The Evolving Landscape of Oil and Gas Chemicals: Convergence of Artificial Intelligence and Chemical-Enhanced Oil Recovery in the Energy Transition Toward Sustainable Energy Systems and Net-Zero Emissions
Notice bibliographique
Résumé
Chemical-enhanced oil recovery (EOR) is a field of study that can gain significantly from artificial intelligence (AI), addressing uncertainties such as mobility control, interfacial tension reduction, wettability alteration, and emulsifications. The primary objective of this paper is to introduce an integrated framework for AI and chemical EOR for energy harvest operations. Central emphasis is placed on the energy transition, with the aim of expediting the development of cleaner energy harvesting systems and attaining the goal of net-zero emission. To do so, we present how the energy transition is changing the manufacturing of the chemicals for EOR application. For this, the uncertainty associated with materials' design and critical role of the simulators for transferring the laboratory experiences into full-field implementations is discussed. The concept of digitalization and its impact on energy companies are highlighted. The role of digital twin in simulators integration is discussed, emphasizing how increased data access can help design more tolerant chemicals for harsh reservoir environments using real-time data. Also, we discuss how the chemical suppliers, research institutes, startups, and field operators can benefit from self-leaning and robotic laboratories for chemicals manufacturing. Moreover, this paper explores how including AI perspectives can improve our understanding of developing chemical formulations by blending hybrid capabilities. This approach contributes to making energy production more sustainable and aligning with the goal of zero emissions. A workflow is presented to demonstrate how the integration of AI and chemical EOR can be used for both hydrocarbon production and other energy transition operations, such as carbon capture, utilization and storage, hydrogen storage, and geothermal reservoirs. The outcome of this paper stands as a pioneering effort that uniquely addresses these challenges for both academia and the industry and can open many additional doors and identify topics requiring further investigations. Received: 21 November 2023 | Revised: 22 January 2024 | Accepted: 29 January 2024 Conflicts of Interest The authors declare that they have no conflicts of interest to this work. Data Availability Statement Data sharing is not applicable to this article as no new data were created or analyzed in this study.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».