued to progressively deviate from modeling estimates. Importantly, the observed polymer breakthrough deviated significantly from predictions. As the polymer flood matured, the trend of field water cut with time indicated that in-situ polymer viscosity was equivalent to only 50 to 60% of the surface polymer viscosity. For better predictions and corrective actions, it was necessary to understand the nature of degradation, the progressively deteriorating field performance, especially of the lower layers, and the deviation of polymer breakthrough trends from predictions. Carefully designed in-situ polymer sampling, laboratory studies, and reservoir modeling studies helped connect the dots to understand the field performance. There are several excellent publications on accelerated aging studies and some on polymer sampling. This paper offers an opportunity to directly compare experimental results with field data. The procedures used and lessons learned during field sampling can be useful for other operators for management of polymer floods.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».