MétaCan
Menu
Retour à la cohorte
Enregistrement W4402468120 · doi:10.2118/223116-pa

Cyclic Gas Injection in Low-Permeability Oil Reservoirs: Progress in Modeling and Experiments

2024· article· en· W4402468120 sur OpenAlexaff
Hamid Emami‐Meybodi, Ming Ma, Fengyuan Zhang, Zhenhua Rui, Amirsaman Rezaeyan, Amin Ghanizadeh, Hamidreza Hamdi, Christopher R. Clarkson

Notice bibliographique

RevueSPE Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNational Key Research and Development Program of ChinaAmerican Chemical Society Petroleum Research Fund
Mots-clésPetroleum engineeringEnhanced oil recoveryProcess (computing)Permeability (electromagnetism)Fossil fuelUnconventional oilReservoir engineeringEnvironmental scienceComputer scienceGeologyEngineeringChemistryPetroleumWaste management

Résumé

récupéré en direct d'OpenAlex

Summary Cyclic gas injection effectively enhances oil recovery for low-permeability oil reservoirs. Numerous theoretical, mathematical, and laboratory investigations have attempted to unlock underlying recovery mechanisms and optimal design for the cyclic gas injection in these reservoirs. While these investigations have shed light on various aspects of the process, different descriptions of key recovery mechanisms and optimal design parameters can be found in the literature. Many of these published studies consider conventional approaches and concepts, such as assuming advection-dominated fluid flow and mixing between injected gas and oil within the matrix, to simulate the process or conduct experiments. Under different reservoir and operational conditions, to be reviewed, one or a combination of mechanisms can be responsible for improving oil recovery. This review aims to critically examine the published modeling and experimental studies regarding the recovery mechanisms of gas cyclic injection and the conditions under which the process can enhance oil recovery. The review will identify lessons learned and areas in need of further research.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,561
Score d'incertitude au seuil0,424

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,014
Tête enseignante GPT0,285
Écart entre enseignants0,271 · 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

Citations41
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE JournalMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207