MétaCan
Menu
← Retour à la cohorte
Enregistrement W4408266433 · doi:10.2118/223997-ms

A Data Mining Approach to Assess Field Scale CO2 EOR and Sequestration Performance Correlated to Geological and Reservoir Characteristics

2025· article· en· W4408266433 sur OpenAlexaff
Seth Ayumu, Tayfun Babadagli

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCarbon sequestrationGeologyScale (ratio)Petroleum engineeringField (mathematics)Carbon dioxideCartography

Résumé

récupéré en direct d'OpenAlex

Abstract CO2 injection has gained popularity in the petroleum industry as a dual-purpose method for enhanced oil recovery (EOR) and long-term carbon sequestration. However, assessing the performance of CO2 EOR and its storage potential across large-scale fields is a complex task, primarily due to the heterogeneous geological characteristics of reservoirs and the dynamic behavior of injected CO2. Traditional methods for evaluating CO2 injection often rely on manual interpretations or computationally expensive reservoir simulations, both of which can be biased, time-intensive, and less effective for field-wide analyses involving extensive datasets. In this study, a data mining-driven methodology was developed and applied to one of the most prominent CO2 injection projects in the world. More than 2,000 wells with decades-long production histories were analyzed using advanced statistical and geostatistical approaches, including spatial and temporal normalization of production data. By correlating key production metrics with geological features inferred from the data, fracture-dominated and matrix-dominated regions within the field were identified. The analysis further highlighted zones with differing CO2 injection efficiency and oil displacement behavior, providing a comprehensive understanding of reservoir performance in terms of oil recovery and CO2 sequestration. A critical aspect of the methodology involved combining multiple production metrics—such as gas-oil ratio (GOR), water cut, time to peak production, and CO2 breakthrough patterns—using z-score-based normalization across both spatial and temporal domains. This approach enabled localized trend interpretation while maintaining consistency with physical reservoir behavior. Zones where CO2 injection was successful in both enhancing oil recovery and sequestering carbon were differentiated from areas where CO2 rapidly broke through without effective oil displacement, primarily due to fracture orientations and density (less vertically oriented fractures or matrix system dominated reservoir sections). Additionally, regions dominated by vertical fractures, which contributed to long-term CO2 storage, were identified. The results of this work provide valuable insights for optimizing CO2 injection strategies and improving sweep efficiency, ultimately aiding in better decision-making for both enhanced recovery and greenhouse gas sequestration. This novel approach bridges the gap between data-driven analysis and traditional reservoir engineering principles, offering a scalable framework for CO2 EOR operations in fields with complex geologies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,005
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,045
Tête enseignante GPT0,285
Écart entre enseignants0,240 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEnhanced Oil Recovery Techniques→Travaux en français237 207→