Optimizing the development plan for oil production and CO2 storage in target oil reservoir
Notice bibliographique
Résumé
Carbon dioxide enhanced oil recovery (CO 2 -EOR) technology is used for oil production and CO 2 storage in reservoirs. Methods are being constantly developed to optimize oil recovery and CO 2 storage during the CO 2 displacement process, especially for low-permeability reservoirs under varying geological conditions. In this study, long-core experiments and trans-scale numerical simulations are employed to examine the characteristics of oil production and CO 2 storage. Optimal production parameters for the target reservoir are also proposed. The results indicate that maintaining the pressure at 1.04 to 1.10 times the minimum miscible pressure (MMP) and increasing the injection rate can enhance oil production in the early stage of reservoir development. In contrast, reducing the injection rate at the later stages prevents CO 2 channeling, thus improving oil recovery and CO 2 storage efficiency. A solution-doubling factor is introduced to modify the calculation method for CO 2 storage, increasing its accuracy to approximately 90 %. Before CO 2 breakthrough, prioritizing oil production is recommended to maximize the economic benefits of this process. In the middle stage of CO 2 displacement, decreasing the injection rate optimizes the coordination between oil displacement and CO 2 storage. Further, in the late stage, reduced pressure and injection rates are required as the focus shifts to CO 2 storage. • The micro-mechanisms of CO 2 flooding and sequestration under varying miscibility degrees. • A comprehensive factor for evaluating CO 2 displacement and sequestration effectiveness is proposed. • Refinement of mathematical models for CO 2 displacement and sequestration across different production stages.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».