MétaCan
Menu
Retour à la cohorte
Enregistrement W4387329628 · doi:10.55452/1998-6688-2023-20-3-98-104

ANALYSIS OF THE INTERNATIONAL PRACTICE OF CO2 INJECTION AS ONE OF THE EOR METHODS

2023· article· en· W4387329628 sur OpenAlexaboutno aff
Siraj Sultan

Notice bibliographique

RevueHerald of Kazakh-British technical university · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnhanced oil recoveryFlooding (psychology)Context (archaeology)Flood mythLiquefied natural gasPetroleum engineeringFossil fuelNatural gasPetroleumEngineeringEnvironmental scienceBusinessWaste managementGeographyGeology

Résumé

récupéré en direct d'OpenAlex

CO 2 flooding is currently a popular method employed for enhanced oil recovery (EOR). The initial mention of utilizing CO 2 as an injection gas to enhance oil production dates back to 1916, although its economic feasibility was not established until the 1950s. Initially, alternative gases such as propane, liquefied petroleum gas, and natural gas were utilized, but CO 2 emerged as a more cost-effective and efficient option. The first CO 2 flooding project commenced in 1964, followed by a larger-scale project in 1972. Subsequently, successful CO 2 flood implementations have been witnessed in diverse regions including the United States, Canada, Hungary, Turkey, Trinidad, and Brazil. Among these, the United States stands out with 67 operational CO 2 flood projects, while other countries face challenges such as limited infrastructure and sources. To date, over 100 EOR projects involving CO 2 flooding have been recorded. This publication presents a comprehensive overview of international experiences and methodologies pertaining to the application of CO 2 flooding for enhancing oil production efficiency. Furthermore, it emphasizes the potential projects and applications of this technology within the context of Kazakhstan.

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 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 enseignants0,496
Score d'incertitude au seuil0,255

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,017
Tête enseignante GPT0,291
Écart entre enseignants0,274 · 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 tête enseignante, 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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHerald of Kazakh-British technical universityMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207