MétaCan
Menu
Retour à la cohorte
Enregistrement W4377223691 · doi:10.1007/s13202-023-01643-0

Accelerated optimization of CO2-miscible water-alternating-gas injection in carbonate reservoirs using production data-based parameterization

2023· article· en· W4377223691 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.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal of Petroleum Exploration and Production Technology · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesShell BrasilTotalEnergi SimulationUniversidade Estadual de CampinasU.S. Department of EnergyPetrobrasChina National Offshore Oil Corporation
Mots-clésPetroleum engineeringCarbonateBenchmark (surveying)Environmental scienceWater injection (oil production)EngineeringGeologyMaterials science

Résumé

récupéré en direct d'OpenAlex

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 WAG eq , a novel approach that expedites the convergence of the optimization algorithm for miscible water alternating gas (WAG) injection in carbonate reservoirs. The WAG eq 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 WAG eq 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 ( W CUT ), gas–oil ratio (GOR), and wells cumulative gas production, to induce desirable effects on production and WAG profile. To evaluate WAG eq ’s effectiveness, two other approaches were compared: a benchmark solution named WAG bm , 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 CO 2 content. The WAG eq outperformed the baseline procedure, improving the NPV by 6.7% or 511 USD million. Moreover, WAG eq required fewer simulations (less than 350) than WAG bm (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, WAG eq 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.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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: Empirique
Score de désaccord entre enseignants0,120
Score d'incertitude au seuil0,550

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,081
Tête enseignante GPT0,312
Écart entre enseignants0,231 · 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