Accelerated optimization of CO2-miscible water-alternating-gas injection in carbonate reservoirs using production data-based parameterization
Notice bibliographique
Résumé
Abstract Enhancing oil recovery in reservoirs with light oil and high gas content relies on optimizing the miscible water alternating gas (WAG) injection profile. However, this can be costly and time-consuming due to computationally demanding compositional simulation models and numerous other well control variables. This study introduces WAGeq, a novel approach that expedites the convergence of the optimization algorithm for miscible water alternating gas (WAG) injection in carbonate reservoirs. The WAGeq leverages production data to create flexible solutions that maximize the net present value (NPV) of the field, while providing practical implementation of individual WAG profiles for each injector. The WAGeq utilizes an injection priority index to rank the wells and determine which should inject water or gas at each time interval. The index is built using a parametric equation that considers factors such as producer and injector relationship, water cut (WCUT), gas–oil ratio (GOR), and wells cumulative gas production, to induce desirable effects on production and WAG profile. To evaluate WAGeq’s effectiveness, two other approaches were compared: a benchmark solution named WAGbm, in which the injected fluid is optimized for each well over time, and a traditional baseline strategy with fixed 6-month WAG cycles. The procedures were applied to a synthetic simulation case (SEC1_2022) with characteristics of a Brazilian pre-salt carbonate field with karstic formations and high CO2 content. The WAGeq outperformed the baseline procedure, improving the NPV by 6.7% or 511 USD million. Moreover, WAGeq required fewer simulations (less than 350) than WAGbm (up to 2000), while delivering a slightly higher NPV. The terms of the equation were also found to be essential for producing a WAG profile with regular patterns on each injector, resulting in a more practical solution. In conclusion, WAGeq significantly reduces computational requirements while creating consistent patterns across injectors, which are crucial factors to consider when planning a practical WAG strategy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».